Rozpoznawanie numerów tablic rejestracyjnych pojazdów z wykorzystaniem deskryptora HOG dla obrazów zaszumionych poddanych binaryzacji

• Autorzy: Okarma K.

Warianty tytułu

EN

Recognition of vehicles' register plate numbers using the HOG descriptor for noisy images subjected to binarization

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wyniki badań eksperymentalnych związanych z weryfikacją rezultatów rozpoznawania cyfr umieszczonych na tablicach rejestracyjnych pojazdów dla obrazów poddanych różnego rodzaju zaszumieniu. Rozważono obrazy zawierające szum Gaussa, jak też szum impulsowy, dla których uzyskane wyniki klasyfikacji zostały porównane z rezultatami osiągniętymi dla obrazów bez zakłóceń. Ze względu na wydajność obliczeniową założono konieczność binaryzacji obrazu, do czego wykorzystano dwie znane metody zaproponowane przez Otsu oraz Sauvolę. Obrazy kolorowe oraz poddane binaryzacji zostały podzielone na dwa zbiory tj. treningowy i testowy, dla których wyznaczono wartości deskryptora HOG, stanowiącego jedno z najnowszych narzędzi stosowanych w celu detekcji kształtów na obrazie. Cechy lokalne obrazu opisane za pomocą deskryptora HOG zostały następnie użyte w procesie klasyfikacji znaków bazującym na maszynach wektorów nośnych (SVM). Uzyskane wyniki potwierdzają silną zależność efektywności rozpoznawania znaków zarówno od rozmiaru komórki HOG, jak też przyjętego algorytmu binaryzacji bądź jej braku. Interesujący wniosek wynikający z przeprowadzonych badań jest związany z relatywnie małym wpływem szumu na wyniki klasyfikacji przy zastosowaniu binaryzacji metodą Otsu i rozmiaru komórki HOG wynoszącego 4×4 piksele.

EN

In this paper the results of experiments related to the verification of results of recognition of vehicles’ register plate digits are presented for images contaminated by different types of noise. During the experiments the images containing both Gaussian and impulse noise have been considered. The results obtained for them have been compared to those achieved for the images without noise. Due to the computational efficiency reasons the necessity of binarization has been assumed, which has been conducted using well-known methods proposed by Otsu and Sauvola. Both color and binary images have been divided into two groups being the training and test sets. For those images the values of the HOG descriptor, which is one of the most recent tools used for shape detection in images, have been calculated. Local features represented by the HOG descriptor have been then used in the classification process based on the Support Vector Machines (SVMs). Achieved results confirm the strong influence of both the HOG cell size as well as the chosen binarization algorithm (if applied) on the digits recognition accuracy. An interesting conclusion resulting from the conducted experiments is related to the relatively small impact of noise on the classification results using the HOG cell size equal to 4×4 pixels for the binary images obtained using Otsu’s algorithm.

Słowa kluczowe

PL

tablica rejestracyjna; deskryptor HOG; Histogram of Oriented Gradients; binaryzacja; rozpoznawanie cyfr

EN

license plate; HOG descriptor; Histogram of Oriented Gradients; binarization; recognition of digits

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 4787--4795
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr., pełen tekst na CD

Twórcy

autor

Okarma K.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie, Wydział Elektryczny, Katedra Przetwarzania Sygnałów i Inżynierii Multimedialnej; 70-313 Szczecin, ul. Gen. Władysława Sikorskiego 37

Bibliografia

• 1. Belongie S., Malik J., Matching with Shape Contexts. Proceedings of the IEEE Workshop on Content based Access of Image and Video Libraries (CBAIVL), 2000.
• 2. Caner H., Gecim H., Alkar A., Efficient Embedded Neural-Network-Based License Plate Recognition System. IEEE Transactions on Vehicular Technology, vol. 57 no. 5, September 2008, pp. 2675–2683.
• 3. Cortes C., Vapnik V., Support-Vector Networks. Machine Learning, vol. 20 no. 3, September 1995, pp. 273–297.
• 4. Dalal N., Triggs B., Histograms of Oriented Gradients for Human Detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), San Diego, California, USA, 2005, vol. 1, pp. 886–893.
• 5. Jolliffe I. T., Principal Component Analysis. Springer Series in Statistics, Springer New York, 2002.
• 6. Kong F., Ye Q., Zhang N., Lu K., Jiao J., On-Road Vehicle Detection Using Histograms of Multi-Scale Orientations. Proceedings of the IEEE Youth Conference on Information, Computing, and Telecommunications (YC-ICT), 2009.
• 7. Mao L., Xie M., Huang Y., Zhang Y., Preceding Vehicle Detection Using Histograms of Oriented Gradients. Proceedings of the International Conference on Communications, Circuits and Systems (ICCCAS), 28-30 July 2010, Chengdu, pp. 354–358.
• 8. Mikolajczyk K., Schmid C., Zisserman A.: Human Detection Based on a Probabilistic Assembly of Robust Part Detectors. Proceedings of the 8th European Conference on Computer Vision (ECCV), Prague, Czech Republic, 2004, vol. I, pp. 69–81.
• 9. Mikulski J., Using Telematics in Transport. Transport Systems Telematics (TST 2010), Communications in Computer and Information Science vol. 104, Springer Berlin Heidelberg 2010, pp. 175–182.
• 10. Otsu N., A Threshold Selection Method from Gray-Level Histograms, IEEE Transactions on Systems, Man and Cybernetics, vol. 9 no. 1, January 1979, pp. 62–66.
• 11. Sauvola J., Pietikäinen M., Adaptive Document Image Binarization. Pattern Recognition, vol. 33 no. 2, February 2000, pp. 225–236.
• 12. Wen Y., Lu Y., Yan J., Zhou Z., von Deneen K., Shi P., An Algorithm for License Plate Recognition Applied to Intelligent Transportation System. IEEE Transactions on Intelligent Transportation Systems, vol. 12 no. 3, September 2011, pp. 830–845.