Wykorzystanie sztucznych sieci neuronowych do wykrywania i rozpoznawania tablic rejestracyjnych na zdjęciach pojazdów

• Autorzy: Huzarek M. , Rutkowski T. A.

Warianty tytułu

EN

Detection and recognition of registration plates on pictures of vehicles using artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję algorytmu wykrywania i rozpoznawania tablic rejestracyjnych (AWiRTR) na obrazach cyfrowych pojazdów. Detekcja i lokalizacja tablic rejestracyjnych oraz wyodrębnienie z obrazu tablicy rejestracyjnej poszczególnych znaków odbywa się z wykorzystaniem podstawowych technik przetwarzania obrazu (przekształcenia morfologiczne, wykrywanie krawędzi) jak i podstawowych danych statystycznych obiektów wykrytych w obrazie (np. stosunek szerokość do wysokość obiektu). Natomiast za rozpoznawanie poszczególnych znaków odpowiedzialna jest wielowarstwowa, jednokierunkowa sztuczna sieć neuronowa. Przedstawiony algorytm został zaimplementowany i zweryfikowany w środowisku Matlab/Simulink. Pomimo wykorzystania w algorytmie AWiRTR dobrze znanych z literatury metod lokalizacji, segmentacji i rozpoznawania wzorców, otrzymane w trakcie weryfikacji algorytmu wyniki wskazują jego efektywność na poziomie 96,26%. Jest ona porównywalna do efektywności innych algorytmów AWiRTR opisywanych w literaturze.

EN

A license plate detection and recognition system has basically three modules for: localization of the plate region using the digital image of the car, extraction of the characters from digital image of the license plate, and recognition of the characters using a suitable identification method. In this paper, an algorithm is designed that can localize of the plate and extract of the characters from digital image of the license plate with the basics image processing techniques (morphological transformations, edge detection) and with the statistical data (e.g. width height ratio) of the objects identified in the analyzed digital image. It is done at the second and third stage of the presented algorithm, respectively. Finally, at the fourth stage of the presented algorithm, the character recognition is done by multilayer, one directional artificial neural network. Algorithm was implemented and verified in the Matlab/Simulink environment. Experimental results demonstrate promising efficiency of the proposed algorithm: 98% in the task of license plate localization, 95,69% in the task of characters extraction, and 95,11% in the task of characters recognition.

Słowa kluczowe

PL

przetwarzanie obrazu; lokalizacja obiektów; rozpoznawanie wzorców; sieci neuronowe

EN

image processing; object localization; pattern recognition; neural networks

• Wydawca: Wydział Elektrotechniki i Automatyki Politechniki Gdańskiej
• Czasopismo: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
• Rocznik: 2015
• Tom: Nr 47
• Strony: 67--70
• Opis fizyczny: Bibliogr. 11 poz., rys., fot., tab.

Twórcy

autor

Huzarek M.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki

autor

Rutkowski T. A.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki

Bibliografia

• 1. Smith S.W.: The Scientist and Engineer’s Guide to Digital Signal Processing, Second Edition, California, 1999.
• 2. Porikli F., Kocak T.: Robust License Plate Detection Using Covariance Descriptor in a Neural Network Framework, IEEE, 2006.
• 3. Tarabek P.: Fast license plate detection based on edge density and integral edge image, IEEE, 2011.
• 4. Kasaei S.: Extraction and recognition of the vehicle license plate for passing under outside environment, IEEE, 2011.
• 5. Wenjing J., Xiangjian H., Qiang W.: Segmenting Characters from License Plate Images with Little Prior Knowledge, IEEE, 2010.
• 6. Kwiatkowski W.: Metody automatycznego rozpoznawania wzorców, BELStudio, Warszawa, 2007.
• 7. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza PW, Warszawa, 2000.
• 8. Swędrowski L., Duzinkiewicz K., Grochowski M., Rutkowski T.: Use of Neural Networks in Diagnostics of Rolling-Element Bearing of the Induction Motor, Key Engineering Materials, vol. 558, 2014.
• 9. Pakiet oprogramowania Matlab/Simulink, http://www.mathworks.com, (dostęp 11.2015).
• 10. Huzarek M.: Wykrywanie i rozpoznawanie obiektów dynamicznych przy wykorzystaniu sztucznych sieci neuronowych, Politechnika Gdańska, Gdańsk, 2012.
• 11. Czcionka ARKLAS, http://polskietablice.prv.pl, (dostęp 11.2015).