In autonomous driving, detecting vehicles together with their parts, such as a license plate is important. Many methods with using deep learning detect the license plate based on number recognition. However, there is an idea that the method using deep learning is difficult to use for autonomous driving because of the complexity in realizing deterministic verification. Therefore, development of a method that does not use deep learning (DL) has become important again. Although the authors have made the world's best performance in 2018 for Caltech data with using DL, this concept has now turned to another research without using DL. The CT5L method is the latest type, that includes techniques of the continuity of vertical and horizontal black-and-white pixel values inside the plate, unique Hough transform, only vertical and horizontal lines are detected, the top five in the order of the number of votes to ensure good performance. In this paper, a method to determine the threshold value for binarizing input by machine learning is proposed, and good results are obtained. The detection rate is improved by about 20 points in percent as compared to the fixed case. It achieves the best performance among the conventional fixed threshold method, Otsu's method, and the conventional method of JavaANPR.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Hough Transform is a widely used method of recognizing shapes and objects from digital images. It was originally used for line detection from binary images, but together with the development of computational method, it was subsequently used for detecting more complex objects. In the paper, method of determination of geometrical parameters describing average machined or to-be-machined surfaces of casts, which can be created based on the clouds of points from coordinate machine measurements, was explained. The point cloud parameterization and its transformation into Hough space is explained. The identification of a shape is conducted by “voting”. Any characteristic point “votes” i.e. adds a certain value to the value of points in Hough space which represent the surfaces on which that point lies. The paper describes the constraints of space accumulation due to the limitations of memory size. The method of its minimization was presented. The final set of values contained maxima which represented parameters of the surfaces from the original cloud of points. In addition, presented are the results for a cast which was a part of frame structure of machine tool.
PL
Transformacja Hougha jest metodą szeroko stosowaną do rozpoznawania kształtów i obiektów ze zdjęć. Początkowo była ona wykorzystywana do detekcji linii z obrazów binarnych, a wraz z rozwojem technik obliczeniowych zaczęto ją stosować do detekcji coraz bardziej skomplikowanych obiektów. W artykule przedstawiono metodę określania parametrów geometrycznych opisujących uśrednione powierzchnie obróbkowe odlewów otrzymane na podstawie analizy chmury punktów pomiarowych uzyskanych z pomiarów współrzędnościowych. Opisano sposób parametryzacji chmury punktów i ich przekształcenie do przestrzeni Hougha. Kształt był identyfikowany przez głosowanie. Charakterystyczny punkt „głosował”, tj. dodawał pewną jednostkową liczbę do wartości tych punktów w zbiorze powierzchni, które reprezentowały powierzchnie przechodzące przez ten punkt. W artykule przedstawiono ograniczenia akumulacji przestrzeni ze względu na wielkość pamięci obliczeniowej oraz sposób minimalizacji tej przestrzeni. Wynikowy zbiór zawierał maksima reprezentujące powierzchnie wykryte w oryginalnej chmurze punktów reprezentującej odlew. Opisaną metodę zastosowano do automatycznej identyfikacji powierzchni obróbkowych odlewu stanowiącego fragment struktury nośnej obrabiarki.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.