كليدواژه :
سامانۀ بيدرنگ آشكارسازي و شناسايي پلاك خودرو , شبكه عصبي , تحليل اجزاي متصل به هم , مدل مخلوط گاوسي , افكنش
چكيده فارسي :
سامانههاي شناسايي خودكار پلاك خودرو (ANPR) كاربردهاي بسياري در سامانههاي نظارت بر ترافيك روزانه و سامانههاي كنترل عوارض جادهاي دارند. در اين مقاله، الگوريتمي بيدرنگ براي آشكارسازي و شناسايي پلاك در قابهاي ويدئو (frames) و شناسايي همزمان چند پلاك در يك قاب ويدئويي طراحي و پيادهسازي مي‌كنيم. درقبل در زمينه تشخيص و شناسايي يك پلاك خودرو در يك صحنه، كارهايي صورت گرفته كه در بيشتر آنها به بيدرنگبودن الگوريتم، توجه كمي شده است؛ درحاليكه مسألۀ افزايش سرعت شناسايي پلاكها به‌همراه آشكارسازي و شناسايي صحيح چند پلاك خودرو در صحنه براي كاربردهاي آن، اهميت بالايي دارد. برخلاف روشهايي با پيچيدگي محاسباتي بالا، ما روشهاي مؤثر و سادهاي را براي بيدرنگبودن بهكار گرفتيم. روش پيشنهادي روي ويدئوهايي از دوربينهاي بزرگراهها ارزيابيشده و درصد آشكارسازي % 79/98 حاصل شد. اين سامانه به زبان C++ و با استفاده از كتابخانه OpenCV پيادهسازي شده است. ميانگين زمان پردازش هر قاب در مرحلۀ Z آشكارسازي پلاك، 25 ميليثانيه و ميانگين زمان كلي پردازش هر قاب چهل ميليثانيه است كه ميتواند در كاربردهاي بيدرنگ استفاده شود. درصد بازشناسي ارقام پلاك نيز % 83/97 به‌دست آمد. سامانۀ بيدرنگ پيشنهادي ميتواند چند پلاك را از انواع مختلف در هر قاب تشخيص داده و شناسايي كند. نتايج آزمايشها نشان ميدهد كه روش و نحوۀ پيادهسازي ما نسبت به كارهاي گذشته، سرعت بالاتر و درصد آشكارسازي و بازشناسي بهتري دارد؛ طوريكه آن را براي كاربردهاي بيدرنگ بسيار مناسب ساخته است.
چكيده لاتين :
An automatic Number Plate Recognition (ANPR) is a popular topic in the field of image processing and is considered from different aspects, since early 90s. There are many challenges in this field, including; fast moving vehicles, different viewing angles and different distances from camera, complex and unpredictable backgrounds, poor quality images, existence of multiple plates in the scene, variable lighting conditions throughout the day, and so on. ANPR systems have many applications in today’s traffic monitoring and toll-gate systems.
In this paper, a real-time algorithm is designed and implemented for simultaneous detection and recognition of multiple number plates in video sequences. Already some papers on plate localization and recognition in still? images have been existed , however, they do not consider real time processing. While for the related applications, real-time detection and recognition of multiple plates on the scene is very important. Unlike methods with high computational complexity, we apply simple and effective techniques for being real-time. At first, background is modeled using Gaussian Mixture Model (GMM) and moving objects are determined. Then, plate candidate regions are found by vertical edge detection and horizontal projection. After that, license plates are localized and extracted by morphological operations and connected components analysis. When plates were are detected, their characters are separated with another algorithm. Finally a neural network is applied for character recognition.
This system is implemented in C++ using OpenCV library. The average localization time per frame is 25 ms and total processing time, including localization and recognition, is 40 ms that can be used in real-time applications. The proposed method is evaluated on videos from highway cameras and the detection rate of 98.79% and recognition rate of 97.83% is obtained. Our real-time system can also recognize multiple plates of different types in each frame. Experimental results show that our method have higher speed and better recognition rate than previous works therefore it is suitable for real-time applications.
