Введение:
В структуре управления дорожным движением и безопасности методология распознавания номерных знаков играет жизненно важную роль, которая берет на себя большую ответственность за высокий уровень безопасности. Идентификация номерного знака движущегося транспортного средства является сложной задачей из-за наличия шума и разного освещения и углов. Поэтому нам необходимо выполнить систему с улучшенными методами и методами для точного и надежного определения номерных знаков. С этой целью в данной работе представлено автоматическое определение номерного знака транспортного средства с использованием метода KNN (AVLPD-KNN), который точно определяет номерной знак. Здесь предварительная обработка является начальным шагом, который выполняется с помощью подхода медианной фильтрации. После предварительной обработки нам нужно извлечь номерной знак из изображения в соответствии с характеристиками лицензии. Номерной знак был распознан из извлеченного номерного знака с помощью подхода сегментации символов, далее он изучен и распознан точно с использованием метода машинного обучения, который называется классификатором KNN. Все расчеты метода исследования выполняются в среде моделирования MATLAB, что подтверждает, что предлагаемый метод исследования дает точное обнаружение по сравнению с текущими методами исследования.
Контур:
Суть этого проекта заключается в идентификации номерных знаков в сложных условиях изображения, таких как низкий/высокий контраст, туман, искажения и запыленность. В этой статье предлагается эффективный дескриптор, многоуровневый расширенный локальный двоичный шаблон, для системы обнаружения номерных знаков (LP). Гауссовский фильтр предварительной обработки с адаптивным выравниванием гистограммы с ограниченным контрастом применяется с предложенным дескриптором для захвата всех репрезентативных функций. Рассчитываются соответствующие признаки гистограммы бинов для изображения номерного знака на каждом уровне. Извлеченные функции используются в качестве входных данных для классификатора машин с экстремальным обучением для идентификации многоклассовых транспортных средств. Набор данных с автомобилями и их LP расширяется с помощью онлайн-редактора фотографий, чтобы внести изменения в исходный набор данных для повышения точности системы обнаружения LP.
Цель:
Конечным решением этого проекта является обнаружение и распознавание буквенно-цифровых символов с помощью номерного знака Keras пакета OCR, где он обучен для повышения точности ожидаемых шрифтов и возможных комбинаций, которые можно найти на номерном знаке, который напечатан в текстовом представлении. индийского номерного знака.
Проблема в существующей системе:
В существующей системе система распознавания номерных знаков (LPR) является одним из важнейших критериев метода массового наблюдения. Системы LPR обычно состоят из трех этапов, а именно:
1] Извлечение планшета
2] Сегментация персонажей и
3] Признание.
Распознавание номерных знаков является важной задачей из-за неоднородности номерных знаков и условий освещения. Большинство разработанных методик работают при определенных условиях, таких как угол захвата изображения, освещенность, стационарный фон. Все приведенные методы LPR различаются в зависимости от времени обработки, требуемой вычислительной мощности и точности. Из-за отсутствия какого-либо стандарта эти методы несопоставимы, но можно судить об эффективном пути для конкретных требований.
Предлагаемая система:
Контроль дорожного движения, система управления безопасностью и методология распознавания номерных знаков играют решающую роль, что обеспечивает высокую безопасность. Идентификация номерного знака движущегося транспортного средства — это лихорадочная работа из-за сильного шума, разного освещения и углов. В настоящее время необходимо внедрить эту технологию с улучшенными стратегиями для точной и достоверной идентификации номерных знаков. По этой причине в этом проекте инициировано автоматическое определение номерных знаков транспортных средств с использованием метода Tesseract OCR, который точно распознает номерной знак. Здесь предварительная обработка является начальным шагом, который выполняется с помощью метода медианной фильтрации. После предварительной обработки номерной знак необходимо извлечь из изображения на основе особенностей лицензии. Номерной знак был обнаружен из извлеченного номерного знака с помощью метода сегментации символов, а затем изучен и точно распознан с использованием метода машинного обучения, который называется Tesseract OCR. Вся структура исследовательского предложения выполнена в среде моделирования Python, что подтверждает, что предлагаемый метод исследования дает точное обнаружение по сравнению с текущими методами исследования.
Этот метод распознавания символов дает разные измерения непохожести для одного и того же персонажа при разных углах наклона по отношению к камере. В настоящее время эта проблема нас не беспокоит, поскольку все символы, извлеченные из изображений автомобильных номеров, находятся почти в вертикальном положении. Но мы можем улучшить этот алгоритм, чтобы справиться с этим, введя шаг нормализации для преобразования номерных знаков в заданную ориентацию перед идентификацией номера лицензии.
Реализация:
Рабочее объяснение:
Общие предположения:-
А. Предварительная обработка
Первоначально предварительная обработка состоит из трех вещей:
1) Бинаризация
2) Маркировка подключенных компонентов
3) Удаление шума
Б. Признание
Признание состоит из двух основных вещей
1) Сегментация OCR
2) Распознавание OCR
Вызываются оптимальные результаты для обеих процедур.
Технические предположения:-
Здесь мы используем два метода: метод сопоставления с шаблоном и метод K ближайших соседей, также мы вычисляем метод KNN. Распознавание символов является заключительным этапом в обнаружении и распознавании номерных знаков транспортных средств, когда считываются отдельные символы и цифры. И этот шаг считается важным шагом, например: при въезде на парковку или для поиска угнанных автомобилей, для помощи полиции. Отдельные элементы номерного знака следует классифицировать и изучить. Этот экзамен называется оптическим распознаванием символов (OCR) с использованием KNN.
Алгоритм k-ближайших соседей (k-NN) считается непараметрическим методом распознавания образов, который используется для классификации и регрессии. В обоих этих сценариях входные данные содержат k ближайших обучающих выборок в пространстве признаков. Вывод зависит от того, используется ли k-NN для классификации или регрессии:
- В классификации k-NN выход предполагается как принадлежность к классу. Объект отделяется большинством голосов своего соседа, затем объект распределяется по классу, который является наиболее распространенным среди его k ближайших соседей (k — положительное целое число, обычно малое). Если k = 1, то объект просто назначается последнему из этого единственного ближайшего соседа.
- В регрессии k-NN выходом является значение свойства объекта. Это значение является средним значением k его ближайших соседей.
k-NN — это своего рода обучение на основе экземпляров или ленивое обучение, при котором функции аппроксимируются локально, и здесь весь расчет откладывается до процесса классификации. Алгоритм k-NN считается самым простым методом из всех алгоритмов машинного обучения. Нам необходимо придать вес вкладам соседей как для классификации, так и для процесса регрессии, чтобы вклад ближайших соседей был намного больше по сравнению с более удаленными. Например: обычная схема взвешивания, в которой каждый сосед имеет вес 1/d, где d — расстояние до соседа.
Соседи рассматривались из группы объектов, для которых хорошо известен класс (для k-NN классификации) или значение свойства объекта (для k-NN регрессии). Это дает обучающий набор для алгоритма, хотя нам не требуется явный этап обучения. Особенностью алгоритма k-NN является то, что он очень чувствителен к локальной структуре данных. Алгоритм не смешивается и не путается с k-средними, более того, алгоритм классификатора KNN использует обратное исключение, которое объясняется далее:
Прочитать обучающие данные из файла ‹x, f(x)›
Прочитать данные тестирования из файла ‹x, f(x)›
Установите K на некоторое значение
Нормируйте значения атрибутов в диапазоне от 0 до 1.
Значение = Значение / (1+Значение);
Применить обратное исключение
Для каждого примера тестирования в наборе данных тестирования.
Найдите K ближайших соседей в обучающем наборе данных на основе евклидова расстояния.
Предскажите значение класса, найдя максимальный класс, представленный в ближайших соседях K.
Автоматическое распознавание номерных знаков (ANPR) использует распознавание символов на изображениях для чтения номерных знаков на транспортных средствах, что считается методом массовой слежки. Они могут использовать существующие системы видеонаблюдения или камеры контроля за соблюдением правил дорожного движения, или камеры, специально предназначенные для этой задачи. Различные полицейские силы используют эту систему, а также как метод электронного сбора платы за проезд на дорогах с оплатой по факту использования и мониторинга дорожной активности, например, соблюдения режима красного света на перекрестке.
Система распознавания номерных знаков транспортных средств стала особой областью в области видеонаблюдения за более чем десятилетие или около того, и она использует сложные системы видеообнаружения транспортных средств для приложений управления дорожным движением; система распознавания номерных знаков идентифицирует экстремальные варианты для контроля доступа к пункту взимания платы или на парковке. Таким образом, это связано с системами видеообнаружения транспортных средств, которые обычно устанавливаются в таких областях, как контроль перекрестков, мониторинг дорожного движения и т. Д., Чтобы распознавать транспортное средство, нарушающее правила дорожного движения, или обнаруживать угнанные транспортные средства.
В данной работе представлен метод распознавания символов номерного знака транспортного средства. Весь процесс объясняется в следующих трех шагах: «Расположение номерного знака или определение местоположения номерного знака на изображении транспортного средства и обрезка изображения номерного знака из него, Сегментация номерного знака или вырезание изображения номерного знака для изображений персонажей, Распознавание символов или преобразование изображений персонажей в окончательные выделенные символы между ними. Так как разнообразие параметра заложено в изображениях автомобилей; Распознавание номерных знаков считается наиболее важным этапом во всей системе LPR».
Предлагаемый алгоритм:
KNN - Алгоритм K ближайших соседей
Подход к реализации
SK учиться = научный набор учиться
Метод OCR = Метод распознавания символа объекта
СИСТЕМНЫЕ ТРЕБОВАНИЯ:-
ТРЕБОВАНИЯ К ОБОРУДОВАНИЮ:
· Система: Процессор I3
· Жесткий диск: 500 ГБ.
· Монитор: 15-дюймовый цветной VGA.
· Мышь: мышь Logitech.
· Оперативная память: 4 ГБ
· Клавиатура: Стандартная клавиатура
ТРЕБОВАНИЯ К ПРОГРАММНОМУ ОБЕСПЕЧЕНИЮ:
· Операционная система: Windows XP.
· Платформа: ТЕХНОЛОГИЯ PYTHON
· Инструмент: Спайдер
· Бэкенд: скрипт anaconda на питоне
Некоторые из используемых модулей:
· cv2
· пустышка
· математика
· os
· случайный
Результаты и обсуждение:
Этот предложенный метод выполняется в среде моделирования Mat lab. Здесь были рассмотрены различные наборы обучающих видео, которые будут изучены вместе, чтобы изучить различные различия в функциях, которые существуют в видеороликах различных видов номерных знаков с шумом и размытием. Для этой работы были рассмотрены обучающие видеоролики, которые подпадают под следующие категории, такие как видеоролики о транспортных средствах. Эти изображения будут точно изучены на наличие их особенностей, в соответствии с которыми будет создан окончательный вывод. Используя MATLAB 2013a, предложенный метод был выполнен, и эксперименты проводились с 5 процессорами с 3 ГБ ОЗУ. При активной реализации предложенные и текущие методики исследований перечислены ниже:
Ø Точность
Ø Чувствительность
Ø Специфика
Ø Точность
Ø Вспомнить
Ø F-мера
Вычисление предлагаемого метода Автоматизированное определение номерных знаков транспортных средств с использованием метода KNN (AVLPD-KNN)) по этим показателям производительности выполняется путем его различения с текущим методом исследования, таким как: Распознавание номерных знаков с использованием OCR (LPR-OCR). Численный расчет предлагаемого метода исследования выполняется путем его различения с текущим методом исследования, который показан на следующем рисунке.
Подтверждено, что предлагаемый метод исследования дает повышенную производительность по сравнению с текущим методом исследования за счет точного распознавания номерного знака транспортного средства из обучающей базы данных. Из этого вывода мы можем узнать, что предложенный метод AVLPD-KNN показывает улучшение коэффициента производительности на 11% по сравнению с текущими методологиями исследования в отношении точного поиска видео.
Вывод:
В различных системах распознавания автомобильных номеров значимым этапом считается сегментация символов. У нас есть различные аспекты, которые создают комплекс задачи сегментации символов, а именно: шум изображения, рамка пластины, заклепка, а также дисперсия вращения и освещения. В компьютерном зрении и распознавании объектов сегментация объектов считается жизненно важной задачей. Сегментация изображения — это процесс разделения цифрового изображения на различные области или группы пикселей. Эти сегменты указывают на различные объекты на изображении; как правило, он имеет одинаковую текстуру или цвет. Сегментация - это процесс, и это важная задача для выделения признаков изображения и последовательной классификации результирующих признаков. И это важный шаг из-за перекрывающихся символов, которые создают номерной знак. Здесь у нас есть три символа: перекрытие по вертикали, лигатура, диакритические знаки, горизонтальное перекрытие и два соединенных символа.
Точность: 93%
Ссылки: Журнал промышленного колледжа Ланьчжоу, Международный журнал обработки сигналов, обработки изображений и распознавания образов, Международный журнал мультимедиа и вездесущей инженерии.
