文摘

识别车牌号码是一个关键的一步实现立法的交通和日常交通事故的减少。虽然机器学习先进,车牌的识别仍然是一个障碍,特别是在国家的板号码都写在不同的语言或混合了拉丁字母。介绍了一个阿拉伯语和拉丁字母车牌识别系统使用deep-learning-based方法在结合收集的数据来自两个特定国家:伊拉克和马来西亚。系统的研究,提出了探测、段,和识别车辆号牌号码。此外,伊拉克和马来西亚板被用来比较这些过程。共有404名伊拉克图像和681年马来西亚图像进行测试和用于拟议的技术。评估发生在不同大气环境,包括雾,不同的对比,污垢,不同的颜色,和变形问题。该方法显示平均识别率85.56%和88.86%的伊拉克和马来西亚的数据集,分别。因此,这个证据deep-learning-based方法优于其他先进的方法,因为它能够成功检测板数字无论恶化程度的图像质量。

1。介绍

车辆牌照自动识别(车牌)多年来获得了人气快速增加的各种安全和交通应用程序。也起着关键作用的主要方法自动监控,维护执法在公共道路上行驶,和控制进入停车场。控制边境口岸和实施车辆限速是两个车牌识别的其他应用程序1]。图像采集、车牌(LP)提取、分割和识别是识别所涉及的步骤一个LP。图像的采集是车牌识别系统的第一步1]。LP是一个长方形的金属板与数字,字符,永久地附着在车身上,用来识别(2]。由于板是一个黑点的强度和亮度图像的区域内,一个捕获的图像识别系统能够提取所需车辆车牌识别(3]。因此,许多方法,包括深度学习(DL)、支持向量机(SVM)和神经网络(NN),是用来识别车辆有限合伙人。所有这些方法都被认为是本研究和讨论(4- - - - - -6]。

本研究旨在观察不同的车牌识别技术可以在阿拉伯语和拉丁字母和神经网络的输出进行比较,支持向量机,深度学习在伊拉克和马来西亚有限合伙人。在使用车牌识别,图像预处理需要达到高精度。有强大的库等开放车牌识别承诺;然而,这些库不工作在马来西亚和阿拉伯有限合伙人,因为它们主要是为欧洲和美国的盘子。无论车辆类型、马来西亚有限合伙人有白色字符,这很大程度上取决与欧洲和美国的有限合伙人。牌照在阿拉伯国家,另一方面,包含特殊阿拉伯语字母,和某些国家使用阿拉伯语和拉丁字母的组合。定义形式的许可证或代表一个地区,大多数阿拉伯国家使用背景颜色或字母。这分离Arabic-based有限合伙人从那些发现在其他国家,在学习过程中提高的几个问题(7]。在伊拉克,例如,阿拉伯语字母作为一个扩展板数量,也用于标签的国家,城市,和类型的车辆。伊拉克车辆有限合伙人分为三类,见图1。第一类(图1(一)包含伊拉克库尔德斯坦地区的个省(埃尔比勒,苏莱曼尼亚(和Duhok)。第二种模式,如图1(b),在2003年之前使用。第三种模式,如图1(c),是最近模式用于个省中部和南部。

看马来西亚的标准板数字,只有一个类型,它有一个黑色背景,白色字体。见图2,马来西亚LP包括拉丁字母表中的字母和数字。与伊拉克板数字,这个盘子设计使识别更加容易。

几项研究在LP识别系统可以在文献中找到。这些分析考虑有限合伙人的不同特征,不同的国家在颜色方面,历史,字体,板尺寸,和语言。阿拉伯国家的板块是最引人注意的拉丁和阿拉伯语字母的组合,需要深入研究这种车牌的识别机制(3]。很少有研究采用深度学习方法对阿拉伯国家的车牌检测和识别(8,9]。以前的工作没有考虑使用伊拉克所有个省的板块,包括新老风格。这是归因于这样一个事实:伊拉克盘子进来的类型和颜色,有白色,红色,或黄色背景。因此,考虑到伊拉克和马来西亚有限合伙人。虽然许多研究已经进行了马来西亚有限合伙人(7,10,11),很少有研究伊拉克有限合伙人使用传统的机器学习方法(12- - - - - -14]。还没有研究对所有伊拉克地区使用深度学习。然而,一项最新的研究解决了伊拉克北部的LP承认伊拉克只(15]。

在这项研究中,验证该方法的鲁棒性,阿拉伯语和拉丁板数量(即使用。、伊拉克和马来西亚板块)。这项研究导致了这个问题的解决方案通过使用深度学习,和它的输出对比两个传统的机器学习方法,支持向量机和神经网络。该方法适用于拉丁字母或阿拉伯板块。深度学习通常不需要手工特征作为输入,它自动学会段数字LP的端到端的模式。

以下措施描述本研究的一般方法:首先,车辆照片是来自两个不同的国家,也就是说,伊拉克和马来西亚。数据收集过程是由相同的规章制度(如图像大小、质量和环境)。其次,识别系统是使用MATLAB软件实现的步骤:第一步是感兴趣的LP或区域(ROI)识别和板场提取的车辆。第二步是实现LP细分,包括分离字母,数字,和文字的LP区域。在第三步中,分割板数字输入车辆LP的图像,这导致光学字符识别(OCR),使用机器学习分类成字符或数字。最后,深度学习的方法是用来比较的结果伊拉克和马来西亚板有两个传统的机器学习方法,即支持向量机和神经网络。

本文的组织结构如下:部分1介绍了论文的介绍。部分2介绍了相关的工作。部分3提出了方法和模拟。部分4讨论了实验和结果,部分5总结了纸。

2。相关工作

之前的研究在LP检测、分割和识别在不同的国家将在本节中讨论。然后,我们审查选定的先前的研究和讨论了每种方法的优缺点,确定最重要的优点符合我们提出的框架。

2.1。车牌检测

门禁板检测步骤是图像采集后的第一步。这是一个非常关键的步骤,评估系统的性能。板块中检测到六个重要的检测方法(16),详细的部分1。(1)第一种方法是能够区分LP纹理颜色过渡,这是背景和字母之间发生。在[17),讨论了结构函数使用一个锋利的车辆顶部线预测重大改变板的灰色色调。(2)扫描图片,并检查性格差异的另一种方法。板面积是由寻找图像中的字母/模式。(3)边界信息,也称为边缘特性,使用矩形形状的车辆图像可以被扫描搜索。(所18),边缘检测一直是常用来评估候选矩形区域和他们的位置。(4)在大多数国家,颜色是用于检测有限合伙人。决定板的面积,计算LP和车辆的色彩平衡。(5)第五方法被定义为特征的全球形象。图像扫描,所得的像素标签根据像素的关系。定义在[19),这被称为连通分量分析(CCA)。它比传统的更高效的程序。(6)第六的方法,称为杂属性,分析了图像使用小波变换技术的结构和形状。一些函数,比如CCA (19使用),因为它们比传统的程序更有效快速处理LP。

2.2。车牌分割

车牌识别系统的第二阶段是细分。几个技术研究和发展打破了角色,包括动态规划,假设一代,CCA-based成分分析、投影、调制分析。投影分析理论是应用最广泛的在许多学术论文为其良好的可伸缩性的原因(20.]。山谷根据水平投影用于实现上下位置的字符。在[21),You-Only-Look-Once-Version-2 (YOLOV2)是用于检测有限合伙人。然而,只有5种安装盒用于字符识别有限合伙人的斜角落。在[22),CCA方法,收集周围的箱子使用two-hybridization过程段LP区分背景和前景。LP分割过程是高度依赖双重编码,和不规则板影响的背景纹理,穷人对比人物,背景,和板的不均匀照明。

在[23,24CCA),是用于字符识别和分割。然而,一些性能被发现的担忧。例如,该方法未能准确识别一些字符,也就是说,薄信的存在,很难处理,导致明显的分割错误。因此,为了防止这些缺陷,一个算法用于图像的对比度最大化,在几项研究已经使用(25,26]。

2.3。车牌识别

门禁系统识别是第三步。在识别阶段,数字和字符自动识别LP段。防止板数量不正确认识汽车的形象,反之亦然,板的项目标记为字母或数字取决于他们的立场在板(27]。模板匹配系统,例如,用于识别不同的有限合伙人在不同的国家。使用2 d和3 d原型图片,与减少字母和数字呈现所需的像素大小。一些盘子包含拉丁字母、阿拉伯语字母和阿拉伯数字。字母和数字分别对待的拉丁字母盘子,而阿拉伯板块除以国家,字母,数字,和国家的象征。字符识别之前OCR设备使用。这是用来区分物理有限合伙人和电子有限合伙人。这些字符分割的精度影响LP识别的准确性。许多算法应用在文学,包括支持向量机(28),神经网络(29日),而卷积神经网络(CNN) (9,30.,31日]。尽管deep-learning-based方法显示显著改善在LP识别中,这些方法的计算成本相对昂贵的比其他传统的机器学习方法。

2.4。阿拉伯语车牌系统

许多阿拉伯国家,包括伊拉克、沙特阿拉伯、突尼斯、使用LP识别,和几个实验来分析这个系统以不同的方式执行(32]。表1总结了这些实验的结果的识别、分割、识别成功率。

Selmi et al。31日]研究深度学习在突尼斯有限合伙人,由不同大小和文本特征,和研究进行了三个步骤:识别的LP使用递归神经网络(RCNN)、LP的分割和识别字母和数字使用组数据(命名为加州理工学院和面向应用的LP (AOLP))。由于大量的使用数据集,结果是97.5%正确识别字母和数字。Sakhawat et al。33),另一方面,使用了CNN的架构,分析,手写的数字进行了研究。提出了网络训练和被证明是成功的在手写字符的识别。

在奥马尔et al。9从伊拉克北部地区),数据被用来研究伊拉克有限合伙人使用CNN模型。首先,数据收集,然后对比增强了图像处理,其次是车牌的分割和国家地区和城市区域网络学会分类。结果非常成功地识别、分割、识别和92.10%,94.43%,和91.01%,分别。不同,Keesentini et al。8),另一方面,研究识别使用CNN的突尼斯有限合伙人,突尼斯的盘子很容易识别,因为他们只有一个类型,由英语数字和阿拉伯语术语(突尼斯)。尽管环境条件的存在,该方法稳定,正确辨识率为97.67%。

2.5。拉丁车牌系统

几个算法开发了近年来,很多研究已经进行检测和识别的基本方法的车辆。见表2,检测、分割和识别的一些最近的LP研究来自不同国家。

如何和Sahari [7)报道,马来西亚有限合伙人深卷积神经网络显示系统是非常有效的处理模糊图像。分析了深度学习孟加拉有限合伙人在多个场景和设置(34]。在图像分析中,算法运行良好。此外,基金经理人和奥卡河(35)进行机器学习研究揭露日本有限合伙人。这种方法集中在LP的形状和它提供的细节,虽然取得了积极成果,它在汽车的上下文中有一定的缺点。

3所示。方法

本节概述了在这项研究中,使用的过程包括预处理和后处理措施的细节LP的自动检测和识别数字。新计划利用伊拉克和马来西亚有限合伙人。

3.1。车牌数据集

伊拉克车辆LP是一盘用于识别伊拉克车辆。自动识别系统对于伊拉克的板块包括三个阶段:检测板,细分板块,终于认识到板数量。伊拉克期间车辆的板块包括解决的几个挑战这项研究因为伊拉克板包含许多模式和颜色,和板中使用的语言是阿拉伯语。此外,伊拉克板有大写和小写字母,阿拉伯语和拉丁字母,见表3。

马来西亚有限合伙人灵感来自1932年英国LP的概念。他们释放了机动车辆被英国控制。许多车辆常见的形状,像法律车辆和重型机械,分类表4。除了外交官和出租车的有限合伙人,所有板块在马来西亚有白色字符在一个黑色背景的正面和背面。字母、数字和板建造规模都非常好。

收集到的数据在伊拉克使用iPhone 8相机,拍摄和图像处理通过改变图像大小不等的大小处理。共有404张图片来自伊拉克的总车辆数据集。至于马来西亚板块,681图片由数码相机拍摄马来西亚Putra大学正门入口。

3.2。提出的方法

本研究提出了一种deep-learning-based自动化LP算法数字识别和认可。YOLOV2对象探测CNN用于识别阶段,然后广义识别阶段。本研究旨在比较的效率提出了LP检测/识别方法在处理板基于拉丁语和阿拉伯数字和字符。图3描述了LP检测/识别的过程。

图3概述了LP检测/识别协议对马来西亚和伊拉克板数量。处理阶段总结如下:(我)给出一个完整的捕获车辆图片LP, deep-learning-based的YOLOV2对象检测方法是用于检测板区域(2)观察到的板面积提取或裁剪和执行水平对齐(倾斜校正)促进车牌识别(3)对于伊拉克有限合伙人,单步detection-recognition YOLOV2是用来测量的性能检测阿拉伯语有限合伙人(iv)伊拉克和马来西亚有限合伙人都是用来比较的成功使用深度学习(即。,YOLOV2) model in identifying the numbers/characters correctly, compared to traditional machine learning methods (i.e., SVM and ANN)

3.2.1之上。车牌检测

这个过程的第一步是识别有限合伙人。收集到的LP马来西亚车辆图像的分辨率为1232像素(高)和2720像素(宽度),总板1.13 MB的大小。然而,伊拉克板有多种设计和背景在各种颜色。识别过程包括数据训练为了找到最好的模型和实现最好的结果。的YOLOV2 deep-learning-based模型用于这项工作,这是一个架构,使用卷积神经网络从图像学深表示。这个特性首次引入的科学家约瑟夫·雷蒙德和Farhai,桑托什Devvala [36],它有三个版本,YOLOV1 YOLOV2, YOLOV3。

监督学习的目的,我们手工注释(标签)伊拉克和马来西亚LP标签使用MATLAB图像贴标签机工具箱。因为这个阶段的目标是只识别板区域,YOLOV2对象检测装备为单个类(板),可以有不同的大小。multinorm板领域的问题解决在YOLOV2候选人板的搜索过程中使用不同的锚箱从一个给定的车辆照片。在探测点,七锚箱计算从整个伊拉克和马来西亚板数据集用于YOLOV2。

YOLO LP区域是一个监督的工具,用于检测意思不使用预处理或图像增强。YOLOV2使用单独的固定框搜索候选人LP地区每辆车的照片在LP检测过程。这些盒子被称为网络主播,他们按顺序处理一次。然后强化了CNN YOLOV2使用反向传播从LP地区提取有意义的特征图谱。YOLOV2属性可以概括如下:(1)它本身区别通过识别和监控几个对象的不同框架;(2)这是一个美国有线电视新闻网24层特征提取卷积和分类两个完全连接层;(3)GoogLeNet激发它,但它不同,它更加稳定和有更少的可训练的参数37]。图4描述了YOLOV2架构(38]。

使用的实现模型ResNet50 [39)作为骨干网络特征提取。检测子网是一个小的CNN与特征提取网络和由几个YOLOV2卷积的一层又一层特定。我们使用YOLOV2层的顶部pretrained ResNet50创建一个YOLOV2对象检测网络。YOLOV2层需要多次输入,参数化YOLOV2网络,也就是网络输入大小和锚盒子。LP检测应用程序在这篇文章中,我们构建了七个锚箱从开发数据集。

YOLOV2,卷积网格用于减少输入图像的维数,而其他卷积层是用来提取特征。每个网格框架分为和 。绑定广场然后搜索,所以每平方有不同程度的信任。这个盒子用信的输出(对象)。因此,每个框组成 ,和 ,(在哪里 )表示框的中心相对于相应的LP地区,而( )表示相对于整个图像的宽度和高度,和是这个地区的信心得分。

3.2.2。车牌分割

从一个给定的LP中提取数字图像的方法,假设这LP从车辆图像中提取图像处理的第一步,LP识别,被称为LP分割。使用YOLOV2此时段/提取马来西亚和伊拉克有限合伙人的数量。这是一个同时考虑嵌入机制。换句话说,YOLOV2可以执行数字分割以及数字识别在同一阶段。其他传统的机器学习技术,另一方面,使LP数字分段识别点前。在这方面,传统的机器学习方法在这项研究中,LP数据分段使用MATLAB图像贴标签机工具,然后用来评估这些分割的数字的识别或分类。在分割,LP图像作为起点的软件应该能够收集uni-character图像。在这个阶段获得的结果作为输入用于识别阶段并且有很出色的板识别的准确性。此外,市场细分是另一个关键的步骤,它自动LP识别。如果分区失败,识别的结果会不准确,和临时治疗所需的盘子是分割是准确的。 For segments (plate numbers) classification, we first calculate the number of classes in the data used; for example, the letter “A” represents class one, and the letter “B” represents class two, and so on for the rest of the classes. The segmentation process can be summarized as follows: Firstly, the previously processed LP detection (Section3.1)是由MATLAB图像贴标签机模块用于手工板数字注释/标签;其次,毕竟已经贴上标签图像,分割过程评估对整个数据集(包括训练和测试的子集)。

3.2.3。车牌识别使用支持向量机

面向的柱状图的梯度(猪)是其中一个最强大的特性用于从图像中提取的特征(40]。使用猪提供了更好的性能比其他手工特性(41]。猪也称为shape-based特性取决于方向图的严重程度和使用通过分割板数字部分3.2。在猪,图像分成小和固定组测量方向和梯度的像素。提取的特征用于机器学习来区分不同类型的板数。

有两种形式的猪描述符,R-HOG矩形质量,质量和C-HOG循环,如图5。R-HOG包含三个参数,每单元的像素数量,每个图的通道数,每个块的细胞数。R-HOG街区的一个最重要的优势是,他们计算在密集网络规模在一个没有任何方向对齐(42]。圆形C-HOG块获得的两个变量,变量包含中央细胞分裂的角度,和另一个包含中央细胞。这些块包含四个参数:扩展因数,角度的箱子的数量,对角箱子的数量,和中央的半径容器(43]。

在识别阶段,除了深度学习,使用两种方法,支持向量机和神经网络。主要的思想是使用多级分类的车牌提取猪的特性使用支持向量机和神经网络分类方法。支持向量机是统计学习系统,广泛用于字符识别。SVM系统已经被证明是成功的在许多类型的研究由于其优越性在广泛的应用,如图像分类和检索、运动检测车辆行驶期间,和认可的书面文本(44]。

3.2.4。使用神经网络的车牌识别

神经网络是一个著名的机器学习技术,可用于识别有限合伙人。神经网络的输入特征向量中,学习更健壮的表征的神经网络利用这些特性映射到所提供的标签。在这项研究中,神经网络模式识别(或网络)前馈网络是由一个隐藏层可用于监督分类任务分类根据目标类的输入向量。我们使用了MATLAB内置(即神经网络模型。,patternnet function) and tested different hyperparameter configurations. For multiclass LP number classification application, the output of the NN is a matrix in which each row has 35 elements (categorical classes), out of which only one element is 1 and others are 0, denoting the chosen class [0–9, A–H, J–N, P–Y]. Letters and numbers are to be recognized through images that have been segmented in the previous stage.

在数字和字母的识别步骤,从分段盘子是公认的。在MATLAB软件编写代码调用SVM分类器和神经网络分类器。5样品每个数字/字符被用于训练。LP数字识别的结果保存在文本文件:一个是支持向量机的结果,为神经网络,另一个是结果。计算LP识别率,分类结果与地面实况标签包含正确的名字板数字。

类似于马来西亚的盘子,伊拉克LP的识别是通过两个方法,即支持向量机和神经网络。支持向量机使用相同的功能,是申请马来西亚LP,猪,将图像划分为小和固定组。第二种方法是神经网络,它有200个神经元。

3.2.5。使用YOLOV2车牌识别

YOLOV2-ResNet50,在最初的设计中,接受的最小输入图像大小(224×224×3)。在训练阶段,分为输入图像 网格,每个网格中的单元负责预测边界框。选择前培训阶段,考虑到每个对象都有一个不同形状的锚盒子。的卷积层ResNet50 downsample 32倍的输入图像;因此输出特性映射将大小的224/32 = ( ]= [13×13]。例如,如果对象的数量从一个给定的图像被探测到= 10,YOLOV2模型的输出 。每个预测框有五个组件( ,信心],( )表示发现框中心的坐标点,( )宽度和高度,和信心得分是一个概率预测框包含一个对象。在测试阶段,YOLOV2模型使用各自的class-conditional区分概率预测的对象。识别阶段的最后一步认识到伊拉克和马来西亚的盘子。获得图像的最后阶段是紧随其后的是检测和分割。识别的字符的分割阶段结束时获得伊拉克和马来西亚的盘子。车牌识别系统应该阅读车辆图像,输出字符,并使用任何数据一旦类数确定。马来西亚车牌识别分割板变成一个字母和一个数字。至于伊拉克板块,它们包含几个样式,但只有将使用三种风格。通过图像标签功能,他们将划分为字母,数字和名字。尽管几种类型的板块,深度学习,这些模式很容易发现。

4所示。实验和结果

在本节中,神经网络的三种方法的结果,支持向量机,提出了DL。此外,我们进行性能比较和基准测试的机器学习和深度学习伊拉克和马来西亚LP方法进行性能评估使用分层5倍交叉验证分区受试者进入训练、验证和测试集。比较的是准确性,体积的数据,特征提取方法,三种方法的优缺点。使用电脑进行的实验是一个内置的GPU和16 GB的RAM内存。

对于每一个实验,我们实现了一个分层的5倍交叉验证的性能评估。LP识别性能的评估和比较了通过检出率(分类精度)misdetections的细节和计算时间。识别率是用来测量正确认识LP的总数的比例数字除以总的数据量。LP检测(板或数量)结果报道的数量的失败(未检测到LP)或错误的检测(LP错误检测到)。

4.1。使用YOLOV2车牌检测

在本部分中,给出一套完整的图像捕获车辆、自动板检测的结果。为了提取LP地区,两个独立的YOLOV2模型训练,一个用于伊拉克有限合伙人和其他马来西亚有限合伙人。每个模型然后评估在一个隐藏的测试集,数据分区表所示的细节5。

表6和7显示训练模型的有效性有限合伙人的检测。YOLOV2模型显示平均精度有限合伙人成功检测的90.23%和90.60%。跨不同的折叠方法显示了性能稳定,训练和测试数据集,在大约10%的测试集LP数据没有正确地检测到。检测的结果表明,伊拉克和马来西亚有限合伙人使用建议的端到端YOLOV2-based模型是可能的。

4.2。车牌分割

使用MATLAB图像贴标签机工具,在伊拉克发现了数据集(即30类。,Iraq, Baghdad, two, zero, six, eight, four, seven, Arbil, five, three, nine, R, Basra, private, one, A, F, fare, Dhi Qar, Maysan, Governmental, M, Sulaymaniyah, carry, W, B, Dhok, E, and N). On the other hand, Malaysian plates contain 35 classes (W, four, zero, nine, Y, B, G, U, three, six, eight, D, two, K, V, five, seven, P, N, L, M, S, C, one, A, Q, J, E, H, X, R, T, F, O, and Putrajaya). The labelled plate numbers were used for training the machine learning models for the task of plate number recognition, as detailed in the following subsections. Figure6说明了LP数量的训练曲线分割过程使用与减少损失和RMSE YOLOV2迭代。亚当YOLOV2-ResNet50被训练使用优化器,学习速率的0.001,100训练时期,一批尺寸16。

4.3。车牌识别使用支持向量机

使用猪的SVM训练特征提取分割板数量。随着一些有限合伙人不清楚,他们干扰其他车辆。数据7和8展示一些例子的LP数字不准确的识别,这可能是由于照片质量差,形象和相机之间的距离,overfit或模型。

如表所示8(培训-和testing-skewed列),图片在每一个褶皱的数量可能会有所不同从这些报道在表5因为YOLOV2无法正确检测一些车辆的LP地区图像。为支持向量机性能,马来西亚LP数字的识别率达到了91.92% 88.70%为训练集和测试集。至于伊拉克板块,如表所示9,识别率为87.22% 82.76%为训练集和测试集,虽然的最高识别率测试观察组在第二个折叠为92.73%。

4.4。使用神经网络的车牌识别系统

训练神经网络评价,我们测试了不同的功能,包括Levenberg-Marquardt (trainlms),贝叶斯正规化(trainbr),并按比例缩小的共轭梯度反向传播(trainscg)。隐层神经元的数量的选择从{100、150、200、250、300)。表现最好的组合hyperparameters LP识别被发现当使用trainscg反向传播与200个神经元。使用猪特性,神经网络训练认识到马来西亚和伊拉克LP数字。由于神经网络需要大量的数据来识别,获得的识别率低于SVM。数据9和10显示两种情况的LP数字不能被神经网络。

总结了神经网络识别的结果表10和11分别为马来西亚和伊拉克LP数字。神经网络显示平均识别率为88.58%,马来西亚有限合伙人为79.30%,伊拉克的盘子。类似于支持向量机,神经网络显示性能稳定马来西亚LP数字。然而,一个可怜的性能被认为在伊拉克盘子,反映学习强大的模式,从有限合伙人的复杂性与不同类型/颜色使用一组有限的样本。因此,支持向量机和神经网络显示很大的可变性在折叠时性能评估伊拉克有限合伙人。

4.5。使用YOLOV2车牌识别

YOLOV2-based模型训练认识到马来西亚和伊拉克有限合伙人。作为端到端深度学习方法,YOLOV2利用卷积的强大的结构层学习LP的健壮的等级表示图像根据给定的一组标记边界框。然而,由于一些图像的质量下降,YOLOV2-based模型可能无法识别某些LP数字。数据11和12显示一些示例使用YOLOV2 LP数字的正确和错误的识别。

YOLOV2-based模型结果如表所示12和13。马来西亚的识别率结果有限合伙人在隐藏的测试组达到88.86%,最大报道第二折91.87%的性能。至于伊拉克板,测试集的识别率为85.56%,最高92.86%的速度,我们可以看到在第五折叠(表13)。结果表明,YOLOV2-based模型具有稳定性能在两个数据集。很明显,有一个非常小的差异在两个数据集之间的识别率,尽管伊拉克板块是更具挑战性的颜色和形状的多样性。然而,YOLOV2-based模型消除了这样的问题,因为它适用于所有类型的数据。因此,YOLOV2远远超过前两个的结果支持向量机和神经网络的方法,特别是对于伊拉克有限合伙人。

4.6。比较

表14比较三种LP数字识别方法的性能方面的输入特性集,平均识别率都训练集和测试集,并计算时间。

神经网络方法准确率最低为伊拉克和马来西亚板块由于数据的可能性不平衡的标签和类的数量。同时,传统的机器学习方法的性能依赖于为一个特定的数量和类型的输入特性预测任务。相比之下,YOLOV2-ResNet50,作为一个毫无特色的方法,能自动学习的层次表示直接从输入图像解释了实现更高的性能。同时,性能很低在伊拉克板块由于伊拉克板块包含多个背景和多个模式。此外,缺乏足够的样本的一些字母,数字,和名称的准确性显著减少。一般来说,显示所有方法更好的性能在马来西亚相比,伊拉克有限合伙人。这是由于较大的数据量可用于马来西亚盘子,这只有一个模式。

支持向量机方法优于LP的数字识别的神经网络方法。然而,它比YOLOV2-based方法由于不太成功开发时会遇到的困难与几个伊拉克板块模式。此外,作为数据统计计数超过了功能,支持向量机方法的效率恶化。支持向量机算法的主要缺点是在分类结果,这有一些hyperparameters需要正确地调整对于任何给定的问题。

YOLOV2-based模型产生最高准确率相比其他方法由于其处理LP数据多样性的能力,无论它包含几个颜色或背景的几种模式。在这项研究中,主要的目标是创建一个模型,有限合伙人与多个工作模式。这是可能使用YOLOV2-based方法时,在那里,结果显示上面所讨论的,(1)YOLOV2实现关闭性能有限合伙人与阿拉伯语和拉丁字母,这是不可能与其他两种方法;(2)YOLOV2与大的和重复的数据;(3)功能工程YOLOV2更复杂的比其他两种方法,因为它几乎不需要手工特征作为输入;(4)YOLOV2自动学会段数字资讯,但支持向量机和神经网络不能分割;因此,手动分割用于支持向量机和神经网络。

5。结论

本文的目的是使用各种机器学习技术进行分类和识别马来西亚和伊拉克LP数字。三个不同的机器学习方法被用于这个原因(即。,SVM, NN, and YOLOV2), and their identification and recognition success rates for both training and testing were compared. Like any other recognition scheme, this work encountered numerous issues, such as vehicle images with illuminance effects and varying sizes. For SVM and NN methods, the LP identification rate is proportional to the rate of LP numbers segmentation. As a result, if segmentation fails, the LP numbers recognition fails as well. This work deployed a YOLOV2-based method that relies on a deep-learning model for end-to-end LP numbers recognition to overcome these problems. An extensive comparison between the proposed deep-learning-based model with the traditional method (i.e., SVM and NN) was carried out, which included studying Malaysian LPs containing black background plates written in the Latin alphabet and Iraqi LPs with three different styles written in Arabic. The proposed method showed superior LP recognition performance with rates of 88.86% and 85.56% for Malaysian and Iraqi datasets, respectively. To further improve the performance of the proposed method, the authors suggest more data should be obtained for Iraqi LPs.

数据可用性

图像数据用于支持本研究的发现是由各自的政府为了限制保护隐私的车主。数据可以从Ammar艾哈迈德Alkahtani ((电子邮件保护))研究人员满足访问机密数据的标准。

的利益冲突

作者宣称没有利益冲突。

确认

作者承认国家大学的出版iRMC的支持(UNITEN)通过J510050002-BOLDREFRESH2025-CENTRE卓越。