巴基斯坦发展ANPR框架使用对象检测和OCR车辆车牌号码

文摘

未来的都市要求一个有效的车牌自动识别(ANPR)系统。因为每个地区都有不同的车牌格式和风格,一个无约束ANPR系统仍然是不可用的。没有多少工作在巴基斯坦的车牌号码,因为数据的可用性和异构板构成。解决这个问题,我们收集了巴基斯坦的车辆数据集各种板配置和开发了一个新的ANPR框架使用数据集。拟议的框架定位车牌区域使用YOLO(你只看一次)意思对象检测模型,应用健壮的预处理技术提取车牌区域,并最终认识到板标签使用OCR(光学字符识别)超正方体。获得地图YOLOv3的得分是94.3%,YOLOv4 0.50阈值模型是99.5%,而平均准确度得分的框架是73%。进行比较和验证,我们实现了一个LeNet卷积神经网络(CNN)架构使用分割图像作为输入。比较分析表明,该ANPR框架组成YOLOv4和OCR超正方体具有良好的准确性和推理时间大照明变化和风格的巴基斯坦车牌号码,可以用来开发一个实时系统。提出ANPR框架将有助于研究人员开发ANPR国家拥有类似的具有挑战性的车辆车牌格式和风格。

1。介绍

车辆所有权与经济增长成比例地增加,使交通系统的管理和治理复杂。违反交通规则,超速行驶,汽车盗窃是常见的做法。车牌号码的检测和检索快速移动的车辆很难捕捉和惩罚罪魁祸首。停车位置导致的交通拥堵和不可用时间的问题,燃料消耗,和空气污染。直到今天,车辆车牌通常是手动指出,和人类记录中的错误是不可避免的。实际上,需要有一个自动、高效的设备检测,收集和管理汽车的信息。

在第四次工业革命的时代,智能交通系统(ITS)是必要的,共享信息,无需人工干预的能力是通过使用人工智能(AI)和物联网(物联网)。最重要的子系统,它是车牌自动识别(ANPR)。ANPR系统读取图像进行预处理,并认识到车辆车牌字符独立于人类的参与。它可以帮助识别潜在的风险,预防犯罪,提高可靠性,开发无障碍设施,并提供位置信息。全球自动车牌识别系统市场预计增加9.63%的比率从2017年到2025年(1]。

研究表明,现有ANPR方法并不可行,,很难找到一个有效的方法对不同地区由于独特的格式和风格的每个区域。几个参数,即车辆速度,照明,图像尺寸和分辨率影响识别的速度和准确性。考虑到巴基斯坦车辆车牌号码的情况下,盘子的另一个挑战是,没有标准的制定是在巴基斯坦。在巴基斯坦与其他地区的盘子,盘子都是双和单一的行和没有固定数量的字符。此外,巴基斯坦没有标准车辆车牌数据集可用。为了解决这些问题,我们收集的数据集异构板构成,即。,double or single row, varying font styles, namely, Charles’s wright, Barcelona, indigo, nonconforming background having stickers, and orientation, which is followed in various areas of Pakistan. We reviewed the existing methods applied in different parts of the world and implemented few methods on Pakistani number plates. Our analysis showed that the factors affecting the ANPR performance are ghastly plates, low illumination, plate orientation, diverse fonts and languages, and imperfect hardware vision. We developed a novel ANPR framework that works efficiently for various plate configurations and addresses the challenges to a large extent. It has been examined on several images with low resolution (416 × 416). The performance of our proposed OCR method is discussed and further compared with existing methods to help develop an efficient ANPR for Pakistani number plates.

剩下的论文结构如下。以前应用的详细审查技术提出了部分2,而在部分3讨论了ANPR拟议的框架。节4,该方法使用OCR识别是实现超正方体。节5,结果和比较研究的表格形式提出的方法进行了讨论。最后,部分6总结了论文,提出了未来的工作。

2。回顾以前的工作

最近,车牌自动识别(ANPR)已经变成了一个主要的安全机制和交通管理部门从拥堵监督车辆停车导致监测数据维护的原因。ANPR提供了一个简单的描述车辆和导游车辆跟踪和行为分析。大范围的车牌号码,不同的颜色,形态,大小,和模式,是LPR的主要挑战之一。这些挑战包括恶劣天气、糟糕的照明,和相机的分辨率有限,影响图像清晰度实时摄像头捕捉。ANPR领域,详细审查/以前现有系统的比较,他们的表现,他们的自卑,他们限制将在下面讨论。

在1998年,基于pc的车牌识别系统是常见的。c . Coetzee提出了系统[2)使用Niblack阈值算法在数字图像灰度车,超越所有的二值化方法中使用类似的系统。车牌号码的位置和大小都检测到一个高效的基于规则的算法。字符的分割是由blob-coloring和转移到神经网络的光学字符识别(OCR)方法作为一个15 / spl倍/ 15-pixel位图。拟议的功能还原法减少输入特性从255年到50。六个字符识别使用六个小型网络并行运行。执行系统的准确性达86.1%以下单和双线板块变量亮度和注释。

随着时间的流逝,许多改进ANPR系统开发来识别车辆牌照,但识别仍然是一个挑战,由于不同地区的不同板块的形成。工作(3)关注尼泊尔车辆车牌号码注意汽车的性能基于模板匹配的车牌识别系统。数码相机捕获的图像处理获取车牌信息。不同的算法适用于板检测,包括形态学操作,边缘检测,平滑和滤波。使用模板匹配字符识别的种族隔离的标准化的相互关系和相关联,而结果是分化成70×70块和对应的库模板。为了一致性,字符分开。九十模式薮猫条件下评估使用以下方法。薮猫图像上应用程序之后,该研究展品与精度大于互相关相关联。归一化互相关和相位相关的准确性是67.98%和63.46%,分别。

实时识别车牌号码使用覆盆子π也被认为是作为检测和分类的字符中另外利用监测、交通拥挤,和访问控制的应用程序。常见的门禁系统,受到图像处理使用MATLAB作为独家工具。车辆识别系统复杂的特性,替代和更多的自动车牌识别系统的方法是打开计算机视觉(OpenCV)。使用OpenCV OCR方法(4]。MATLAB和OpenCV之间的重大偏差是一个过程的模式:在线和离线。在线过程,MATLAB不能完成,同时为实时OpenCV是理想的。另一个更快的方式使用机器语言python和开放视野图书馆提供。

所有以前的门禁系统在约束下工作像额来看,标准字体,和良好的照明,但小说引入卷积神经网络(CNN)是有效的扭曲与迷失方向描绘5]。YOLOv2作为黑盒汽车检测的精度为76.8%。建议扭曲规划师对象检测网络(WPOD-NET)探讨了车牌(NP),调整大小以保持NP识别,并创建矩形边框。CNN架构包括卷积21层里面有14个残块,3×3 ReLU激活,和4 max-pooling层大小的2×2。带注释的NPs是通过100 k迭代和批量大小32岁,学习培训率设置为0.001。OCR是用于字符分割和识别的准确性高达75%。没经验的方法最适合斜图像但更多的仿射变换还没有探索。

在[6艾西瓦娅考虑车辆)与低分辨率图像的自动检测和识别NP使用支持向量机(SVM)。150年的模型评估在特定情况下车牌号。图像处理成灰度、关键和过滤去除噪声。屏蔽技术协助提取所需的输入图像。最后,识别是通过区分明确的数字和字符。2010年MATLAB系统部署和合成。识别的准确性为92.0%。错误的结果是由于重叠,模糊,俚语车辆或变量的风格和字体盘子。

该系统在7]最初获取车牌的形象,预处理,扫描每一个角色在车牌分别为他们绝对的识别。OCR的使用是最重要的阶段;,板上的文字描述转换为文本格式的解码。指定的纸封装整体计算和组织流ANPR及其有效的应用程序。下面的方法建立了一个精确的85%到75印度车牌后ANPR系统模板匹配的概念。

研究人员提出了四种算法的OCR阶段实时高清晰度(HD)门禁模型,在8]。高清图像是首选的标准定义提出了复杂(SD)作为识别的精度提高。高清图像需要更多的计算时间反击的异构系统上执行系统芯片(SoC)和现场可编程门阵列(FPGA)。输入高清图像进行调整和形态学操作。与几个有前途的解决方案,自动车牌识别(ANPR)是一个相当好地开发的问题。然而,由于不同的世界各地的车牌号码的特点,这些解决方案通常是调整到一个特定的区域。这样的特点是基于车牌识别算法编写的,但它不可能实现通用解决方案由于图像处理方法用于开发这些算法不能自己拥有百分之一百的准确率。安德鲁等提出的一种算法。9)优化与加纳车辆车牌号码是本文的主题。算法,用OpenCV图书馆在c++中,使用边缘检测和特征检测技术定位板与数学形态学相结合。承认,他们使用OCR超正方体。

Fakhar等人提出了一个负担得起的移动ANPR系统使用覆盆子π(10]。该模型利用实时图像从相机。捕获的图像不饱、过滤、分段和板的字符识别。所有计算复杂性是覆盆子π,处理和明显观察到3秒钟延迟实现液晶上的最终输出。合成标签也存储在数据库中。

在[11),一盘采用深度学习的目的是识别框架。图像数据集由6500名印度车牌号分为10%和90的训练和测试,分别。捕获的图像具有不同的特性,因为这些从3相机有不同的规格,如比特率和焦距。对于字符识别37-class CNN模型是训练有素的。模型包括126个过滤器。YOLO v3意思是用于汽车板块的探测和识别。板的准确性达到100%和91%的检测和相应的车牌识别。

此外,在[12),嵌入式系统基于机器学习资讯的车牌号码后Polri法规。获得模型精确使用资讯进行字符识别是84%。摄像头的图像分辨率为640×480像素。他们进行裁剪,灰色的缩放、反演阈值,边缘检测和形态学操作在轮廓分割。品质改进增加了识别车牌模型的准确性为98%。

公司等人在13]探索变体处理嘈杂的车牌图像分割技术。几百马来西亚汽车板传递到1932×2576像素的阈值技术,即Savoula Niblack方法删除不想要的像素。在这方面,Savoula分割给平均精度为83.17%,妥协识别的准确性。字符的分类是通过模板匹配技术。

在[14),快速和更精确的车辆铭牌识别系统提出了基于光学字符识别(OCR)引擎“超正方体”。原始图像进行采样和量化。感兴趣的区域(ROI)是通过一个二进制的面具。输入板图像经过灰度,全球形象大津阈值的方法,和噪声去除。处理过的图像是传递给OCR,字符分割。分段决策是一个字符串存储在一个文本文件。模型的总体精度位于100%至90之间。

在[15使用ANPR主意),聪明的签入和签出叙述尽量减少等待时间和记录车辆条目。从闭路电视摄像头捕获图像,所以ANPR立即通过图像处理和识别车牌车辆登记和安全信息存储在一个数据库访问它的电子通过一个web应用程序。保护和批准人员可能监控车辆的进展与主人通过这个设备的细节。建议的解决方案将减少入住时间而带来额外的优势而言,停车和交通监控。

艺术图像处理技术来处理状态噪声和劣印度车牌号码,(16],正如前面提出的模型,表现良好受控条件下如明文,精美的插图,和完美的角度。劣质的图像进行形态学操作和高斯整流作为预处理。板检测是通过应用轮廓字符制图和比例制定。然后,提取的区域感兴趣的是过滤和抗扭斜传给资讯模型特征识别。下面的工作给一个96.22%的准确性。

Virakwan和努伊Din (17POLIMAS]建议车辆车牌自动识别系统来验证只允许汽车踏上校园。一个摄像头安装考虑四个方向:正面,背面,上面,前面和后方。抓住图像转化为灰度;然后直方图均衡化方法有助于调整强度和对比。两个组合精明的拉普拉斯算子边缘检测器和索贝尔边缘和拉普拉斯算子边缘检测器。最好的人会考虑过程。成功板歧视,边界框法用于识别和裁剪字符。每个字符比较的OCR使用特征向量和相关性。积累的结果在弦配置和分化与保留数据库中的条目。屏障打开如果板匹配数据库; else, entrance is opposed.

2020年的一项研究发表的Shivani et al。18]评论ANPR系统车辆应用程序部署到轨道交通堵塞,智能停车复杂,高速费收集和保护司机,等等。许多命题是用于构建机械化汽车板块,即基于云计算的,基于人工神经网络(NN)的,形态为基础,综合为基础,基于模板匹配的,等等。一项研究显示,97.7%的精密光学字符识别,神经网络,支持向量机(SVM),和分层时间记忆(HTM)应用。机器学习的另一个研究表明,直方图的方法(ML)未能检测到车辆车牌号码在不同的照明。进一步,遗传神经网络和反向传播神经网络能够分割和识别变量。OCR ANPR狮子的份额在评估技术,但更连贯的系统仍呈现。

agrawal (19描绘一个认知车牌识别系统集中在机器学习(毫升)和数据可视化技术。加载图像通过最低过滤和改为灰度子图象的局部车牌。进一步的字符限制使用毫升方法和解析的字符识别。20个图像共有36个字符转换为一维数组。这些数组被认为是功能模型的训练。训练模型识别分割字符,通过模板匹配。结果展现给用户并保存在数据库中。K意味着执行数据集上的聚类车牌号码考虑汽车品牌,即日产、福特、本田等。板定位精度是97.2%,而73.4%的字符识别。该模型的平均精度,有效地解决不利条件下为88.38%。

尽管有很多车辆识别系统在欧洲,美国,中国,韩国,印度,新加坡,和其他几个发达国家,因此没有这样ANPR系统巴基斯坦车牌号码。然而,很少用于巴基斯坦车牌号码识别工作,由于各种非标准车牌号码。试图开发一个有用和高效的多脚本巴基斯坦车牌ANPR系统中完成(20.]。方法不同的特征匹配接受巴基斯坦板条件。介绍的方法是测试50图像和改善的幅度进一步实现在实时环境中。理性方法特别是对巴基斯坦车牌号码识别的目的是(21]。数据集由900张图片收集了来自6个不同地区的巴基斯坦。80%的标准和20%的非标准车牌号码后的一些约束距离,亮度和像素。捕获的图像是灰度变形,对于噪声去除,通过高斯滤波器。作为接近板定位精明的边缘检测器和轮廓。随后,每个不同的角色是分散到不同的图像。资讯技术用于识别的字符。的平均水平是93%。

表1描述了总结ANPR前面提出的比较研究方法。在分析该方法的性能指标,我们推测,他们的定位车牌号码的技术不会产生最好的结果。性能率列定义了现有方法的性能率的准确性和精度平均分数。之后,讨论和评论列显示了一些要点,讨论了先前提出的论文和影响他们的性能。

3所示。提出ANPR框架

回顾之前的论文后,我们观察到每个人都遵循典型的ANPR框架(22- - - - - -24),他们通常使用字符分割或模板匹配平均的结果。

在英国,一个警察站的主要发明的自动车牌识别系统(25]。此外,许多硬件和软件相关ANPRs使用进化开发新技术,以提高精确度。但不幸的是,相应的交通问题,足够的精度没有达到4]。汽车板定位和识别成为一个大胆的任务(26]。一个ANPR [27是一个框架,扫描车辆车牌上的字母和数字。

我们提出了一个新的ANPR框架如图1在更短的计算时间,使更好的结果。五个阶段组成我们ANPR框架如下:车牌图像捕获、板提取、图像预处理、字符识别、车牌标签管理。

3.1。图像采集

图像采集是任何视觉系统的基本阶段。第二阶段,称为图像采集,是将光学图像(实际功能)转换成一个数值为未来的操纵数据数组。巴基斯坦汽车图像被认为是进一步的预处理。我们使用低分辨率图像的巴基斯坦车牌号码在照明方面,各种格式取向、亮度等。

3.2。车牌定位

可以检测出车牌车辆的任何地方。健壮的图像设计了板检测。ANPR执行约束下亮度,板的角度,讨论和解决可以使用基本的图像处理技术(23,28- - - - - -30.]。轮廓形状是一个方法用于扫描和实体定位和识别,但不会在所有情况下给我们准确的结果;例如,图像是倾斜的。车牌号码的识别深层神经网络YOLO(你只看一次)意思建议模型。分析性能提出ANPR YOLO家庭意思的方法,我们已经训练YOLOv3 YOLOv4定位车牌区域。

3.3。图像预处理

图像预处理(31日是代替功能进行抽象的图像。的目标是增强图像信息,制服不良变形或放大特性进行进一步的过程。图像预处理的方法参与论文包括灰色缩放、二值化、阈值,和直方图均衡化,等等。在这个阶段,这些图片是获得通过算法进一步训练和预测。

3.4。字符识别和识别

在识别阶段,识别的字符图像的使用不同的方法。字符识别背后一种常用技术是人工神经网络(ANN)。安自神经网络被认为是一个脚本包含连接人工神经元和数学定义使用前馈反向传播(BP)。在[25),提出了BP神经网络的方法。最重要的神经网络的字符识别是卷积神经网络(CNN)中使用的部分4作为一个前ANPR系统的实现方法。我们建议ANPR方法识别涉及OCR超正方体,即省时间的方法。

3.5。车牌标签管理

在这个阶段,车牌的标签都存储在一个文件记录。我们重建了公认的字符串和字符板标签存储在excel文件进一步利用得分。

4所示。ANPR方法的实现

根据above-proposed ANPR框架中,我们实现了两个管道具有不同的识别技术;第一个包括深度学习方法(CNN)和第二个是OCR超正方体。使用这些方法应用于不同阶段从板的图像车牌定位识别的字符。

4.1。数据采集

由于商业化和隐私问题,没有公开的数据集的巴基斯坦车牌号码。因此,我们准备我们的实时数据集通过捕获1000车辆在各种格式的图像的车牌号码的大小、字体、板的颜色,和巴基斯坦的方向在不同地区;参见图2描述了一些我们的车辆数据集的例子。从两个不同的相机。,900年images were captured by the Samsung J series cell phone, and 100 images were captured by Oppo mobile phone. All images were taken from different angles considering environmental conditions like illumination, dust, and fog, etc. The vehicle number plates are comprised of a subset of 36 characters set in which 26 characters are alphabets and 10 are numbers. We resized all high-resolution images into low-resolution fixed-size (416 × 416) images using an online web service given by Roboflow [32]。这有助于使数据集现实从闭路电视摄像头主要是接收到的图像分辨率较低。进一步,减少帧大小减少推理时间随着YOLO网络运行更快的意思小型图像。培训Darknet对象检测模型中,不使用任何增强技术,我们将数据集分为900训练图像或100验证图像。此外,模型的性能一直在检查200张图片的大小1000图像。

4.2。车牌定位在巴基斯坦使用对象检测车辆的数据集

灵感喜欢YOLO(你只看一次)[意思33)模型可以发现从车牌定位的文献综述中使用YOLO模型展览意思更精确。YOLO是一个快速和有效的实时意思开源系统训练对象检测。本地化对象、基本工作的YOLO模型应用到一个图像在多个意思规模和位置,将一些分数在多个区域,然后选择只有优先高得分的区域作为一个检测区域。我们使用两个版本的YOLO家庭意思;第一个是YOLOv3 YOLOv4第二。

表2描述了培训的参数我们设置YOLOv3和YOLOv4模型在图像。两种模型的学习速率是0.001。所有的参数都是一样的对于YOLO家庭意思除了最大的批次,因为它取决于类的数量。

数据3和4描述的平均损失和地图分数YOLOv3 YOLOv4。虚线显示平均损失率在所有迭代和批次。虽然训练,图中显示了平均损失2.0使模式下有效。实线显示了平均得分平均精度。我们取得了94.3%的地图使用YOLOv3和99.5%的地图使用YOLOv4 0.5阈值。最好的得分是通过地图YOLO v4意思。本地化使用两个版本的结果讨论部分5。

4.3。ANPR方法使用有线电视新闻网

CNN是一种深刻的学习算法,是一种特殊的多层感知器使用梯度下降反向传播学习算法。这是被证明是最好的神经网络识别和预测。比较以前的方法的性能标准,我们也训练通过TensorFlow和Keras CNN-based模型。TensorFlow和Keras python库,主要是用于训练模型基于大型数据集。我们正在使用的数据集进行训练的目的是收集来自36个字符类验证864训练图像和216的图像。我们收集的字符图像的集合,然后进行旋转和亮度技术。我们正在使用的数据集的测试目的是收集YOLO车牌检测意思模型训练后,所有图像分辨率是416×416。我们训练有素的6层的顺序CNN模型。CNN模型的修改LeNet架构讨论如下。模型包括一个卷积与32层过滤器,内核大小(5,5),和ReLU(修正线性单元)激活函数用额外的一层最大池,池大小(2,2)。为了避免过度拟合,退出0.4利用下降40%的神经元,而平节点,平层添加的信息。 Then, a dense layer with 128 outputs and ReLU activation function is added. And the last layer comprises a dense layer with 36 outputs and Softmax (probabilistic final decision) activation function. The 36 neurons are for the total number of outputs as 26 alphabets and 10 numbers. The learning rate we used for training is 0.001 with 50 epochs, categorical_crossentropy loss function, and Adam optimization function. The CNN model is making predictions with 97.89% accuracy, but after reconstructing the number plate label, the accuracy decreases.

图5说明了CNN的整体管道模型,而图6描绘了CNN的结果方法系列。首先,裁剪车牌的分割是使用CNN模型完成的。CNN生成一个字符串的识别字符命令之前保存记录。CNN的原因不考虑进一步的处理主要是与时间相关的资源。

4.4。提出了使用OCR ANPR方法

字符识别处理的roi是使用超正方体。超正方体是一个开源API使用的光学字符识别引擎能够识别和认识超过100种语言。我们使用pytesseract (Python-Tesseract)作为一个开源的python模块,认识到读课文。这是谷歌的一个包装器Tesseract OCR引擎可以阅读所有图像类型和返回确认文本而不是写一个文件。Pytesseract很容易作为我们只是超正方体OCR引擎安装到我们的系统,然后安装这个库和使用它。使用这个库页面分割和OCR引擎模式。OCR运行在一个小地区的图像有不同的取向,所使用的页面分割模式。它有13个引擎。OCR引擎模式2 OCR引擎用于LSTM和遗留的引擎。

OCR给精确的结果正如我们所知,当一个标准的图像(完美的分辨率和白色背景和黑色字符)。我们已经采取预处理措施,因为它提供了一个优秀的光学字符识别阶段的输入选项。图7描绘了拟议的OCR Tesseract-based ANPR管道下面的步骤应用于每一帧的详细描述。首先,我们所做的灰色提取的图像缩放到一个更好的结果。它删除所有颜色信息使每个像素的亮度。选择双边滤波平滑图像的去噪技术。这减少了冗余,同时保留边缘通过一个非线性的相邻像素值分组。调整强度改善全球对比使用直方图均衡化的图像。它也提高了每个对象的边缘地区的形象。照明的条件各不相同,在板的阈值是很重要的。二值化过程用于灰度图像转换成黑白像素(0位为白色黑色和1位)。的像素值小于一个阈值转换为0,和上面的阈值图像转换为1。 We used morphology to exclude small objects from the image. The opening function of morphology not only excludes the small objects from the image but also retains the shape and scale of the larger object in the image. The performance of the OCR engine is further enhanced by sharpening. This increases the visibility level of characters and makes it readable for the OCR engine. The results of our proposed ANPR framework are also discussed in Section5。

5。结果与讨论

在本节中,提出了框架的结果了。通过试验验证和验证我们提出的框架在一个真实的数据集和比较它和前面提出的方法使用相同的精度指标。

5.1。结果,提出管道单一或双排车辆车牌号码

原始图像是传递到YOLO模型意思板检测。YOLO Darknet意思神经网络框架是在单个神经网络应用于图像,将图像划分为该地区,并预测边界框和每个地区的得分概率。最高的概率被选中作为对象检测区域。它可以很容易地定位每一种牌照的车辆,包括汽车、公交车、卡车和自行车。

定位车牌区域,我们已经训练YOLOv3 YOLOv4。观察他们的地图得分后,我们更喜欢YOLOv4地图,因为它给了我们最好的分数。图8描绘的定位结果YOLOv3双排车号牌。图9代表了OCR-based ANPR管道使用YOLO v3意思。

图10和图11展览的定位结果YOLOv4 Darknet模型单列和双列车牌号码,分别通过创建边界。汽车板块出现根据大纲。提取裁剪图像是通过使用边界框的坐标。

传递给链的局部裁剪图像预处理技术如灰色缩放、噪声去除、形态、和二值化在继续之前的OCR引擎最佳识别汽车板标签图12。

表3总结了实现管道的性能包括CNN和OCR超正方体。比较均匀,我们使用相同的测量指标的性能OCR超正方体和CNN模型。我们已经计算了平均分数使用fuzzywuzzy python库,每个预测与实际字符串,并生成一个字符串比较分数的基础上正确的字符串字符出现。的评价方法中,我们使用一个64位系统Core i5处理器3.00×6兆赫处理速度。在分析管道在CPU计算时间,我们提出的方法能够很好地减少计算时间0.8秒/形象。我们喜欢YOLOv4定位是有效和有更多比YOLOv3精确率。

5.2。比较分析与先前的论文

尽管事实上有很多汽车车牌识别系统为欧洲,美国,中国,土耳其,韩国,印度,新加坡,马来西亚,和许多其他发达国家,巴基斯坦车牌识别、小工作现在和它仍然需要更多的考虑是由于非标准车牌号码的多样性。提出了研究工作的目标是巴基斯坦车牌号码的识别和可视化使用OCR超正方体库。我们比较我们与现有ANPR ANPR框架方法涉及资讯的方法提出了巴基斯坦车牌号码(21]。

在图13,我们推断采用的预处理方法21)在我们的图片,他们的管道不认识人物由于贫穷的本地化。进一步,预处理技术只适用于汽车车辆类型。

在视图的表4,当我们应用他们的(21]ANPR框架在我们的数据集,每个图像处理计算时间约44秒,平均分数9%使用fuzzywuzzy库。它没有认识到板的角色,由于贫穷本地化由边缘检测。此外,在应用我们ANPR方法在给定的数据集(1140×641)的决议,我们取得了更好的结果以71%的平均得分在更少的计算时间定位精度提高了YOLOv4的使用。

从比较分析表5,我们可以很容易的发现,提出ANPR系统实现最好的结果。前面ANPR系统使用不同的技术,即边缘检测、直方图均衡化和CCA本地化,不是一个有效的方式来处理所有类型的车辆车牌。预处理技术没有很好地工作在双排车牌号码由于贫穷的定位方法。我们采用YOLO-based ANPR框架执行快速和更有效地检测等具有挑战性的盘子。他们用不同的指标来评估他们的表现率;因此,我们使用该方法的平均分数指标运用fuzzywuzzy python库。

因此,考虑框架与现有方法的比较研究,我们认为,通过使用我们的提议对巴基斯坦管道数据集,一个更好的结果也是可以实现的。我们提出管道策略是普遍存在的,并且适用于所有类型的巴基斯坦车辆数据集,如汽车、自行车、公交车有双和/或单列车牌号码。

6。结论

提出一种新颖的ANPR框架使用OCR超正方体解决巨大的异质性和各式各样的车牌类型在巴基斯坦的省份。拟议的OCR管道收集的低分辨率图像,考虑到测试环境光照的变化和图像定位。获得的地图分板提取使用YOLOv3 0.50阈值是94.3%,YOLOv4是99.5%。健壮的预处理技术应用于局部板图像,最后,处理过的图像是传递给OCR识别超正方体板数量。我们介绍了管道与YOLOv4模型需要一个0.80秒的平均计算时间/形象和给精度平均分数为73%的认可。我们也处理数据集使用先前提议APNR框架基于资讯和平均分数为9%由于穷人板定位技术。此外,我们发现LeNet CNN架构提供了97.89%的准确率字符识别在我们的数据集,但平均分数为67.76%完成识别。此外,我们尝试了一个可用的制约高分辨率数据集提出框架和获得71%的准确性。对比我们的方法和现有的ANPR方法表明,我们建议的框架使用YOLOv4,预处理步骤,OCR超正方体适用。它可以得出结论,我们所知,这是第一健壮的和低复杂性ANPR框架为巴基斯坦车牌号码,给予合理的精度不受约束的盘子。 Finally, this paper can be useful for researchers to develop an ANPR framework for the countries having similar challenging vehicle number plate formats and styles. A promising direction for future research is to test our proposed framework on real-time scenarios that can be installed commercially and improving the pipeline to counter unconstrained scenarios like the distance between camera and vehicle.

数据可用性

的数据支持本研究的发现可以从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作的部分支持由国立大学计算机和新兴科学,Chiniot校园巴基斯坦。研究工作是由一个内部国立大学计算机和新兴科学(缩影)大学教师科研补助金。

引用

1. 全球车牌自动识别系统(ANPR)市场规模,2021年https://www.bccresearch.com/partners/verified-market-research/global-automatic-number-plate-recognition-anpr-system-market.html/。
2. c . Coetzee c·博塔d·韦伯,“PC车牌识别系统为基础,”《IEEE国际研讨会工业电子ISIE 98(猫。98号th8357),卷2,页605 - 610,Pertoria,南非,1998年7月。视图:谷歌学术搜索
3. g·沙玛,”汽车车牌识别系统性能分析使用模板匹配技术,”信息技术与软件工程》杂志上,8卷,2018年。视图:出版商的网站|谷歌学术搜索
4. n . Abirami”准确的车辆车牌识别和实时识别使用覆盆子π,”国际研究IRJET工程和技术杂志》上,5卷,不。4,p。2018。视图:谷歌学术搜索
5. s·m·席尔瓦和c·r·荣格“车牌检测与识别在无约束情况下,”《欧洲计算机视觉(2018年大会),页580 - 596,德国慕尼黑,2018年9月。视图:谷歌学术搜索
6. b . Aishwarya”,自动检测和识别车辆号牌号码使用支持向量机,”国际先进的研究和发展》杂志上,5卷,不。6、2018。视图:谷歌学术搜索
7. a·卡什苏雷什,a·帕蒂尔s沙玛和a·贾斯瓦尔“车牌自动识别,”《2018年国际会议上计算的发展,通信控制和网络(ICACCCN)大诺伊达,页838 - 843年,印度,2018年10月。视图:出版商的网站|谷歌学术搜索
8. 高人气,o . Hommos a Al-Zawqari et al .,“光学字符识别在异构SoC高清车牌自动识别系统中,“EURASIP杂志在图像和视频处理,卷2018,不。1,58页,2018年。视图:出版商的网站|谷歌学术搜索
9. a . Agbemenu j .妍吉和e·o·“自动车牌识别系统使用OpenCV和超正方体OCR引擎,”国际期刊《计算机和应用程序卷,180年,页1 - 5,2018。视图:谷歌学术搜索
10. a·g·s . Fakhar m . s .哈米德,a . f . Kadmin和r .,”开发的便携式自动车牌识别系统(ANPR)覆盆子π,”国际电气和计算机工程IJECE杂志》上,9卷,p。1805年,2019年。视图:谷歌学术搜索
11. r . n .先生诉Sowmya, k . p .索曼”印度汽车车牌识别使用深度学习,”仪表和控制技术(ICICICT)1卷,第1272 - 1269页,2019年。视图:出版商的网站|谷歌学术搜索
12. 美国Sugeng和e . y . Syamsuddin”车牌自动识别(ANPR)系统设计基于机器学习的事例的覆盆子π嵌入式系统,”JTEV j . Tek。电镀”丹Vokasional5卷,1页,2019。视图:谷歌学术搜索
13. f·n·m·公司a . s . a .纳西尔·h·扎阿,和a . Zulkifli”Sauvola和Niblack技术分析车辆车牌的分割,“IOP会议系列:材料科学与工程文章ID 012136卷,864年,2020年。视图:出版商的网站|谷歌学术搜索
14. 诉Nayak“车牌自动识别”,国际期刊《先进的计算机科学和工程的趋势,9卷,不。3、3783 - 3787年,2020页。视图:出版商的网站|谷歌学术搜索
15. 丹增,p . Dorji b Subba, t . Tobgay“智能入住退房系统使用车牌自动识别车辆,”学报2020年11日国际会议上计算、通信和网络技术(ICCCNT),页1 - 6,Kharagpur,印度,2020年7月。视图:出版商的网站|谷歌学术搜索
16. r·k·Varma s Ganta和p, Svsrk”小说的印度车辆登记车牌检测与识别方法使用图像处理技术,”Procedia计算机科学卷,167年,第2633 - 2623页,2020年。视图:出版商的网站|谷歌学术搜索
17. n . d . Keraf p . Ehkan v . h . Kelian n·m·努尔h . Darus大肠死胡同,”自动车辆识别系统在POLIMAS使用车牌识别,”IOP会议系列:材料科学与工程文章ID 012056卷,767年,2020年。视图:出版商的网站|谷歌学术搜索
18. 美国邦萨尔,m·古普塔和A . k . Tyagi“必要回顾光学字符识别(OCR)系统对于车辆应用程序,”学报2020年的第二次国际会议上的研究计算应用程序(ICIRCA)皮斯卡塔韦,页918 - 922年,新泽西,美国,2020年7月。视图:出版商的网站|谷歌学术搜索
19. r . Agrawal m . Agarwal, r . Krishnamurthi”认知车牌识别使用机器学习和数据可视化技术,”学报2020年第六届国际会议在信号处理和通信(ICSC)诺伊达,页101 - 107年,印度,2020年3月。视图:出版商的网站|谷歌学术搜索
20. s . a .海德尔和k .得以“可实现的系统检测和识别的车牌在巴基斯坦,”学报2017年国际会议上创新电气工程和计算机技术(ICIEECT),页1 - 5,卡拉奇,巴基斯坦,2017年4月。视图:谷歌学术搜索
21. s Rehman, m·艾哈迈德·a·纳瓦兹·t·阿里,”一个高效的汽车车牌识别方法在巴基斯坦,“开放的人工智能杂志》第六卷,没有。1,2020。视图:出版商的网站|谷歌学术搜索
22. s .杜·m·易卜拉欣·m·谢哈塔,w . Badawy”自动车牌识别(门禁):最先进的审查,”IEEE电路和系统视频技术,23卷,不。2、311 - 325年,2013页。视图:出版商的网站|谷歌学术搜索
23. 美国阿扎姆和m . m .伊斯兰教,“自动车牌检测在危险情况下,”杂志的视觉传达和图像表示36卷,第186 - 172页,2016年。视图:出版商的网站|谷歌学术搜索
24. y y元,w .邹,赵,x, x,和n . Komodakis”一个健壮的车牌检测和高效的方法,”IEEE图像处理,26卷,不。3、1102 - 1114年,2017页。视图:出版商的网站|谷歌学术搜索
25. k . Sonavane b .索尼和美国Majhi,“调查车牌自动识别(ANR),“国际期刊的计算机应用程序,卷125,不。6日1 - 4,2015页。视图:出版商的网站|谷歌学术搜索
26. s . n .几k . Kumar口,d .小湖和s·米塔尔,“从视频流实时车牌识别使用深度学习,”国际信息检索研究杂志》上,2019年。视图:出版商的网站|谷歌学术搜索
27. r . Jogekar a . Dhoble s Kakde p . Taklikar和d . Larokar”自动车牌识别系统通过智能手机使用图像处理,“04卷,没有。3,2017。视图:谷歌学术搜索
28. n萨利姆,h . Muazzam h . m . Tahir和Farooq,“使用提取车牌自动识别功能,”《2016年第四届国际研讨会上计算和商业智能(ISCBI)Olten,页221 - 225年,瑞士,2016年9月。视图:出版商的网站|谷歌学术搜索
29. t·比约克隆德a . Fiandrotti m . Annarumma g . Francini和e . Magli”自动车牌识别与合成卷积神经网络训练数据,”学报2017年IEEE 19国际研讨会上多媒体信号处理(MMSP),页1 - 6,伦敦,英国,2017年10月。视图:出版商的网站|谷歌学术搜索
30. j·a·汗·m·a·沙a·瓦希德·m·h·汗和m . b . Shahid”增强汽车车牌识别系统(ECNPR)在预处理步骤,提高效率”诉讼的2017通信技术国际会议(科)拉瓦尔品第,页156 - 161年,巴基斯坦,2017年4月。视图:出版商的网站|谷歌学术搜索
31. k .佐藤“图像处理设备和方法,US10755444B2,2020年。视图:谷歌学术搜索
32. “Roboflow:所有你需要开始构建计算机视觉为您的应用程序,“https://roboflow.ai。视图:谷歌学术搜索
33. “YOLO:意思实时目标检测,https://pjreddie.com/darknet/yolo/。视图:谷歌学术搜索

版权

版权©2021萨尔玛et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。