阵列10（2021）100063基于多行车牌图像处理的离散字符和连通字符顺序排序算法阿布贾尔湾Minhuz Uddin Ahmeda，MD.Anwar Uddinb，*，Md.Asadur Rahmanca孟加拉国Gazipur伊斯兰理工大学土木和环境工程系b孟加拉国达卡军事科技学院土木工程系，邮编1216。c生物医学工程系，军事科学技术学院，达卡，1216，孟加拉国A R T I C L E I N F O保留字：ALPR多行车牌图像处理RGB图像A B S T R A C T车牌自动识别系统是发达国家广泛使用的车辆跟踪和分类系统在某些方面，像孟加拉国这样的最不发达国家存在着车牌轮换、轻微褪色等问题。此外，还有多行车牌，其中通常使用两行来解释车辆号码，这在字符提取期间产生复杂性。这些也在提取后的字符的顺序排序的问题，更不用说旋转一个。因此，没有一个完善的ALPR系统适用于这些国家。字符识别技术可能适用于一些流行的语言;但是，由于缺乏图像的预处理，它们并没有变得有效。因此，已经做出努力来处理旋转的多行牌照的图像以检索它们的原始方向，然后相应地顺序地提取和排序所有字符该算法有望帮助开发ALPR系统，以区分个别字符，甚至从劣质车牌。因此，任何标准识别技术都可以应用于从该算法获得的唯一字符图像，以相应地识别为任何特定语言开发的字符1. 介绍目前，汽车牌照自动识别（ALPR）技术在发达国家和发展中国家都取得了长足的发展。随着人工智能（AI）的兴起，它越来越受欢迎，主要用于交通工程中的起讫点（OD）调查。总部位于英国的著名交通服务公司之一Tracsis Traffic and Data Services发表了ALPR的概览，其中提到“在2019年，Tracsis收集了29，000，000个车牌的数据”[ 1 ]。它仅仅表明了这项技术在交通工程领域的极端重要性。 由于安全性的原因，这种车牌识别系统在英国、美国等发达国家越来越受到重视。 这句话足以澄清这种情况：“自动车牌识别（LPR）技术正在变得流行，因为它大大减少了逮捕罪犯的时间。道路、学校、停车场、隧道和私营企业越来越需要先进的安全措施[2]。与此同时，在提供多行车牌的地区，一些复杂性是显而易见的由于缺乏适当的算法，很难识别许可证[ 3 ]第三节：科学与技术的孟加拉国从发展中国家到发达国家似乎相差不远 联合国已经承认孟加拉国已成为最不发达国家的发展中国家。根据他们的声明，“孟加拉国是人口和经济规模最大的最不发达国家，看起来可能在2024年之前脱离最不发达国家类别”[ 4 ]。与此同时，孟加拉国的官方语言孟加拉语此前在人口中排名第七除此之外，它还被全球约2.65亿人使用[5]。值得强调的是，孟加拉国的车牌字符是多行方向的，语言是孟加拉语。与此同时，车牌的另一个特征是明显的，即。车牌几乎不透明。 根据研究报告，“达卡的公共汽车并不很旧。然而，维护不善、技术不足、缺乏必要的设施是造成其悲惨状况的不利的是，虽然发达国家正在关注由于雾导致的能见度差，但像孟加拉国这样的最不发达国家由于缺乏维护而遭受同样的问题[7]。此外，大多数车牌没有正确定向的水平对齐。* 通讯作者。电子邮件地址：minhuz@iut-dhaka.edu（A.J.Md. Minhuz Uddin Ahmed），anwar@ce.mist.ac.bd（医学博士Uddin），bmeasadur@gmail.com（Md.A.Rahman）。https://doi.org/10.1016/j.array.2021.100063接收日期：2020年10月31日;接收日期：2021年2月9日;接受日期：2021年3月24日2021年4月1日网上发售2590-0056/©2021作者。爱思唯尔公司出版这是一篇CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表阵列期刊主页：www.elsevier.com/journals/array/2590-0056/open-access-journalA.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000632一些研究论文识别车牌字符，特别是在英语和其他着名语言中。然而，缺乏识别孟加拉国车牌的模式。更具体地说，这是由于孟加拉语文本的复杂方向，尽管字符的识别超出了本研究的范围。但车牌的旋转对齐、低可见度和多线取向已被考虑在内，这是发展中国家车牌的典型特征 除非这些问题得到解决，否则开发适当的ALPR系统可能不会有成效。本研究的目的是从车牌图像中获取单个字符图像及其对应的序列。为此，首先要回顾现有的研究。 一旦建立了要求，就说明了预期算法的假设和必要步骤。考虑到车牌区域的不同形态、逻辑和数学特征，用于修改旋转对齐、褪色的车牌字符、车牌字符的提取以及关注多行方向的顺序排序。因此，一个完整的图像处理（IP）算法已经提出了这里，后实际证明。2. 文献综述ANPR是在1976年由于交通管理的紧迫性和二战后汽车工业的逐渐兴起而发明的 为了使它更便于实现，目前已经进行了几项研究. 对ALPR的一些合理的算法和数学原理进行了探讨[9]。在那里，所有的方向都在考虑用英语写的车牌采用人工神经网络（ANN）检测马来西亚车牌[10]。马来西亚车辆使用英文数字编号然而，在印度但应该记住，印度现有的板块数量也是用英语写的，最重要的是，所有这些都包含单线方向。然而，如前所述，ALPR的一个大问题是检测的准确性[12]。在英国面临同样的事情，并发现了检测ALPR研究的现实问题[13]。这背后的主要原因是在以正确的方式提取字符的过程中失败了。 后来，对ALPR系统进行了研究，考虑到一些限制[14]。最后，提出了基于ANN的增强ALPR的方法[15]。 除非字符已偏离原始模式，否则主要问题在于通过图像处理进行的初始分离。除非这些方法是针对静止车牌图像的，否则到目前为止所讨论的研究都是不成立的。因此，研究了一种有效的实时车牌定位算法[ 16]。然而，几乎所有这些研究的主要缺点是没有多行车牌规定。然而，随着ALPR技术在世界的发展，人们尝试用阿拉伯字体指定ALPR，以迎合从右到左（RTL）的写作风格[17]。前面讨论的所有ALPR研究都是基于一些不同地区的IP算法使用实验数据的全边缘ALPR研究可以在马来西亚的案例中找到[18]，其中从原始图像开始讨论了整个过程。研究工作可用于检测车牌字符使用光学字符识别（OCR）系统之后[19]。但这里要记住的一件事是，这些研究中使用的工具包但对于大多数其他语言，没有替代任何手动OCR系统开发。此外，在识别字符之前，前图像处理是最关键的任务，需要考虑的多行特征。ALPR的第一步是使用基于感兴趣区域（ROI）的研究跟踪迄今为止研究的车牌区域[20]。此外，神经网络分类器和k均值聚类用于检测车牌区域[21]和随后的字符识别。即使在尼日利亚，也提出了类似的基于ROI的车牌检测[22]。此外，ANN已应用于字符图像以识别单个字符[23]。在尼日利亚车辆牌照的情况下，英语字体使用类似于印度车牌，单行的方式[24]。然而，对于质量较差的车牌，准确度恶化提出了一种智能技术，使用高分辨率相机准确识别车牌[25]。它提高了检测精度，但同时也增加了图像因此，为了从平均质量的图像中获得更高的准确度，进行了另一种尝试，其中使用霍夫变换，动态阈值滤波等技术。已使用[26]。此外，世界上的一些国家选择ALPR用于以其本国语言和格式书写的车辆牌照，例如，使用ALPR研究伊拉克车牌[27]。因此，应当记住，几乎没有任何研究可用于具有较差可见性的多行和边缘旋转的车牌对于孟加拉国车牌，使用IP检测车牌区域的方法首先在参考文献中提出[28]第10段。但是，由于孟加拉国出现了追溯性（RR）数字车牌，这种方法仍然被剥夺了应用。此外，该研究还考虑了模拟车牌格式。此外，在该研究中，建立了一种方法学来识别车牌区域仅区分字符，而不是检测。早些时候，提出了一种使用神经网络方法的印刷字符孟加拉OCR系统[29]。然而，这篇论文是对孟加拉语字符进行仔细分析的指导方针 但核心问题是无法接受由于偏斜或通过某种方式衰落而产生的波动。一些孟加拉语文本识别研究也可以在使用深度卷积神经网络（CNN）的地方找到。还提出了一种用于手写孟加拉数字识别的深度学习算法[30]。深度理解的属性之一是不需要算法来指定如何处理数据。 当模型被训练时，问题同时出现，因为没有为训练提供特定的方向[31]。同时，一个大的和无偏见的数据集是研究孟加拉数字的先决条件[32]。尽管如此，该研究迎合了透明手写字体，但几乎没有与ALPR技术的任何联系因此，一个合适的算法来提取字符和排序之前，通过IP检测是一个成功的ALPR系统的先决条件。其中一个最新颖的研究进行人工神经网络被发现是最好的角色[33]。 对于孟加拉语，由于连接性质，将字母与任何单词分开时会出现复杂的情况。使用ALPR的连接分量分析（CCA）[ 34 ]，可以避免这种复杂虽然一个词也被认为是一个连接组件在孟加拉语，如果进行CCA，它有一个很好的ALPR系统范围。这一概念可以用来提取本研究所应用的字符。从广泛解释的文献综述中，总结了设计不同方法的一些基本假设，如下所示：a) 一个图像包含多个车牌b) 一个车牌占用了整个图像面积的5%以上c) 车牌是长方形的，高宽比接近0.5d) 车牌底色为白色e) 由两行字符组成的车牌f) 两排均匀分布在水平对称线上g) 每个连接的组件已被视为一个字符h) 连字符、点等已被忽略，假设不必要i) 每个字符区域不小于所有适当字符区域A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000633¼¼¼¼¼¼¼¼j) 字母被假定为从左到右定向（例如，，英语，孟加拉等）表示从左到右（LTR）书写系统k) 边缘旋转表示旋转不超过实际水平定线45度l) 车牌上一共有9个字m) 没有字符，即，牌照中的连通分量将包含小于实际牌照面积的5%基于这些假设，孟加拉国的RR数字车牌可以作为参考（图）。①的人。它包含两行，通常在现实生活中看到边缘旋转。 它包含大城市名称、车辆类别号和数字（包括连字符）的组合。3. 方法和模型开发3.1. 基本步骤所提出的用于处理边缘旋转的透视板的算法的步骤可以在流程图中示出（图1）。 2）。3.2. 识别可能的车牌区域在算法的第一步，输入图像在帧ABDC（图。3）已转换为二进制图像。 在此基础上，运用MATLAB的边界搜索算法对该图像进行了处理。因此，由边界围成的所有不同的层都被区分开来，其形状可能是不规则的多边形。这些多边形的角点的所有坐标都已存储。计算图像每个区域的组成，图二、 提出了多行车牌字符的图像处理和顺序排序算 法 .公司奥里格地区abdc区域ABDC（一）其中，abdc区域的compabdc组成、abdc区域的orig area abdc originalarea和图像帧的area ABDC area，即，，ABDC地区。矩形ABDC伪面积奥里格地区abdc（二）其中，rect abdc区域的矩形度，orig面积abdc假定真矩形的ABDC区域的虚面积qax-cx2ay-c y 2qb-dx2b y-dy2h2w abdc¼2 2（三）2 2qbx-axby- ayqdxcxdy-c yFig. 1. 用于孟加拉国车辆的多行RR数字牌照的方向。图三. 从原始图像中识别可能的车牌区域。其中，h 2 w abdcABDC区域的平均高宽比。可能的车牌区域已初步区分（图。（4）对（1）、（2）和（3）采用适当的条件。如果没有找到可能的车牌区域，则算法返回结果为图像中不存在车牌区域3.3. 选择最合适的区域在第一步中提名可能的车牌区域之后，第二步开始从该候选名单中选择确切的车牌区域。可能的区域的坐标从先前步骤的转换的二进制图像中存储以用于该操作。车牌区域的处理，而没有进一步的辩护，只有一个可能的区域从前一步获得对于考虑两个或多个集A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000634P×i¼¼¼见图4。 将任何区域视为可能的牌照区域的条件。该方法首先将车牌图像转换为灰度图像，然后利用二维坐标作为可能的车牌区域。因此，图像的piX el值分布在0到255之间，其中0表示最黑的piX el，255表示最白的pi x el。为了评估每个可能的区域，将该区域之外的灰度图像的所有像素转换为纯黑色，即，0。在可能的板块区域内也可能有一些因此，考虑该区域内的某个百分比的最发白的pixel值来评估可能区域的平均pixel值，忽略具有值0的 对于这项研究，它被视为第90百分位数（图。 5）。因此，第m个可能的牌照区域的平均pixel值为在所有可能的车牌区域中。由此，使用（5）评估的最合适的牌照区域将被用于随后执行进一步的处理。3.4. 应用旋转到目前为止，所有的过程都是在车牌区域的形状和背景颜色上完成的因此，尚未考虑车牌区域的旋转。因此，识别出的车牌区域abdc的旋转（图 1）假设它是真正的矩形可以表示。平均每分钟x¼px fiPpxi（四）旋转tan-1by-aybx-ax（六）其中，第m个可能的牌照区域的avg pm×1/4平均pi× el第m个可能区域的第pxi/4i个可用piX el（在第90至第100百分位数范围内）地区比较使用（4）计算的所有平均像素，最后，选择最合适的车牌区域为实际lp区域¼min平均pxmm（5）其中，actual LP_region是被认为是实际的最合适的牌照区域，minimumavg_px_m是包含区域的最小px_其中旋转ABDC区域的旋转涉及水平假设它真的是矩形的 将（6）旋转反向应用于牌照区域以使其真正水平。3.5. 形态和其他更正在获得车牌区域的精确水平对准之后，对实际图像应用形态学和其他校正以清洁车牌区域的清洁图像。为了进行所有这些操作，首先，将RGB图像转换为灰度图像。整个过程可以分为两个重要部分图五. 灰度图像中像素值的累积频率分布曲线A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000635部分。第一种方法是收集发光板区域的四个边界坐标第二步是获得字符透明的无噪声车牌区域应该记得，在先前步骤期间获得的坐标不符合仅在一个步骤之前获得的正确对准的板区域因此，必须再次估计坐标首先，对准校正的灰度图像（图1）。 6（a）），从前面的步骤中获得的考虑。图像的映射强度值是通过饱和所有像素像素值的顶部1%和底部1%来完成的（图1）。 6（b））。 之后，使用Canny边缘检测算法进行边缘检测[35]。 在该方法中，如果边缘的强度足够鲁棒，则设置阈值以返回所有边缘。考虑到车牌区域中定义良好的边缘（图 6（b）），使用了0.3的阈值。 因此，获得边缘微分图像，同时转换为二进制图像（图11）。 6（c））。见图6。 涉及收集边界坐标的活动。A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000636¼¼ ð ≤ ≤ Þ ð联系我们之后创建了具有图像最高维度的1%的像素的 这些结构元素用于扩大二进制图像，任何轻微的不连续性都将相应地连接起来（图1）。 6（d））。由此，具有正确对准的实际牌照区域被期望用其边缘封锁。因此，填充所有孔边缘，包括车牌区域（图6（e））。在这种情况下，孔内的像素被转换为纯白色，因为图像是二进制的。图像中可能仍然有一些不必要的白色像素（图1）。（6）超出原车牌区域。由于预计车牌区域较多ponents（图10（a））。可能存在两个或更多个边界框将彼此重叠的一些情况。是否单独处理这些边界框，如果只处理一个，哪一个根据这一规则，每次比较只考虑两个边界框A和B（分别显示为绿色和蓝色）（图1）。 11）。如果只考虑一个字符，则较大的边界boX被认为是实际字符。该重叠比率可以定义为：小于图像的5%，因此保持安全裕度，消除小于图像的2%面积的将安全裕度保持在限制范围内会将最终的车牌区域生成为白色，将所有其他像素转换为黑色（图1）。 6（f））。因此，最后获得的白色的四个角点，OLR区域A\B分区A区;分区B区其中，A和B的OLROLR1、A区B区A和B之间的重叠区域，可以进一步定义为：（七）gion（图 6（f）可以得到。 由于在车牌之外没有白色像素，因此图像的每个像素都用它们的像素值（0或1）进行索引（图10）。 7）。piX el值（0或1）已应用于面积最大值0;最小值AX2;BX2最大值AX1;BX1最大值×最大值0;最小值AY2;BY2最大值AY1;BY1最大值（八）原始图像从信息索引为不同的渠道后。在完成第一部分之后，第二部分开始，这是细化的有效车牌区域的最终化。在该部分的开始，对准校正的RGB图像被分成三个虚拟通道，即，红色（图8（a））、绿色（图8（b））和蓝色（图8（c））通道。因此，坐标对于该操作，消除具有黑色piX el值的坐标，并且仅获得牌照区域然后将所有三个通道组合在一起，以将裁剪后的RGB图像转换为灰度图像（图1）。 8（d））。 在使用阈值之后，灰度图像立即被转换为二值图像（图11）。 8（e））。最后，如果仍然存在与实际车牌图像边界相连的像素，则清除边界，生成最终输出（图10）。（8）下一步。3.6. 连通分量MATLAB提供了内置函数，用于在二进制图像中创建标签后生成边界框，从而提取连接的组件因此，使用相关函数可以相对快速地进行提取它通常根据每个边界框X的最左边部分与图像左侧的距离来标记连接组件（图10）。9）。因此，对于先前获得的BW格式的图像，在此步骤中可以在多行车牌的情况下找到未排序的列表（图10）。 8（f）），这是以后要做的事情。应当注意，该算法根据算法因此，首先，如果有连接像素的面积小于实际车牌面积的5%（显示为红色像素）（图1）。 10（a）），这些被淘汰（图。 10（b））。之后，创建边界框（显示为不同的彩色矩形）以区分和标记每个连接的com。如果在等式（8）中A和B之间没有重叠区域，那么等式（7）中的OLR最终将变为零。在任何情况下，两个边界框都不会成为一个，因为作为两个不同的边界框是没有有效性的然而，对于本研究，OLR设定为0.4 该算法将评估所有可用边界框之间的OLR。如果OLR大于0.4，那么较大的边界框X将被视为字符。假设如果OLR大于0.4，则区域中的两个边界框将永远不会相同将此规则应用于车牌区域（图。 10（a）），修改后的车牌区域（图。（10）（b）。 由于可能会消除一些组件，并且标记算法（图1）。9）前面讨论的在默认情况下不会正确发生，因此必须进行排序。在此之前，如在此步骤之后所讨论的，还剩下一些其他步骤。然而，在消除小于5%的面积像素和重叠的边界框之后，每个边界框被获得最相关分量的初始集合。3.7. 忽略不必要的组件在提取字符时进行初始修改后找到最相关的组件后，从该列表中进行不必要组件的二次消除。 这些包括连字符（图。 10（a））和其他不相关的像素像素。该平均PIXEL大小计算验证了消除小于实际牌照区域的5%的所有pixel的先前步骤。否则，平均值可能导致较低的像素区域，并且不必要的分量可能因此不被忽略对于这项研究，边界线被设置为平均像素面积的30%，假设在前一步之后剩余的不必要的组件更少。因此，连字符被忽略，以获得最终的字符集（图。 12）。3.8. 车牌区域根据假设，车牌包含两条线。见图7。 索引对准的牌照区域图像的坐标的像素值。A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000637见图8。 涉及确定有效牌照区域的活动。因此，在相应地对所有字符进行排序之前，车牌区域应该以这样的方式进行划分（如红色虚线所示），以区分两行车牌（图1）。 13）。然后，每个包含边界框X的字符都通过这个进行测试如果任何边界框X的左上边缘在分割线之上，则包含字符的边界框X被视为包含在第一行中;否则，它被包含在第二行中。3.9. 按顺序对所有字符排序在车牌被分割和字符被征募后，两个不同的行，排序完成。如前所述，在创建边界框时，MATLAB生成其标记，其中许多组件可能已经被删除。因此，在此步骤中仅考虑剩余的字符标签。第二行字符是在所有第一行字符都按前一步得到的顺序排序后开始的（图10）。14）。创建一个用于存储排序字符的单元格。 因此，从该步骤获得顺序排序。没有发现相同水平坐标的重叠，因为重叠的组件已预先被视为一个字符A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000638见图9。 MATLAB中连通域的标号算法3.10. 调整字符大小在遵循算法步骤时，预期不会获得任何字符。因此，最终，这些错误的检测也没有产生车牌标题。尽管如此，在检测车牌区域时观察到的总体准确率为92.5%。毕竟，字符是按顺序排序的，这些图像可能具有不同的高度和宽度（图1）。 15（a））。因此，对那些用于获得具有相同尺寸的所有字符图像的字符图像应用一个字符幸运的是，MATLAB中有一个内置的函数来处理这些字符图像（图1）。 15（b））。尽管如此，已为所提出的算法设置了256 piX els× 256 piX els的大小4. 结果和讨论4.1. 基本性能见图11。 重叠比率定义为两个绑定字符。博克斯载有─包含该算法的程序的E x转换器将牌照的原始图像（图16（a））转换为修改后的图像（图16（a））。 16（b）），其中最初提名的字符通过边界框被登记。在忽略不必要成分的情况下，从字符列表中去除离散点和连字符，从而提供包含有效车牌有效字符的最终列表。最后，根据车牌分割和排序算法对这些字符进行排序，并将其作为调整大小的图像呈现（图1）。 17）。4.2. 车牌车牌检测的性能可以用混淆矩阵来说明。 包含车牌和没有车牌的图像都被考虑在内（图。 18）。对含有车牌的图像，实际车牌区域的检测准确率达到90.7%研究表明，白色的车辆是负责大多数错误的检测算法搜索最白的区域作为车牌背景。除此之外，检测被认为是有点成功的。另一方面，对于实际上没有牌照的图像，已经观察到95.8%的检测精度在这些情况下，剩余的错误检测实际上是由于这些图像中的类似车牌的区域但可以见图12。 实际车牌区域内的最终字符集样本。图十三. 针对车牌区域的划分，解决多行行为。见图10。 从一个样本牌照的连接组件的EXA.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）1000639图14. 对第一行和第二行的字符进行顺序排序。图15. 从原始大小调整字符图像的大小。图十六岁 从原始车牌图像获得修改图像的算法性能。图17. 算法的性能，以提取和排序的字符顺序。A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）10006310图18. 车牌区域检测精度的混淆矩阵图19. 应用于正确检测的车牌区域的字符提取精度的混淆矩阵4.3. 字符提取精度字符提取的性能已被检查使用这些图像的实际车牌被成功地检测到。为此，生成了另一个混淆矩阵X（图1）。 19）。在成功检测所有实际字符时，已观察到94.9%的准确率。从实际观察来看，大部分字符由于与车牌边缘的连接而在字符提取过程中无法检测到因此，在形态学和其他校正中清除边界像素时，这些特征也消失了。此外，95.7%获得了精确度，其中没有字符（即，连字符和不必要的点）和算法忽略它们。这些情况导致的错误检测主要是由于这些像素在清除边界和离散点时没有被充分去除，因为它们与原始字符相似。 这些在一定程度上是牌照中的异常，其不是自然发生的，从而可能需要使用附加算法的独特处理。4.4. 字符排序精度为了观察字符排序性能，使用前面讨论的成功提取的实际字符的图像生成了混淆矩阵 根据假设，每个车牌上有9个字符。这些字符在几乎所有的情况下，成功的字符排序已经确定，除了少数几个。从实际观察来看，第四个字符在大多数情况下被视为第一个字符。由于矩形车牌的形状不佳，旋转无法适当完成。因此，只有第二行的第一个字符（即，实际顺序中的第四个字符）的多行车牌的位置高于中间画出的分界线。因此，由于坐标这也会对第一个、第二个和第三个字符产生错误的排序，因为它们分别被识别为第二个、第三个和第四个字符所有其他序列相同，并且已经获得了98.3%的总体准确度，表明排序算法的效率是完全令人满意的5. 结论字符排序算法已被观察到执行令人满意的多行车牌，即使在旋转边缘。此外，排序算法似乎完全令人满意。因此，可以绘制该算法的多维应用，包括即将到来的未来范围，如下所列。该算法对具有LTR写入系统的车牌具有不变的适用性边缘旋转的车牌和字符也可以使用该算法提取;因此，即使在最不容易维护的国家，它也有望表现得来自具有两行的牌照的字符（例如，孟加拉国车牌）可以使用该算法进行识别然而，应该记住，除了两排车牌之外，其他车牌可能效率较低，因为排序算法可能由于违反假设而变得在开发使用该算法识别字符的模型时，应考虑包含连接字母的单词（例如，由孟加拉语中的连接字母组成的单词 如果整个世界被视为一个独特的字符，将仍然是令人满意的那些车牌，可能会有一些列出的话用来表示大都市的名字。由于所有识别的字符都已调整为方形框架，因此可以全面应用识别算法，保持纵横比。该算法中使用的基本几何假设可以用于对两个以上的行进行排序。唯一的区别是，对于n行，车牌区域可以相应地被划分为n个相等的一些内置的字符识别辅助工具也可以使用，例如自适应神经模糊推理系统（ANFIS）、人工神经网络（ANN）、概率神经网络（PNN）、卷积神经网络（CNN）等。除此之外，任何其他软件都可能●●●●●●●A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）10006311图20. 应用序贯排序精度的混淆矩阵，获得正确提取的字符。所提出的算法描述了基本公式，而不是提供MATLAB代码。信贷作者声明主要思想是由Abu Jar Md开发 Minhuz Uddin Ahmed，所提出的方法的算法和代码由Abu Jar Md. Minhuz Uddin Ahmed和Md.安瓦尔·乌丁马里兰州Asadur Rahman协助其他作者撰写文章并介绍不同的结果。所有作者都阅读了这篇文章并同意发表。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1] Tracsis Traf fic和数据服务。ANPR测量精度改变了道路规划。Tracsis; 2020年。2020年6月11日访问，https://tracsistraffic.com/anpr-survey-accuracy-has-transformed-road-planning/。[2] 希尔M自动车牌识别的兴起美国城市;2019年。&https://www.americancityandcounty.com/2019/05/01/the-rise-of-automatic-license-plate-recognition/. [2020年6月14日]。[3] 曹毅，傅华，马华.一种端到端的神经网络用于多行车牌识别。在：2018年第24届国际模式识别会议（ICPR）;2018年8月。第3698-703页。https://doi.org/10.1109/ICPR.2018.8546200网站。[4] UN.脱离最不发达国家类别：蓬勃发展的孟加拉国准备毕业。联合国：经济和社会事务部，2018年。https://www.un.org/development/desa/en/news/policy/leaving-the-ldcs-category-booming-bangladesh-programres-to-graduate.html。[2020年6月14日]。[5] Mahmud QI，Chowdhury NI，Masum M.一个多层感知器与记忆效率的特征提取方法用于孟加拉文文档分类。J Comput Sci 2020年3月;16（3）：378-90。https://doi.org/10.3844/jcssp.2020.378.390[6] 阿拉姆·D达卡的公共交通问题。达卡：ICE商业时报;2018年12月。p. 四、[7] Belaroussi R，Gruyer D.雾中能见度降低对交通标志检测的影响。在：2014 IEEE智能车辆研讨会论文集; 2014年6月。第1302- 1306页。https://doi.org/10.1109/IVS.2014.6856535网站。[8] ANPR国际有限公司ANPR的历史ANPR International; 2020.http：//www. anpr-international.com/history-of-anpr/。[2020年6月20日]。[9] 马丁斯基岛车牌自动识别系统的数学原理。 布尔诺理工大学; 2007年。[10] 汗·哈利法·OO马来西亚车辆牌照识别。Int Arab J InfTechnol 2007;4（October）：359- 64.[11] 美联社.车牌字符识别系统，采用神经网络。Int JComput Appl 2011;25（10）：975-8887.[12] Hrabina BM，总统EV。收费和停车的自动车辆识别FEIG Electronics Inc; 2018.https：//rdreadernews.com/wp-content/uploads/2018/05/FEIG_AVI_WhitePaperFinal-1.pdf. [2020年7月7日]。[13] Rhead M，Gurney R，Ramalingam S，Cohen N.自动车牌识别（ANPR）和真实世界英国车牌问题的准确性。在：2012 IEEE国际卡纳汉安全技术会议（ICCST）; 2012年10月。第286- 291页。https://doi.org/10.1109/CCST.2012.6393574网站。[14] Gaikwad DY，Borole PB.汽车牌照自动识别系统（ANPR）综述。Int. J. 因诺夫Res.Adv. Eng. 2014;1（1）：88- 92.[15] Biswas A，Gour BD.一种基于人工神经网络的车牌识别增强算法。 Int J Comput SciInf Technol 2016;7（3）：1291- 5.[16] RejiPI，Dharun VS. 一种有效的实时车牌定位算法。ARPN J. Eng. Appl. Sci.2 0 1 6 ;11（24）：14524- 31.[17] El-Harby AA，Behery GM，Al-Dhawi AA.车牌自动识别系统，用于记录进出校园的 车 辆 。 美 国 应 用 科 学 杂 志2017;14 （ 4 ） ：469-77。https://doi.org/10.3844/ajassp.2017.469.477网站。[18] Ibrahim NK，Kasmuri E，Jalil NA，Norasikin MA，Salam S，Nawawi MRM.软件开发与质量管理的软件工程模型分析。Int J Soft Comput Softw Eng 2013;3（3）：94-7. https://doi.org/10.7321/jscse.v3.n3.15[19] Simin N，Choong F，Mei C.车牌自动检测与识别系统。国际工程研究会议，EURECA 2013：113A.J.Md. Minhuz Uddin Ahmed等人阵列10（2021）10006312[20] Rathore M，Kumari S.用matlab实现车辆牌照的跟踪。Int. J. Found.计算Sci.2014;4（3）：43-53. https://doi.org/10.5121/ijfcst.2014.4304.[21] Kaur H，Garg NK.使用神经网络分类器和KMEAN进行车牌识别。 Int J Adv ResComput Sci Software Eng 2014;4（4）.[22] IroegbuC，Okoronkwo MC. 基于MATLAB的车牌识别. Int JRes Appl Sci EngTechnol 2015;3（4）：25- 9.[23] D G A，O T A，A S F. 尼日利亚汽车牌照识别系统使用人工神经网络。IARCCE 2015年11月;4（11）：1 - 5. https://doi.org/10.17148/IJARCCE.2015.41101。[24] Tiwari B，Sharma A，Singh MG，Rathi B.基于matlab的车牌自动识别系统。IOSRJ Electron Commun Eng 2016;11（4）：10-6. https://doi.org/10.9790/2834-1104021016。[25] Chhikara K，德里N，德里N.基于MATLAB和raspberry pi 2的车牌智能识别技术。国际工程技术杂志经理。应用科学2 0 1 6 ;4（5）：30- 5.[26] 放大图片Stefanovic H，Veselinovic R，Milic D.基于matlab的车牌号码的一些优化。第十届国际科学大会“科学与高等教育在可持续发展中的作用”，2017年。第69 - 75页。十月[27] Omran S，Jarallah J. Automatic IRAQI cars number plates extraction. IraqiJ. Comput.信息学2018年6月;44（1）：23-30。https://doi.org/10.25195/ijci.v44i1.111。[28] 阿扎姆在危险条件下的自动车牌检测。孟加拉国工程技术大学; 2011年。[29] AlamM，Kashem MA. 一个完整的孟加拉语OCR系统，用于打印字符。 J CasesInfTechnol 2010;1（1）：30- 5.[30] Alom MZ等人，Handwritten Bangla digit recognition using deep learning。arXiv;2017年5月。[31] 奈特·WAI核心的黑暗秘密MIT Technology Review 2017.https：www.technologyreview.com/2017/04/11/5113/the-dark-secret-at-the-heart-of-ai/. [2020年7月31日]。[32] Shawon A，Jamil-Ur Rahman M，Mahmud F，Are finZaman M.孟加拉语手写数字识别使用深度CNN的大型和无偏数据集。2018年孟加拉语语音和语言处理国际会议。ICBSLP）; 2018年9月。第1-6页。https://doi.org/10.1109/ICBSLP.2018.8554900。[33] Hoq MN，Islam MM，Nipa NA，Akbar MM.孟加拉语手写数字识别分类算法的比较 概 述 。 在 ： 计 算 智 能 国 际 联 合 会 议 论 文 集 ; 2020 年 。 第 265- 277 页 。https://doi.org/10.1007/978-981-13-7564-4_24。[34] Shahed MT，Udoy MRI，Saha B，Khan AI，Subrina S.孟加拉语车牌自动读取器。In：2017 - 2017 IEEE region 10 conference; Nov.2017年。第1364- 1368页。https://doi.org/10.1109/TENCON.2017.8228070网站。[35] Canny J. A Computational Approach to Edge Detection. IEEE
我的内容管理
展开
