DE19717814A1 - Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen Szenen - Google Patents
Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen SzenenInfo
- Publication number
- DE19717814A1 DE19717814A1 DE19717814A DE19717814A DE19717814A1 DE 19717814 A1 DE19717814 A1 DE 19717814A1 DE 19717814 A DE19717814 A DE 19717814A DE 19717814 A DE19717814 A DE 19717814A DE 19717814 A1 DE19717814 A1 DE 19717814A1
- Authority
- DE
- Germany
- Prior art keywords
- image
- symbols
- structures
- connectivity
- characters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/158—Segmentation of character regions using character size, text spacings or pitch estimation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Auffindung eines
oder mehrerer Kraftfahrzeug-Kennzeichenschilder in einem
vorzugsweise monochromen Grauwert- oder Binärbild, in Erwei
terung des Verfahrens auch in einem Farbbild, das im Online-
Betrieb direkt von einer elektronischen Kamera, oder alter
nativ im Offline-Betrieb als Datenfile aus einem Massen
speicher, wie z. B. der Festplatte eines Rechners, dem Ver
fahren bereitgestellt wird. Darüber hinaus ist das Verfahren
geeignet, auch andere in abgesprochener formatierter Weise
dargebotene Schriftzeichen oder verabredete grafische Sym
bole, z. B. Firmenlogos, so zu segmentieren, d. h. ihre Posi
tion auf dem Datenträger zu finden, sie voneinander und vom
Hintergrund zu trennen, daß sie anschließend in einer
Konnektivitätsprüfung auf ihre gegenseitige geometrische Zu
ordnung geprüft werden können. Im Falle einer in diesem
Sinne korrekten Detektierung eines Datenträgers werden die
Schriftzeichen oder Symbole als grafisches Muster an einer
logischen Schnittstelle für die weitere Dekodierung (Zei
chenerkennung, Umsetzung in ASCII-Zeichen) in geordneter
Reihenfolge übergeben.
Das Verfahren benutzt im Gegensatz zu bekannten Verfahren,
die ausgehend von einer Ortsfrequenzanalyse Bereiche mit ho
hen Ortsfrequenzen (also "vielen" Hell-Dunkelübergängen in
einem gegebenen Ortsbereich) auf das Vorhandensein von
Schrift oder ähnlichen Symbolen im ansonsten eher wenig
strukturierten Bild, wie es z. B. im Falle eines Kraftfahr
zeughecks vorliegt, oder mit neuronalen Netzen, welche auf
die globale Pixelstruktur eines Kfz-Kennzeichenschildes
trainiert sind [Föhr/Raus 94], als neuartigen Ansatz eine
Kombination aus Blobanalyse [MATROX1 94, MATROX2 94] und Kon
nektivitätsanalyse. Diese Verfahren sind Schwerpunkt des Pa
tentbegehrens und werden weiter unten detailliert beschrie
ben.
Das erfindungsgemäße Verfahren beruht in diesem Sinne auf 3
nacheinander ablaufenden Verfahrensschritten:
- (1) - Binarisierung des in der Regel monochromen Grauwert bildes der dargebotenen Bildszene,die im Falle der Anwendung des Verfahrens zur Kfz - Kennzeichenerken nung die Vorder- oder Rückfront eines Kraftfahrzeu ges zeigt. Auch die speziell in diesem Fall verwen dete Methodik zur Ermittlung der Digitalisierungs schwelle ist Bestandteil des Patentbegehrens.
- (2) - Blobanalyse des so erhaltenen Binärbildes, mit dem Ziel, "Blobs", also zusammenhängende Strukturen von Objekten beschreibende Pixel (im vorliegenden Falle "schwarzer" Pixel) vorgegebener geometrischer Eigen schaften (z. B. Abmessungen umschriebener Rechtecke, Bereich zulässiger Pixelanzahl) zu finden, welche die typischen Eigenschaften von Schriftzeichen auf Kennzeichenschildern (bzw. Etiketten oder ähnlichen Datenträgern bei Anwendungen in Produktion und Lo gistik) erfüllen. Die ermittelten Blobs werden nu meriert und unter Angabe ihrer Eigenschaften, ins besondere ihrer Ortskoordinaten, gespeichert. Dabei werden mit hoher Wahrscheinlichkeit auch Blobs von Mustern erfaßt, die nicht Bestandteil des gesuchten Kennzeichens oder sonstigen Datenträgers sind. Aus diesem Grunde ist der nächste Verfahrensschritt von entscheidender Bedeutung :
- (3) - Konnektivitätsanalyse, welche das auf den jeweiligen nationalen Normen für Kraftfahrzeug - Kennzeichen schilder [Diplom 95], [DIN 96] basierende grafische Layout und die daraus sich ergebenden Re geln für die gegenseitige Position der Schriftzei chen oder sonstigen Symbole berücksichtigt. Hierbei werden, wie in Schritt (2) bereits ausgeführt, nur noch solche Blobs auf der Menge aller in der Bildszene gefundenen Blobs ausgewählt, die diesem Regelwerk entsprechen. Sinngemäß wird bei einer Anwendung des Verfahrens zur Erfassung von Eti ketten oder ähnlichen Datenträgern vorgegangen, d. h. ein Regelwerk über das grafische Layout der Da tenträger muß bekannt sein. Als Ergebnis dieses letzten erfindungsgemäßen Verfahrensschrittes lie gen grafische Abbilder der segmentierten und auf Konnektivität geprüften Zeichen bzw. Symbole an einer verabredeten logischen Schnittstelle (Daten struktur oder Datenfile) vor.
Der nächste sich logisch anschließende Verfahrensschritt
ist die Zeichenerkennung, d. h. die Umsetzung des grafischen
Abbildes der segmentierten Zeichen oder Symbole in eine
Folge von ASCII-Zeichen. Diese Technik ist nicht Gegenstand
der Anmeldung - hier wurde in den weiter unten beschriebenen
Pilotinstallationen das in DE 195 07 059 [Wev 97] beschrie
bene neuronale Erkennungsverfahren verwendet.
Das nachfolgend bezüglich der Verfahrensschritte (1). . .(3)
detailliert beschriebene erfindungsgemäße Verfahren wurde
bisher in folgenden Pilotinstallationen getestet:
- - Online-Anwendung in einem Parkhaus zur Erkennung von
israelischen Kfz-Kennzeichen [Diplom 95] mit folgenden
technischen Eigenschaften:
- - Grauwertbilderfassung mit handelsüblicher CCD- Kamera 720 × 558 Pixel, Auflösung ca. 2mm/Pixel, Beleuchtung aus ca. 2m Höhe, Lichtbündel parallel zur Blickrichtung der Kamera
- - Pentium PC, Takt 90 MHz, PCI-Bus
- - monochromer Frame-Grabber (Fabrikat MATROX, Comet)
- - C-Compiler (WATCOM V10.0)
- - Erfassungszeit ca. 0,1. . .0,2 s
- - Offline-Anwendung in der Fachhochschule Gießen-
Friedberg zum Test des Verfahrens bei der Erkennung
der neuen deutschen Euro-Kfz-Kennzeichen [Diplom 96]
mit folgenden Eigenschaften :
- - Grauwertbilderfassung, Auflösung 720 × 558 Pixel entsprechend einer abgebildeten Zeichenhöhe von 45. . .55 Pixel, Bilder von Kfz-Kennzeichen wurden mit handelsüblichem Fotoapparat und DX100-Farbfilm unter Tageslichtbedingungen aufgenommen, die ent wickelten Bilder wurden unretouschiert mit einer handelsüblichen CCD-Kamera eingelesen und als Daten file gespeichert.
Beispielhafte Anwendungen des erfindungsgemäßen Verfahrens,
die über die vorstehend geschilderten Anwendungen hinausge
hen sind:
- - Automatisierte Suche nach gestohlenen Kfz, indem eine im Rechner abgespeicherte Liste gesuchter Kennzei chen fortlaufend mit vom Verfahren entdeckten Kenn zeichen verglichen wird. Das Verfahren ist vorteil haft anwendbar, da die Suche auch das grafische Layout von Kennzeichen berücksichtigen kann, um im dichten Verkehrsfluß einen höheren Durchsatz zu be kommen, indem eine nicht erfolgversprechende Suche schnell abgebrochen werden kann. Auch aus daten schutzrechtlichen Gründen ist der Einsatz vorteil haft,da keine Speicherung irrelevanter Kennzeichen erfolgen muß.
- - Anwendung in Qualitätssicherungssystemen: Blob- Analyse und Konnektivitätsprüfung unterstützt durch eine intuitiv bedienbare Benutzeroberfläche quali fizieren das Verfahren auch für kleine Losgrößen, bei Aufgaben, in denen gleichzeitig Grafik und Schrift erkannt werden müssen.
- - Anwendung in der automatisierten Montage,da vom Verfahren sowohl durch Blobs beschriebene Muster der zu montierenden Teile, als auch deren gegensei tige Position als logische Konnektivität verarbei tet werden können.
- - Aufgaben der Zielerfassung, bei denen das erwartete Ziel in Form und Größe nur annähernd beschrieben werden kann - d. h. wo Korrelationsverfahren ver sagen - lassen sich mit dem erfindungsgemäßen Ver fahren durch Definition geeigneter Blobs und ihre gegenseitige örtliche Anordnung lösen. Dies gilt insbesondere für Wärmebilder, bei denen das Ziel ohnehin eher unscharf abgebildet wird. In diesem Sinne typische Anwendungen sind die Beobachtung terrestrischer Gefechtsszenen und die Beobachtung, bzw. Verfolgung von Flugkörpern, bei denen das Verfahren vorteilhaft zur Ausblendung von durch Täuschung erzeugten Scheinzielen anwendbar ist. So lassen sich in Strahlungsintensität und ört licher Ausdehnung erwartete Scheinziele durch an gepaßte Blobs grob pauschal beschreiben und die Konnektivität in Bezug auf das eigentliche Ziel auf der Basis ausgewerteter oder simulierter früherer Szenen logisch so verwenden, daß ein menschlicher Beobachter vom System Vorschläge zur finalen Ziel auswahl bekommt. Sich selbst lenkende Flugkörper können auf diese Weise die Maskierung eines bereits aufgefaßten Zieles erkennen und während der Dauer dieser Täuschung einen aus der bereits zurückge legten Flugstrecke extrapolierten Kurs verfolgen, um nach Passieren des Ortes der Täuschung das Bild des Zieles wieder auffassen zu können.
In Kapiteln 4, 5, 6 sind die für das Patentbegehren
wesentlichen technischen Einzelheiten des Verfahrens aus
der an der FH Gießen-Friedberg durchgeführten Diplomarbeit
[Diplom 96], siehe Offline-Anwendung Kapitel 2, niedergelegt.
Blobanalyse und Konnektivitätsprüfung werden hierbei am Bei
spiel der Erkennung von Kfz-Kennzeichen gezeigt. Als Ergeb
nis der Szenenverarbeitung erhält man Teilbilder, die nur
noch die Grafik der erfaßten Schriftzeichen zur Übergabe
an einen Zeichendekoder enthalten. Erfindungsgemäß wird bei
Anwendungen in Produktion und Logistik ebenso verfahren, wo
bei neben Schriftzeichen auch andere grafische Symbole, z. B.
Firmenlogos, etc. vorkommen können. Ein nachfolgender Zei
chendekoder wird diesen Symbolen ebenfalls eine verabredete
Bedeutung zuordnen.
Entsprechendes gilt für die weiteren Anwendungen aus Kap. 3,
in denen nur grafische Symbole (Teilemuster, Zielblobs) und
deren Konnektivität vom Dekoder, bzw. Zielextraktor berück
sichtigt werden müssen.
Die im folgenden zitierten Bilder wurden vom Rechenprogramm,
welches das Verfahren realisiert, ausgedruckt und werden
unretuschiert anschließend an Kapitel 7 wiedergegeben.
Die für das Verfahren typischen Abläufe, insbesondere die
Blobanalyse, wurden unter Benutzung der MIL-Library von
MATROX [MATROX1 94], [MATROX2 94] simuliert. Es ist erfin
dungsgemäß vorgesehen, bei höherer Anforderung an die
Erkennungsgeschwindigkeit hierfür Hardware auf der Basis
benutzerspezifisch programmierbarer Hardware (etwa Field
Progammable Gate Arrays) einzusetzen.
Die in Kapiteln 4, 5, 6 genannten Programmnamen und die
dort aufgeführten C-Funktionen stammen ebenfalls aus
dem erwähnten Programm der zitierten Diplomarbeit
[DIPLOM 96].
Zur detaillierten Dokumentation der wichtigsten Verfahrens
schritte wird der entsprechende Programmcode in die Be
schreibung aufgenommen.
In Bild 1 ist in einer Übersicht der Aufbau eines voll
ständigen Erkennungssystems dargestellt. Der Ablauf des
erfindungsgemäßen Verfahrens kann beispielsweise durch
eine Induktionsschleife ausgelöst werden, ein vorteilhaftes
Verfahren, um sicherzustellen, daß die aufgenommenen Bilder
stets aus gleichem Abstand aufgenommen werden und somit die
Kennzeichen im Bild stets mit annähernd gleicher Zeichen
höhe vorliegen.
Der erste Bearbeitungsschritt der Segmentation, der zu einer
erheblichen Informationsreduktion führt, ist die
Binarisierung. Es geht hierbei allgemein um eine
Schwellwertbestimmung, bei der das Grauwertbild in ein Bild
transformiert wird in dem nur noch zwei diskrete Grauwerte
existieren (Grauwert 0=schwarz und Grauwert 255=weiß) . Man
spricht hierbei von einem Binärbild. Nach der Binarisierung
ordnet man dem Grauwert 255 eine 1 zu um die Zweiwertigkeit
besser zu verdeutlichen. Es ist leicht ein- zusehen, daß bei
einer ungünstigen Schwellwertbestimmung Information verloren
gehen kann, die für die weitere Bearbeitung von Bedeutung
ist. Desweiteren ist es unmöglich bei einem unzureichend
erzeugten Grauwertbild eine Binarisierungsschwelle zu finden,
bei der ausschließlich uninteressante Information verloren
geht.
All diese Aspekte führen dazu, daß bei der Binarisierung des
Grauwertbildes eines Kraftfahrzeughecks die
Binarisierungsschwelle nach einer bestimmten Methode zu
suchen ist. Diese Methode wird im folgenden beschrieben. Bild
4.1 zeigt das Grauwertbild eines Kraftfahrzeuges. Die durch
den Laboraufbau erzeugten Bilder unterscheiden sich
grundsätzlich in ihrem Kontrast und in ihrer Helligkeit.
Bei Aufnahme der Fahrzeuge durch die in Kapitel 2 (Offline)
beschriebene Methode ist die Gewißheit nicht gegeben, daß
mit der richtigen Beleuchtung gearbeitet wird. Dies zeigt
sich bei der Aufnahme der Fotos mit der CCD-Kamera des
Laboraufbaus. Die fehlende Beleuchtung bei der Aufnahme der
Fotos kann hier nur noch geringfügig verbessert werden. Auch
zeigen sich erst hier Schatten innerhalb der Szene, die bei
der Binarisierung störend auf die Informationsreduktion
wirken.
Bild 4.2 zeigt eine erfolgreich durchgeführte Binarisierung
bei der die Binarisierungsschwelle richtig gewählt wurde. In
Bild 4.3 ist deutlich zu sehen welche Ausmaße eine schlecht
gewählte Schwelle oder eine Schattenbildung durch ungünstige
Beleuchtung zur Folge hat.
Es stellt sich nun die Frage inwiefern die richtige
Binarisierungsschwelle gefunden werden kann. An dieser Stelle
geht der Weg über die Histogrammbildung. Hierbei werden die
Häufigkeiten der einzelnen Grauwerte aus einem Bild in einem
Diagramm aufgetragen. Aus diesem Diagramm lassen sich
Merkmale feststellen, die charakteristisch für dieses
Grauwertbild sind. Diese Merkmale sind für die Binarisierung
von Vorteil, da man aus ihnen heraus eine optimale Schwelle
finden kann. Die Häufigkeit eines Grauwertes berechnet sich
nach folgender Formel:
Formel 4.1 Häufigkeit eines Grauwertes g
mit g=Grauwert und L=Länge bzw. R=Breite des Grauwertbildes
Betrachtet man das Histogramm eines Grauwertbildes wie in
Bild 4.4 dargestellt, so erkennt man links und rechts vom
Grauwert 128 einen maximalen Häufigkeitswert. Der Abstand
dieser zwei "Peaks" bietet den besten Kontrast für das
betreffende Grauwertbild, bei dem am wenigsten Information
durch die Binarisierung verloren geht. Diese zwei maximalen
Häufigkeitswerte sind auch bei einer Histogrammbildung im
Bild 4.5 zu beobachten, die nur aus dem Bereich des
Kennzeichenschildes des Kfz resultiert.
Es ist weiter zu sehen, daß diese maximalen Häufigkeiten in
beiden Histogrammen an ungefähr den gleichen Stellen liegen.
Im Experiment mit mehreren Grauwertbildern kommt man immer
wieder zu dem gleichen Ergebnis. Auch durch ledigliches
Hinsehen der eingescannten Bilder erkennt man, daß der beste
Kontrast im Bereich des Kennzeichenschildes liegt. Auf der
Basis dieser Experimente ist es legitim zu sagen, daß die
bestmögliche Binarisierungsschwelle genau zwischen den beiden
maximalen Häufigkeiten liegen muß. Man erreicht hierdurch
eine adaptive Schwelle, die sich den schlechten Gegebenheiten
der Grauwertbilder bis zu einem gewissen Grad anpaßt.
Darunter fallen unter- und überbelichtete Bilder, die sich in
ihrem Kontrast stark unterscheiden. Auch hier jedoch ist
festzustellen, daß die dynamische Schwelle kein Mittel sein
kann, aus einem unzureichend aufgenommenen Bild die
wesentliche Information noch retten zu können. Sie ist
lediglich dafür gedacht, eine gewisse Toleranz bei der
Bildaufnahme zu gewährleisten.
Die vorherigen Überlegungen realisieren sich folgend im
Quellcode: (WATCOM - C/C++ Version 10.0).
Im Anschluß an die Binarisierung erfolgt das Closing. Es
handelt sich dabei um eine aufeinander folgende Anwendung von
zwei Algorithmen (der Dilatation und Erosion) zur Binärbild-
Ortsfilterung. Der generelle Oberbegriff für diese Operation
ist mathematische Morphologie. Es werden einzelne Störpixel
eliminiert, die durch die Bildaufnahme entstehen können. Dies
ist insofern von Bedeutung, da im darauffolgenden
Bearbeitungsschritt Blobanalyse zusammengehörige Pixel
gesucht und als sogenannter Biob markiert werden.
Dieser Algorithmus interpretiert auch jedes
einzelstehende Pixel als ein Blob. So kann sich die
Bearbeitung des Binärbildes durch vorhandene Störpixel um
einiges verlängern. Desweiteren werden Kanten von Objekten
durch das Closing geglättet. Dies wirkt sich sicherlich
positiv bei der Erkennung der einzelnen Zeichen aus. Aus
diesem Grund ist es nur von Vorteil, ein Zweiwertbild vor der
Blobanalyse mit dieser Operation zu bearbeiten [MATROX2 94].
Im Bild 4.6 ist das Flußdiagramm des Closing dargestellt.
Im Punkt 4.2.2 und 4.2.3 sind die im Bild 4.6 erwähnten
Verfahren Dilatation und Erosion beschrieben.
Bei der Dilatation handelt es sich um eine ODER-Verknüpfung
bei der ein Pixel mit den Koordinaten s(x,y) den Wert 1
erhält wenn in seiner achter Nachbarschaft eine oder mehrere
"Einsen" auftreten. In Formel 4.2 ist die Boole'sche
Verknüpfung als Beschreibung der Dilatation gezeigt.
Formel 4.2
Durch diese Verknüpfung behält ein Bildpunkt mit s(x,y)=1 in
S' seinen Grauwert, während ein Bildpunkt s(x,y)=0 in S' den
Grauwert 1 erhält, wenn in seiner Nachbarschaft eine 1
auftritt. Dies bewirkt die Vergrößerung (Expansion) aller
Flächen mit dem Grauwert 1 (hier: Hintergrund) um einen Rand
der Breite eines Bildpunktes. Außerdem werden kleine Flächen
mit dem Grauwert 0 eliminiert.
Die Erosion ist die entgegengesetzte Operation zur
Dilatation. Bei diesem Algorithmus handelt es sich um eine
UND-Verknüpfung, bei der ein Pixel mit den Koordinaten s(x,y)
nur dann den Wert 1 erhält, wenn in seiner achter
Nachbarschaft alle Pixel eins sind. Auch hier ist in Formel
4.3 die Boole'sche Verknüpfung als Beschreibung gezeigt.
Formel 4.3
Die Operation wirkt sich insofern aus, daß alle Flächen mit
dem Grauwert 1 um einen Rand der Breite eines Bildpunktes
verkleinert werden (Kontraktion). Ein Bildpunkt mit s(x,y)=0
behält in S' seinen Grauwert, während s(x,y)=l in S' nur dann
den Grauwert 1 behält, wenn alle Nachbarn den Grauwert 1
besitzen.
Das Quellbild S(x,y) kann durch die inverse Operation der
Dilatation bzw. Erosion nicht mehr reproduziert werden. Das
ist von daher verständlich, da ja z. B. isolierte Bildpunkte
mit s(x,y)=0 bei der Dilatation eliminiert werden und bei der
Erosion nicht mehr auftauchen. Durchgehende Linien in einem
Binärbild können durch das Closing aufgerissen werden. Das
kann bei einem schlecht aufgenommenen, binarisierten
Grauwertbild der Fall sein. Hier könnte ein Closing ein
Zeichen trennen und so für die nachfolgende Bearbeitung
unkenntlich machen. Andererseits kann das Closing zwei
Objekte, die sich berühren, trennen. Im Zuge der Blobanalyse,
die nachfolgend beschrieben wird, ist es von Vorteil, das
Binärbild einem Closing zu unterziehen, um bei der
Blobanalyse vernünftige Ergebnisse zu erzielen.
Im Bild 4.7 ist sehr gut zu sehen, daß das Binärbild nach dem
Closing etwas "ruhiger" aussieht. Es existieren nur noch
größere Pixelgruppen, die von der anstehenden Blobanalyse
erkannt werden.
Hier besteht der Quellcode nur aus einem Funktionsaufruf aus
den C-Bibliotheken der Firma Matrox, die diese
Bildverarbeitungsalgorithmen zur Verfügung stellen:
Die Blobanalyse ist ein Bereich der Bildverarbeitung, der es
ermöglicht verschiedene Objekte, die von Interesse sind, zu
vermessen und zu klassifizieren. Diese Objekte bezeichnet man
hierbei als Blobs. Es werden darunter Bereiche von sich
berührenden Pixeln verstanden, die den gleichen logischen
Grauwert haben. Diesem logischen Grauwert ordnet man den
Vordergrund des Binärbildes zu wobei der zweite Grauwert
demzufolge als Hintergrund definiert wird. In vielen
Applikationen besteht das Interesse ausschließlich an Blobs,
die gewisse Kriterien und bestimmte Abmessungen erfüllen. Die
Firma Matrox stellt eine leistungsfähige Blobanalyse zur
Verfügung mit der die verschiedensten Einstellungen in Bezug
auf Abmessungen der Blobs, Flächeninhalte der Blobs und
vielen weiteren Merkmalen realisiert werden können. Dieser
Algorithmus wird im folgenden verwendet, um eine weitere
Informationsreduktion zu erreichen. Es sollen nach der
Bearbeitung nur noch Pixelgruppen vorhanden sein, die den
zuvor definierten Horizontal- und Vertikalabmessungen
entsprechen.
Vor der Durchführung der Blobanalyse wird mit dem MIL-Befehl
MblobSelectFeature eine Merkmalliste angefertigt. Es werden
die Merkmale für die Numerierung der Blobs (M_LABEL_VALUE)
und die Ermittlung der minimalen und maximalen Koordinaten
sowie den maximalen horizontalen und vertikalen Durchmesser
der Blobs (M_BOX) in diese Liste aufgenommen.
MblobSelectFeature (MilBlobFeatList,M_LABEL_VALUE);
MblobSelectFeature (MilBlobFeatList,M_BOX);
Die eigentliche Blobanalyse erfolgt dann durch den
Befehlsaufruf MblobCalculate.
MblobCalculate(MilOri,M_NULL,MilBlobFeatList,MilBlobResult);
Anschließend werden alle gefundenen Blobs, die nicht den
Abmessungen
entsprechen mit der Funktion MblobSelect als nicht relevant
markiert. Die betreffenden Makros sind mit den hier
angegebenen voreingestellten Werten in der Headerdatei
K_SETUP.H definiert.
Es zeigt sich, daß nach der Blobanalyse überwiegend nur noch
Pixelgruppen vorhanden sind, die zu einem
Kraftfahrzeugkennzeichen gehören. Es läßt sich daran
erkennen, daß bei einem binarisierten Grauwertbild, dessen
Szene ein Kfz-Heck beinhaltet, nur eine geringe Anzahl von
Blobs mit diesen bestimmten Abmessungen vorhanden sind. Bild
4.8 zeigt das Binärbild nach der Durchführung der
Blobanalyse.
Zur besseren Darstellung sind die verbleibenden wichtigen
Blobs rot und die irrelevanten Blobs grau eingefärbt.
Nach der Blobanalyse liegen die einzelnen Zeichen des
Kennzeichens in der Regel als separate Blobs vor. Dennoch
zeigen realen Szenen oft einige Besonderheiten, die
verhindern, daß alle Zeichen als Blobs vorliegen. Als
problematisch hat sich insbesondere die Anbringung des
Kennzeichens am Fahrzeug herausgestellt. In vielen Fällen
werden Befestigungsschrauben direkt durch das Blech des
Kennzeichens gesteckt. Die Schraubenköpfe befinden sich in
einigen Fällen zwischen zwei Zeichen des Kennzeichens und
erscheinen erheblich dunkler als die weiße Reflexionsfolie.
Im ungünstigsten Fall berührt der Schraubenkopf zwei Zeichen.
Nach der Binarisierung erscheinen diese beiden Zeichen
verbunden. Ähnliches gilt für Schraubenköpfe, die direkt in
einem Zeichen stecken und hell erscheinen. Nach der
Binarisierung erscheint so ein Zeichen möglicherweise
unterbrochen (Bild 4.9). Generell ist anzumerken, daß auch
starke Verunreinigungen zu schlechten
Binarisierungsergebnissen führen. Die aus diesen Bildern
resultierenden Blobs werden dann aufgrund zu großer oder zu
kleiner Abmessungen verworfen und das Kennzeichen kann nicht
gefunden werden.
Die Numerierung der Blobs in der MIL-Ergebnisliste ist durch
das Eliminieren von einigen Blobs nicht mehr kontinuierlich.
Für die Weiterbearbeitung ist es aber erforderlich, daß die
Blobs fortlaufend numeriert werden (Indizierung) . Der Grund
hierfür liegt in der Tatsache, daß in den nächsten Schritten
mehrere for-Schleifen zur Anwendung kommen die diese
Zählindizes benötigen. Diese Indizierung geschieht mit der
Funktion KSegBlobGetBlobinfos. Das Bild 4.10 zeigt die neue
Numerierung der Blobs.
Die gesammelte Information der verbleibenden Blobs aus der
MIL-Ergebnisliste wird mit der Funktion KSegBlobGetBlobinfos
in ein Feld, bestehend aus Strukturen vom Typ blobinfomember,
übertragen. Dadurch stehen diese Daten für die weitere
Bearbeitung definiert und übersichtlich zu Verfügung.
Die Funktion KSegBlobGetBlobinfos ist nachfolgend aufgeführt:
Bei der Interpretation wird aus der Information der
verbleibenden Blobs ihre Ortsbeziehungen zueinander untersucht.
Mit verschiedenen Algorithmen wird ein Bereich gesucht in dem
ein Kfz-Kennzeichen sein könnte. Die Beziehungen der Blobs
zueinander bezeichnet man an dieser Stelle als Konnektivität.
Desweiteren wird der interessante Bereich als ROI (Region Of
Interest) dargestellt. Diese ROI soll gekennzeichnet- werden und
jedes darin befindliche Blob einzeln abgespeichert werden.
Zusätzlich wird Information über die Anzahl der Blobs und über
die Zusammensetzung der einzelnen Zeichen als ein mögliches
Kfz-Kennzeichen dazugefügt. Die gesammelten Daten werden in ein
Feld bestehend aus Strukturen vom Typ ROIinfomember
zusammengefügt. Das Kapitel 6 beschreibt diese Struktur, die
als eine Schnittstelle für die Fortführung der
Softwareapplikation fungiert. Es wird in den folgenden
Abschnitten gezeigt, wie die verbleibenden Blobs gekennzeichnet
und Regeln aufgestellt werden, um daraus eine mögliche ROI zu
finden.
Bei diesem Algorithmus wird eine Einteilung der gefundenen
relevanten Blobs in Reihen vorgenommen.
Dies geschieht mit der Funktion KSegLabelRows. In Bild 5.1 ist
das Ergebnis dieser Bearbeitung beschrieben. Es wird jedes
einzelne Blob, angefangen bei Blob 0, als Bezugsblob
betrachtet. Besitzt dieses Blob noch kein Reihenlabel, so
bekommt es eine Labelnummer. Ausgehend von diesem Blob bekommt
jedes weitere Blob, dessen unterster Extrempunkt in der
Vertikalen nicht weiter als 15 Pixel vom untersten Extrempunkt
des Bezugsblob entfernt ist, dasselbe Reihenlabel wie das
Bezugsblob. Besitzt das nächste zu betrachtende Bezugsblob
schon ein Reihenlabel so wird zum danach folgenden Blob
gegangen bis alle Blobs abgearbeitet sind. Diese Information
des Reihenlabels für jedes Blob ist dann in der Struktur
blobinfomember enthalten.
Für die spätere Vergabe von Clusterlabeln muß die Numerierung
der einzelnen Blobs innerhalb einer Reihe fortlaufend sein.
Dies ist durch die Kennzeichnung der Blobs durch die MIL-
Blobanalyse und die Indizierung durch die Funktion
KSegBlobGetBlobinfos nicht gewährleistet. Deshalb werden mit
der Funktion KSegLabelBlobsort die Blobnummern innerhalb einer
Reihe sortiert. Das Bild 5.2 zeigt die neue Vergabe der
Blobindizes.
Steht ein zu vergleichendes Blob in derselben Reihe wie das
gerade betrachtete und ist seine horizontale Position kleiner
als die des Betrachteten, werden die Indizes der am Vergleich
beteiligten Blobinfostrukturen getauscht. Diese Methode nennt
man Bubblesort-Verfahren.
Als nächster Schritt der Klassifizierung bekommt jedes Blob ein
Clusterlabel. Über die örtliche Zusammengehörigkeit der
einzelnen Blobs zueinander werden diese zu Zeichengruppen
zusammengefaßt, z. B. Landkreiskennzeichen. Beliebig viele Blobs
bilden zusammen ein Cluster, wenn ihr horizontaler Abstand
zueinander nicht größer als der Wert des globalen Makros
K_PARA_BLOBSPACING ist. Die Voreinstellung hierfür ist ein
maximaler Abstand von 15 Pixeln. Dieses Makro ist in der
Header-Datei K_SETUP.H definiert. Dieses Zusammenfügen von
Blobs zu einem Cluster wird für die nachfolgende Abfrage von
weiteren Ortsbeziehungen benötigt. Das Bild 5.3 zeigt das
Ergebnis der Clusterlabelvergabe. In dem hier gezeigten
Beispiel existieren vier Cluster.
Alle relevanten Blobs werden reihenweise von links nach rechts
betrachtet. Das erste Blob bekommt das Clusterlabel 1. Ist das
nächste Blob in derselben Reihe und der horizontale Abstand
kleiner als K_PARA_BLOBSPACING=15 (Makro mit voreingestelltem
Wert in Headerdatei K_SETUP.H), so bekommt es dasselbe
Clusterlabel, sonst das nächsthöhere usw. Am Ende der Funktion
haben alle Blobs ein Clusterlabel. Gleiche Clusterlabel
bezeichnen Blobs, die zu einer Zeichengruppe zusammengehören.
Nach der Klassifizierung der übriggebliebenen Blobs werden
Kombinationen von Clustern innerhalb einer Reihe für ein
mögliches einreihiges Kennzeichenschild und Verknüpfungen von
Clustern innerhalb von zwei Reihen für ein mögliches
zweireihiges Kfz-Kennzeichen gesucht. Dabei werden die
einzelnen Cluster zusätzlich überprüft, ob sie nicht eine
maximale Blobanzahl überschreiten.
Nach der StVZO Anlage Va sind nicht mehr als acht Zeichen
(Buchstaben und Ziffern) auf einem Kennzeichenschild zulässig.
Die Anzahl der Zeichen innerhalb der einzelnen Zeichengruppen
ist nicht in der StVZO festgelegt. Deshalb werden hier
Erfahrungswerte angenommen. Für die Landkreiskennzeichnung
werden
in der Regel maximal drei Zeichen verwendet. An der Stelle der Unterscheidungsbuchstaben in der Mitte des Kennzeichen sind maximal zwei Zeichen vorgesehen. Für die Unterscheidungszahlen werden maximal vier Ziffern eingesetzt. In Bild 5.4 ist gezeigt, was diese Vorschriften für die Anzahl der Blobs innerhalb eines Clusters bedeutet.
in der Regel maximal drei Zeichen verwendet. An der Stelle der Unterscheidungsbuchstaben in der Mitte des Kennzeichen sind maximal zwei Zeichen vorgesehen. Für die Unterscheidungszahlen werden maximal vier Ziffern eingesetzt. In Bild 5.4 ist gezeigt, was diese Vorschriften für die Anzahl der Blobs innerhalb eines Clusters bedeutet.
Diese Regeln sind folgend als C-Funktion realisiert:
Bei der Konnektivität zwischen den einzelnen Clustern werden
mögliche einreihige und zweireihige Kfz-Kennzeichen gesucht. In
diesem Abschnitt wird der Algorithmus für die Konnektivität für
einreihige Kfz-Kennzeichen beschrieben. Nachfolgend im
Abschnitt 5.7 ist die Konnektivität für zweireihige Kfz-
Kennzeichen dargestellt.
Bei der Konnektivität für einreihige Kfz-Kennzeichen werden
drei Cluster gesucht, die dasselbe Reihenlabel haben. Ist diese
Bedingung erfüllt, werden
die horizontalen Abstände vom ersten zum zweiten Cluster und
vom zweiten zum dritten Cluster gemessen. Ist der erste Abstand nicht größer als das Makro K_PARA_ONE_SPACE1=50
und der zweite Abstand nicht größer als das Makro K_PARA_ONE_SPACE2=49
wird dieser Bereich als mögliches Kfz-Kennzeichen markiert. Die Makros mit voreingestellten Werten für die maximalen Abstände sind in der Headerdatei K_SETUP.H definiert. In Bild 5.5 sind die zu überprüfenden Abstände graphisch dargestellt.
vom zweiten zum dritten Cluster gemessen. Ist der erste Abstand nicht größer als das Makro K_PARA_ONE_SPACE1=50
und der zweite Abstand nicht größer als das Makro K_PARA_ONE_SPACE2=49
wird dieser Bereich als mögliches Kfz-Kennzeichen markiert. Die Makros mit voreingestellten Werten für die maximalen Abstände sind in der Headerdatei K_SETUP.H definiert. In Bild 5.5 sind die zu überprüfenden Abstände graphisch dargestellt.
Die Konnektivität für zweireihige Kfz-Kennzeichen teilt sich in
die Funktionen KSegConnTwoUpCheck und KSegConnTwoDownCheck auf.
Dies geschieht aus der Tatsache heraus, daß zwei
verschiedenartige zweireihige Kfz-Kennzeichen
existieren. Der Unterschied der zwei Kfz-Kennzeichen wird
nachstehend veranschaulicht.
Typ I: zweireihiges Kennzeichen mit
Landkreiskennzeichen in der
ersten Reihe und allen weiteren Zeichen in der
zweiten Reihe.
Für dieses Kfz-Kennzeichen ist die Funktion KSegConnTwoUpCheck
zuständig.
Typ II: zweireihiges Kennzeichen mit Landkreiskennzeichen und
Unterscheidungsbuchstaben in der ersten Reihe
und Unterscheidungszahlen in der zweiten Reihe.
Hierfür ist die Funktion KSegConnTwoDownCheck maßgebend.
Bei der Suche nach zweireihigen Kennzeichen wird bei beiden
Funktionen generell so vorgegangen, daß zwei Cluster gesucht
werden, die das gleiche Reihenlabel haben und benachbart sind.
Danach wird der horizontale Abstand dieser benachbarten Cluster
(Zweiergruppe) vermessen. Dieser Abstand darf den Wert
K_PARA_ONE_SPACE1=50 (Makro mit voreingestelltem Wert in
K_SETUP.H) nicht übersteigen. Das weitere Vorgehen ist in
beiden Algorithmen unterschiedlich und wird im folgenden
beschrieben.
Es wird ermittelt, ob der vertikale Abstand zwischen der
Zweiergruppe und einem dritten Cluster oberhalb der
Zweiergruppe kleiner als K_PARA_TWO_SPACE1=27 ist. Das
voreingestellte Makro ist in der
Headerdatei K_SETUP.H definiert. Dieses Cluster muß sich
vollständig und allein innerhalb des horizontalen Bereichs
befinden, der durch die Zweiergruppe begrenzt wird. Diese
Begrenzungen sind im Bild 5.6 dargestellt.
Es wird ermittelt, ob der vertikale Abstand zwischen der
Zweiergruppe und einem dritten Cluster unterhalb der
Zweiergruppe kleiner als K_PARA TWO_SPACE1=27 ist. Das
voreingestellte Makro ist in der Headerdatei K_SETUP.H
definiert. Dieses Cluster muß dich vollständig und allein
innerhalb des horizontalen Bereichs befinden, der durch die
Zweiergruppe begrenzt wird. Diese Begrenzungen sind im Bild 5.7
dargestellt.
Anhand dieser Algorithmen werden alle ROI's, die diesen
Bedingungen entsprechen, gekennzeichnet und abgespeichert. Man
muß aber erkennen, daß hierbei auch eine ROI auftreten kann,
die nicht ein Kfz-Kennzeichen darstellt. Es besteht die
Möglichkeit, daß zufällig in der Szene auftretende Blobs die
Regeln der Ortskonnektivität erfüllen. Das Selektieren der
ROI's muß die Aufgabe eines neuronalen Netzwerks sein, das alle
vorhanden ROI's nacheinander bearbeitet, die Zeichen erkennt
und nicht relevante ROI's zurückweist. Es soll aber an dieser
Stelle erwähnt sein, daß die Existenz von mehreren ROI's in
einer realen Szene sehr selten auftritt. Bei den im Rahmen
dieser Diplomarbeit aufgenommenen Grauwertbildern ist dieser
Fall nie aufgetreten.
Das Programm, mit dem das Erkennungsverfahren simuliert wird,
ist mit Schnittstellen ausgerüstet, welche die Ergebnisse der
Segmentierung in geeigneter Form für die Weiterbearbeitung,
z. B. in einem neuronalen Netz bereitstellen. Es handelt sich
um zwei Softwareschnittstellen, die dieselben Informationen
sowohl im Arbeitsspeicher als Datenstruktur als auch in Form
eines Datenfiles, angelegt auf der Festplatte des Rechner zur
Verfügung stellen.
In Kapitel 4 und 5 wird beschrieben, wie mögliche Zeichen eines
Kfz-Kennzeichens gefunden werden. Die Kenntnis der Merkmale
absolute Position und Ausdehnung der Blobs, die bei der
Blobanalyse und den nachfolgenden Funktionen in die
Blobinformationsstrukturen eingetragen wurden, erlaubt nun
Kopien der Bildausschnitte anzufertigen, die jeweils ein
Zeichen enthalten. Für die spätere Weiterbearbeitung der
Zeichenbilder, z. B. mit einem Backpropagation-Netzwerk zur
Erkennung, ist es notwendig, die Zeichenbilder auf eine
einheitliche Größe zu normieren. Das Format für die normierten
Zeichenbilder ist 35 × 55 Pixel.
Anmerkung: Pro Kennzeichen werden immer acht dieser normierten
Bilder erzeugt. Enthält ein Kennzeichen weniger als acht
Zeichen, so werden die restlichen Bilder definiert mit der
Farbe weiß gefüllt.
Die Normierung von Umlauten muß gesondert betrachtet werden.
Durch die Blobanalyse werden die Punkte über den Buchstaben A,
Öund Ü als separate Blobs betrachtet und wegen ihrer geringen
Ausdehnung als nicht relevante Blobs verworfen. Bei einer
einheitlichen Normierung nach 6.2 würden diese Zeichen in
normierter Form nicht mehr von A, O und U unterscheidbar sein.
Daher wurde eine weitere Schwelle eingeführt, die die
Normierung nach 6.2 verhindert. Ist ein Zeichen nicht größer
als der Schwellwert K_PARA_BLOB_Y_THRESHOLD=40
(Voreingestelltes Makro in Headerdatei K_SETUP.H),
wird es auf die Größe 35 Pixel horizontal und
K_PARA_BLOB_Y_THRESHOLD Pixel vertikal normiert. Das
Zeichenbild besteht dann aus dem Zeichen, daß an der oberen
Kante des Bildes beginnt. Um dennoch das Bild vertikal auf 55
Pixel Höhe zu normieren, werden die verbleibenden Bildzeilen
unterhalb des Zeichen mit der Farbe weiß gefüllt.
Das Ergebnis der Segmentierungsalgorithmen besteht im
wesentlichen aus den separierten Zeichen eines potentiellen
Kennzeichens, vorliegend als normierte Bilder der Größe 35 × 55
Pixel und weiteren Zusatzinformationen (siehe nachstehende
Deklaration). Zu jedem potentiellen Kennzeichen, genannt
"Region Of Interest" (ROI), werden diese Informationen in eine
C-Struktur geschrieben. Im Arbeitsspeicher existiert ein
dynamisches Feld, das genausoviel Informationsstrukturen
enthält, wie ROIs in einem Grauwertbild gefunden werden. Die
Informationsstruktur für eine ROI ist folgendermaßen
deklariert:
(Alle genannten Deklarationen in der Headerdatei K_SEGM.H).
Die Anzahl der Informationsstrukturen in Feld ROIinfo findet
man in der globalen Variablen int ROIs. Beachten sollte man,
daß der Feldindex des Feldes ROIinfo bei 0 beginnt und der
höchste Feldindex die Indexnummer ROIs-1 besitzt.
Für die Informationsstrukturen wird der Speicherbedarf erst zur
Laufzeit des Programms reserviert. Auch der Eintrag der
Informationen in die Strukturen geschieht zur Laufzeit durch
die Funktion KSegConnHandleROI. Erst nach Abschluß der
Konnektivitätsalgorithmen sind die Strukturen voll beschrieben.
Im folgenden Quelltextauszug der Funktion KSegmentation, die
alle Segmentierungsalgorithmen aufruft, ist die Stelle
markiert, ab der die Informationsstrukturen voll beschrieben
und für weitere mögliche Implementationen innerhalb der
Applikation KEKE verfügbar sind.
Die gefundenen ROIs eines Grauwertbildes werden als Datei in
den Massenspeicher (Laufwerk C in das Verzeichnis
C:\KEKE\IMAGES eingetragen. Sie tragen denselben Namen, wie die
Datei, die das Grauwertbild enthält. Mit der Extension .ROI
wird sie von der Bilddatei unterschieden. Um
das Dateiformat zu verstehen, wird die Kenntnis der in
Abschnitt 6.3.1 beschriebenen globalen Variablen und
Informationsstrukturen vorausgesetzt. Die Funktion KSegSaveROIs
nimmt die Erzeugung dieser Dateien vor. Als erstes wird die
Variable ROIs abgespeichert (Integerwert: 4 Byte). Danach
werden der Reihe nach alle im Feld ROIInfo vorhandenen ROI-
Informationsstrukturen als komplette Blöcke angefügt.
[Föhr/Raus] 94] Föhr,R.,Raus,M., Automatisches Lesen amt
licher Kfz-Kennzeichen
Elektronik, 1994, Heft 1
[MATROX1 94] The Matrox Imaging Library-Command Ref. Manual No. 10368-MS-0210 Matrox Electronic Systems Ltd. Dorval, Quebec, Canada
[MATROX2 94] The Matrox Imaging Library-User Guide Manual No. 10328-MN-0210 Matrox Electronic Systems Ltd. Dorval, Quebec, Canada
[Diplom 95] Sommerfeld,H.,CPMS-Car Plate Matching System, Diplomarbeit Fachhochschule Gies sen Friedberg, Fachbereich E2, Juni/1995
[DIN 96] Retroreflektierende Kennzeichenschilder für Kraftfahrzeuge und deren Anhänge fahrzeuge, DIN-Normblatt 74069, Juli/1966
[Wevelsiep
[MATROX1 94] The Matrox Imaging Library-Command Ref. Manual No. 10368-MS-0210 Matrox Electronic Systems Ltd. Dorval, Quebec, Canada
[MATROX2 94] The Matrox Imaging Library-User Guide Manual No. 10328-MN-0210 Matrox Electronic Systems Ltd. Dorval, Quebec, Canada
[Diplom 95] Sommerfeld,H.,CPMS-Car Plate Matching System, Diplomarbeit Fachhochschule Gies sen Friedberg, Fachbereich E2, Juni/1995
[DIN 96] Retroreflektierende Kennzeichenschilder für Kraftfahrzeuge und deren Anhänge fahrzeuge, DIN-Normblatt 74069, Juli/1966
[Wevelsiep
97
] Verfahren zur omnidirektionalen Erfassung
von OCR-Klarschrift auf Etiketten oder
ähnlichen Datenträgern durch zufallsge
steuerte Suche und Dekodierung mit einem
neuronalen Netzwerk
Offenlegungsschrift Deutsches Patentamt
DE 195 07 059 A1, 9.1.97
[Diplom 96] Hohmann,R.,Gogné,R.,Zeichensegmentie rungsalgorithmen für neue deutsche Euro- Kfz-Kennzeichen, Diplomarbeit Fachhoch schule Gießen-Friedberg, Fachbereich E2, November 1996
[Diplom 96] Hohmann,R.,Gogné,R.,Zeichensegmentie rungsalgorithmen für neue deutsche Euro- Kfz-Kennzeichen, Diplomarbeit Fachhoch schule Gießen-Friedberg, Fachbereich E2, November 1996
Claims (13)
1. Verfahren zur Segmentierung von verabredeten Symbolen, wie
Schriftzeichen, Logos, etc. in Grauwert- oder Binärbildern
von formatierten Datenträgern,wie Kraftfahrzeug - Kennzei
chenschildern, Etiketten, wie sie vorzugsweise in Produk
tion oder Logistik verwendet werden, sonstigen Schildern
oder von verabredeten Symbolen, bzw. Schriftzeichen auf
speziell für Beschriftungszwecke vorgesehene von sonsti
ger Information frei gehaltene ebene Flächen auf Gegen
ständen, dadurch gekennzeichnet, daß die Symbole, die
vorzugsweise drucktechnisch oder prägetechnisch in gegen
über dem Hintergrund kontrastierender Weise so angebracht
wurden, daß ihre Größenabmessungen (vorzugsweise Höhe,
Breite, Durchmesser oder eine sonstige geometrisch ein
fache, das Symbol umschreibende Figur wie ein Rechteck )
einer verabredeten, dem Segmentierungsverfahren bekannten
Regel genügen und der gegenseitige Abstand der nicht mit
einander verbundenen Symbole in einer Zeile und ggf. der
Abstand mehrerer Zeilen aus diesen Symbolen einer eben
falls dem Segmentierungsverfahren bekannten Regel genügen,
so daß ein Suchalgorithmus, der das Grauwert- oder Binär
bild nach diesen Symbolen auf Grund der Kenntnis der ver
abredeten Eigenschaften absucht, nur den verabredeten
Größeneigenschaften genügende Symbole in der zufälligen
oder determinierten Reihenfolge ihres Auffindens nume
riert und anschließend nur noch ein das grafische Abbild
des Symbols enthaltendes Teilbild des ursprünglichen ge
samten Szenenbildes in einem Speicher zur weiteren Aus
wertung bereithält, welche darin besteht, daß der ört
liche Abstand von jedem in der beschriebenen Weise gefun
denen und gespeicherten Symbole zu jedem anderen gefunde
nen Symbol bestimmt wird und in einer Liste in Kombina
tion mit den laufenden Nummern der jeweils beiden betei
ligten Symbole erfaßt wird, so daß nach Abschluß die
ses Vorgangs eine den gegenseitigen Abstand der Symbole
beschreibende Konnektivitätsliste erhalten wird und an
schließend die Einträge der Konnektivitätsliste mit vor
ab gespeicherten örtlichen Abstandsmerkmalen, welche die
Geometrie sinnvoller Symbolpositionen (Formatvorschrift)
auf dem Datenträger oder der für die Beschriftung vorge
sehenen Fläche auf einem Gegenstand beschreiben, zu ver
gleichen und im Falle der Übereinstimmung der erstellten
Konnektivitätsliste mit der Formatvorschrift die bezüglich
ihrer örtlichen Position der Formatvorschrift genügenden
Symbole in einer geordneten Reihenfolge einer logischen
Schnittstelle (Datenstruktur oder Datenfile) so zugeführt
werden, daß eine Dekodierung, d. h. die Umsetzung der
Symbol-Teilbilder in zugeordnete ASCII-Zeichen möglich
ist.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
an Stelle einer gespeicherten Formatvorschrift ein Katalog
von Formatvorschriften gespeichert vorliegt, um in Auf
gabenstellungen, bei denen mit dem Auftreten mehrerer
verabredeter Formate, wie z. B. unterschiedlicher natio
naler und/oder internationaler Kraftfahrzeug-Kennzei
chenschilder, zu rechnen ist, die erarbeitete Konnekti
vitätsliste in festgelegter oder zufälliger Reihenfolge
mit dem Katalog der Formatvorschriften zu vergleichen, um
der logischen Schnittstelle die Teilbilder der ermittelten
Symbole zusammen mit der Katalognummer der zutreffenden
Formatvorschrift übergeben zu können und damit eine Deko
dierung der Symbole in der für die zutreffende Formatvor
schrift geeigneten Weise veranlassen zu können und zusätz
lich, z. B. im Falle der Kfz-Kennzeichen, eine Aussage
über die nationale Herkunft, oder eine sonstige, Art oder
Herkunft des Datenträgers kennzeichnende Eigenschaft zu
gewinnen.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
die Suche nach Symbolen, die den Regeln des Segmentie
rungsverfahrens genügen, in für die Geschwindigkeit des
Auffindens vorteilhafter Weise in einem solchen örtlichen
Bereich des Bildszene beginnt, in dem das Auftreten der
die Symbole tragenden Datenträger oder Beschriftungsflä
chen basierend auf Erfahrung oder Vorgaben wahrscheinlich
ist und erst dann die restliche Bildfläche mit vorgegebe
ner Systematik abgesucht wird, bis die den Regeln des Seg
mentierungsverfahrens und der Konnektivität genügende An
zahl der Symbole erfaßt worden ist, bzw. im Falle ergeb
nisloser Suche, wenn also nur Symbole gefunden werden, die
nicht, oder nicht vollständig den Regeln der Segmentierung
und Konnektivität entsprechen, das Verfahren geordnet so
abgebrochen werden kann, daß die Verarbeitung eines neu
en Bildes möglich wird.
4. Verfahren nach Anspruch 1 und 3, dadurch gekennzeichnet,
daß nach erfolgreicher Segmentierung und Konnektivitäts
prüfung, also dem Auffinden eines gültigen Datenträgers
bzw. einer Beschriftung in einer aktuell gegebenen Bild
szene, die Ortskoordinaten des Datenträgers bzw. der Be
schriftungsfläche relativ zum Ursprung des Bildkoordina
tensystems gespeichert werden und in dieser Weise bei je
dem zu verarbeitenden neuen Bild verfahren wird, um nach
einer festgelegten Anzahl von verarbeiteten Bildern eine
Häufigkeitsanalyse der gefundenen Datenträger-Ortskoor
dinaten vorzunehmen, mit dem Ziel, in für die weitere
Bildszenenverarbeitung vorteilhafter Weise die Suche nach
Symbolen in dem örtlichen Bereich des Gesamtbildes starten
zu können, in dem basierend auf der Häufigkeitsanalyse
der Vergangenheit der jeweils neue Datenträger erwartet
wird, um die Geschwindigkeit des gesamten Verfahrens zu
erhöhen und gleichzeitig durch Fortschreiben der Häufig
keitsstatistik dem System eine Lernfähigkeit zu vermitteln
-also eine Adaption an im Laufe der Zeit ggf. tendenziell
driftende Ortskoordinaten der Datenträger vornehmen zu
können - um den Geschwindigkeitsvorteil im Suchprozeß
langfristig aufrecht zu erhalten, eine Aufgabenstellung,
die beispielhaft immer dann gegeben ist, wenn Fahrzeuge
an einer Erfassungsstelle (z. B. Parkhaus, Mautstation)
normalerweise in einem erwarteten Ortsbereich (z. B. Fahr
bahnmitte) auftreten, aber nach einer verkehrsbedingten
Störung o. ä. in einem variierten Ortsbereich auftreten,
und damit eine manuelle neue Ausrichtung der Kameraposi
tion, die ohne diese Verfahrenseigenschaft zweckmäßig
wäre, unterbleiben kann.
5. Verfahren nach Anspruch 1 bis 4, dadurch gekennzeichnet,
daß aus dem Luminanzsignal des Rohbildes,um dieses in ein
Binärbild zu wandeln, zunächst ein Grauwerthistogramm des
Rohbildes über den gesamten mit n bit codierten Grauwert
bereich des Rohbildes - wobei vorzugsweise n = 8 gewählt
wird - erstellt wird und in diesem Histogramm das Häufig
keitsmaximum der Grauwertverteilung unterhalb des durch
2 hoch (n-1) beschriebenen Grauwertes, für n = 8 also
128, gesucht wird und anschließend das entsprechende
Häufigkeitsmaximum oberhalb des durch 2 hoch (n-1) be
schriebenen Grauwertes gesucht wird, dann die den genann
ten Maxima zugehörigen Grauwerte ermittelt und gespeichert
werden und anschließend eine Digitalisierungsschwelle ge
nau in die Mitte zwischen diesen beiden, die Maxima kenn
zeichnenden Grauwerte gelegt wird, um mit Hilfe dieser
Schwelle die Umwandlung des Rohbildes in das Binärbild
durchzuführen - ein Verfahren, das experimentell erprobt
in vorteilhafter Weise eine von der jeweiligen Szenenbe
leuchtung weitgehend unabhängige und zuverlässige Segmen
tierung des Datenträgers, vorzugsweise ein Kfz-Kennzei
chen, vom Bildhintergrund ermöglicht.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, daß
im Falle erfolgreicher Erkennung eines Datenträgers, die
zunächst gespeicherten, die Digitalisierungsschwelle be
stimmenden beiden Grauwerte zusammen mit dem zugehörigen
Grauwerthistogramm nunmehr langfristig mit dem Ziel
gespeichert werden, eine Statistik zur langfristigen
Ermittlung der für die Beleuchtungsverhältnisse dieser
Installation optimalen Digitalisierungsschwelle zu ermit
teln und besonders in den Fällen, wo wegen einer für die
Erkennung ungünstigen Grauwertverteilung der Szene eben
diese Erkennung fehlerhaft würde, was durch Vergleich des
in diesem Falle sich ergebenden Grauwerthistogramms mit
einem ebenfalls über eine langfristige Statistik aus den
Grauwerthistogrammen der erfolgreichen Erkennungen errech
neten, gemittelten Grauwerthistogramm ermittelt werden
kann, wobei sich als Vergleichskriterium der mittlere
quadratische Fehler zwischen den beiden Histogrammen in
vorteilhafter Weise anbietet, auf diese Weise eine
adaptive Digitalisierungsschwelle realisiert wird.
7. Verfahren nach Anspruch 1 bis 6, dadurch gekennzeichnet,
daß die Konnektivitätsprüfung so erweitert wird, daß zu
nächst örtliche Cluster von Schriftzeichen, Symbolen oder
sonstigen verabredeten Strukturen aus zusammenhängenden
Pixeln (nachfolgd. Blobs genannt) in jeweils individuellen
Konnektivitätslisten zusammengefaßt werden, diese einzeln
auf Erfüllung einer oder mehrerer gespeicherter Formatvor
schrift(en) untersucht werden und auf diese Weise auch
mehrere in der Szene vorkommende Datenträger, bzw. Symbole
tragende Beschriftungsflächen erfaßt und erkannt wer
den können, auch wenn sie ein unterschiedliches Layout
aufweisen, ein z. B. bei der Erkennung von Kfz-Kennzeichen
dann erforderliches Verfahren, wenn mit dem Auftreten von
dem Kennzeichen-Layout ähnlichen Datenträgern, wie Auf
klebern oder sonstigen Dummies gerechnet werden muß, etwa
zu dem Zweck, das Erkennungsverfahren zu täuschen, bzw.
in einer Produktions- oder Logistik-Anwendung mit mehreren
im Layout bekannten Datenträgern oder zu erfassenden Be
schriftungsflächen gerechnet werden muß.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, daß
bei der Anwendung des Verfahrens in Zielerfassung und
Zielerkennung die Extraktion eines oder mehrerer Ziele in
einer Bildszene, welche typischerweise ein terrestrisches
Gefechtsfeld oder den von einem lenkbaren Flugkörper beob
achteten Luftraum darstellt, dadurch erfolgt, daß die be
kannten Formmerkmale eines erwarteten oder gesuchten Ziels
als definierter Blob, oder im Falle eines hinsichtlich
seiner geometrischen Form komplexeren Ziels als durch eine
zugehörige Konnektivität beschriebene Anzahl einzelner
Blobs, beschrieben wird, bzw. bei Erwartung mehrerer Ziele
sinngemäß für jedes Ziel eine entsprechende Vorgabe er
folgt, wobei zusätzlich auch die zwischen diesen Zielen
auf Grund der erwarteten gegnerischen Taktik abgeschätzte
örtliche Konnektivität berücksichtigt werden kann, auf
diese Weise also auch erwartete Täuschungsversuche erkannt
werden können, um als Ergebnis der vorgenannten Bild
szenenverarbeitung entweder automatisch eine Zielauswahl
durchzuführen, oder die im Sinne der geschilderten Analyse
extrahierten Ziele im Originalbild der Gefechtsfeldszene
so zu markieren, daß ein menschlicher Beobachter über die
finale Zielauswahl entscheiden kann.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, daß
das Verfahren insbesondere für die Auswertung von Wärme
bildern, welche typischerweise unschärfere Objektkonturen
aufweisen als Bilder im visuell sichtbaren Bereich, ange
wendet wird, um die vorteilhafte Eigenschaft der Blobana
lyse zu nutzen, geometrische Formmerkmale innerhalb eines
Toleranzbereiches angeben zu können, eine Eigenschaft, die
zu einer verbesserten Zielextraktion dann führt, wenn ein
gesetzte Täuschungsmittel - im Falle einer Wärmebildver
arbeitung beispielsweise heiße Metalldampfwolken, o.a. -
mit deutlich höherer Strahlungsintensität als die des an
gesprochenen Zieles in Zielnähe so dargeboten werden, daß
das angesprochene bzw. bereits verfolgte Ziel durch grö
ßere Strahlungsintensität und/oder größere örtliche Aus
weitung der dem Beobachter dargebotenen Zielquerschnitts
fläche maskiert wird, wobei ein mit Blobanalyse und Kon
nektivitätsprüfung ausgerüsteter, das Ziel verfolgender
Flugkörper das größere und/oder wärmere Ziel ignoriert,
und nach Passieren des Bereiches,in dem die Täuschung er
folgte, die Verfolgung des ursprünglichen Zieles wieder
aufnimmt, beispielsweise, indem der ursprüngliche Kurs
des verfolgenden Flugkörpers unbeeinflußt von der Täu
schung kurzfristig beibehalten wird.
10. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
die Schriftzeichensegmentierung deutscher Kfz-Kennzeichen
in vorteilhafter Weise so erfolgt, daß ein Binärbild vom
Fleck oder der Frontseite eines Fahrzeuges von links nach
rechts und von oben nach unten nach zusammenhängenden
Strukturen schwarzer Pixel (Blobs) gesucht wird und
nur dann, wenn die gefundenen Strukturen innerhalb von
durch vorgegebene Toleranzfelder beschriebenen Breiten-
und Höhenabmessungen, die entsprechend den Größenabmes
sungen der zu segmentierenden Schriftzeichen gewählt sind,
liegen, das grafische Abbild dieser Strukturen, die nun
mehr mit hoher Wahrscheinlichkeit Schriftzeichen des
Kennzeichenschildes darstellen, jeweils so gekenn
zeichnet wird, daß die Ortskoordinaten dieser Strukturen-
z. B. die linke obere Ecke des umschriebenen Rechteckes
einer jeden Struktur - und als Ordnungskriterium die
laufende Nummer in der Reihenfolge des Auffindens, gespei
chert werden, dann alle so gekennzeichneten Strukturen,
ausgehend von der ersten gefundenen, daraufhin untersucht
werden, welche hiervon in einer Reihe, d. h. horizontal
nebeneinander stehend, vorkommen, wobei für diese Analyse
die gespeicherten Ortskoordinaten verwendet werden und so
dann den in einer Reihe stehenden Strukturen jeweils ein
weiteres Ordnungskriterium in Form eines Reihenlabels zu
gewiesen wird, gefolgt von einer Neuvergabe der laufenden
Nummer der Strukturen in einer Reihe so, daß die laufende
Nummer aufsteigend von links nach rechts an die Strukturen
vergeben wird und daran anschließend eine Prüfung auf die
horizontalen Abstände der Strukturen durchgeführt wird, mit
dem Ziel, festzustellen, ob die Abstände zwischen den ein
zelnen Strukturen einem aus der geltenden Straßenver
kehrszulassungsordnung (StVZO) ableitbaren Regelwerk für
Kennzeichenschilder genügen und nach Abschluß der Über
prüfung dieser Reihe untersucht wird, ob noch Strukturen
zu finden sind, denen eine zweite Reihe zugewiesen werden
kann, in welchem Falle sinngemäß wie im Verfahren für die
erste Reihe vorgegangen wird, um diese Weise auch zweirei
hige Kennzeichenschilder zu erfassen und danach noch zu
prüfen, ob nicht mehr als 8 Strukturen in maximal 2 Reihen
(entsprechend der StVZO) vorhanden sind und - wenn auch
diese Prüfung erfolgreich ist - zu entscheiden, daß die
vorliegenden Strukturen Schriftzeichen, also Buchstaben
bzw. Ziffern eines Kfz-Kennzeichenschildes sein müssen
und nunmehr die durch ihre gespeicherten Ortskoordinaten,
Größe des umschriebenen Rechteckes und laufende Nummer
identifizierten Strukturen als grafisches Teilbild der
gesamten Bildszene an einer Grafikschnittstelle zur wei
teren Verarbeitung, also der Zeichendekodierung, welche
in der Zuweisung eines ASCII-Zeichens besteht, zu über
geben.
11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, daß
zur Erkennung der Umlaute Ä, Ö, Ü auf deutschen Kfz-
Kennzeichenschildern die Beurteilung der gefundenen Struk
turen wie in Anspruch 10 beschrieben, durchgeführt wird
und dabei die beiden Punkte der Umlaute als separate Blobs
erkannt werden, welche jedoch zu klein sind, um der be
schriebenen Prüfung auf Breiten- und Höhenabmessung zu
genügen und deshalb unberücksichtigt bleiben, wonach nur
noch der untere Teil der Umlaute verbleibt, für diesen
eine zusätzliche angepaßte Höhenprüfung durchgeführt
wird und dann, wenn diese bestanden wird, der untere Teil
der Umlaute als eigenständiges grafisches Symbol betrach
tet wird, welches an die Grafikschnittstelle zur weiteren
Verarbeitung, also der Zeichendekodierung, übergeben wird
und vom Dekoder als verabredetes ASCII-Zeichen der ent
sprechende Umlaut zugeordnet wird.
12. Verfahren nach Ansprüchen 1 bis 8, 10 und 11, dadurch
gekennzeichnet, daß neben Grauwertbildern auch Farb
bilder verarbeitet werden, wobei alle beschriebenen
Operationen auf den Luminanzanteil des Bildsignals an
gewendet werden und zusätzlich jedem Farbkanal eine
eigene Blobanalyse und Konnektivitätsprüfung zugewiesen
werden kann.
13. Verfahren nach Ansprüchen 1 bis 8 und 10 bis 12, dadurch
gekennzeichnet, daß das Kfz-Kennzeichen-Erkennungssystem
automatisch so arbeitet, daß Kennzeichen nach Möglichkeit
vom System erkannt und die dekodierten Schriftzeichen nach
einer logischen Plausibilitätsprüfung als ASCII-String
über eine Datenfernübertragung einer Zentrale zugeführt
werden und nur in den Fällen, wo ein Kennzeichen nicht vom
System erkannt wird, das Grauwert- oder Farbbild der Ori
ginalszene unter Ausnutzung bekannter Bildkompressionsver
fahren der Zentrale zur visuellen Auswertung durch einen
Bearbeiter über dieselbe Datenfernübertragung zugeführt
wird und diese Übertragung nach Zwischenspeicherung der
komprimierten Bilder im Rechner des Erkennungssystems,oder
in einem mit diesem verbundenen Rechner, nach Abruf, bzw.
automatisch in verkehrsschwachen Zeiten veranlaßt wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19717814A DE19717814B4 (de) | 1997-04-26 | 1997-04-26 | Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen Szenen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19717814A DE19717814B4 (de) | 1997-04-26 | 1997-04-26 | Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen Szenen |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19717814A1 true DE19717814A1 (de) | 1998-10-29 |
DE19717814B4 DE19717814B4 (de) | 2008-06-05 |
Family
ID=7827928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19717814A Expired - Fee Related DE19717814B4 (de) | 1997-04-26 | 1997-04-26 | Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen Szenen |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19717814B4 (de) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016105102A1 (de) * | 2016-03-18 | 2017-09-21 | Leibniz-Institut für Photonische Technologien e. V. | Verfahren zur Untersuchung verteilter Objekte |
CN111260631A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 一种高效刚性接触线结构光光条提取方法 |
CN111353979A (zh) * | 2020-02-27 | 2020-06-30 | 成都恒创新星科技有限公司 | 一种移动式计算机视觉光斑探测定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4783829A (en) * | 1983-02-23 | 1988-11-08 | Hitachi, Ltd. | Pattern recognition apparatus |
US4817166A (en) * | 1986-05-05 | 1989-03-28 | Perceptics Corporation | Apparatus for reading a license plate |
US5408537A (en) * | 1993-11-22 | 1995-04-18 | At&T Corp. | Mounted connector pin test using image processing |
DE19507059B9 (de) * | 1995-03-01 | 2005-02-17 | Wevelsiep, Klaus, Prof. Dipl.-Ing. Dr. | Verfahren zur omnidirektionalen Erfassung von OCR-Klarschrift auf Etiketten oder ähnlichen Datenträgern durch zufallsgesteuerte Suche und Dekodierung mit einem neuronalen Netzwerk |
SE506145C2 (sv) * | 1995-03-20 | 1997-11-17 | Bjoern Stefan Christian Blixt | Förfarande för omvandling av en i bildelement uppdelad gråskalebild till en svart-vit bild |
-
1997
- 1997-04-26 DE DE19717814A patent/DE19717814B4/de not_active Expired - Fee Related
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016105102A1 (de) * | 2016-03-18 | 2017-09-21 | Leibniz-Institut für Photonische Technologien e. V. | Verfahren zur Untersuchung verteilter Objekte |
CN111260631A (zh) * | 2020-01-16 | 2020-06-09 | 成都地铁运营有限公司 | 一种高效刚性接触线结构光光条提取方法 |
CN111260631B (zh) * | 2020-01-16 | 2023-05-05 | 成都地铁运营有限公司 | 一种高效刚性接触线结构光光条提取方法 |
CN111353979A (zh) * | 2020-02-27 | 2020-06-30 | 成都恒创新星科技有限公司 | 一种移动式计算机视觉光斑探测定位方法 |
CN111353979B (zh) * | 2020-02-27 | 2023-10-17 | 成都恒创新星科技有限公司 | 一种移动式计算机视觉光斑探测定位方法 |
Also Published As
Publication number | Publication date |
---|---|
DE19717814B4 (de) | 2008-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE112013001858B4 (de) | Mehrfachhinweis-Objekterkennung und -Analyse | |
DE19852631C2 (de) | Vorrichtung und Verfahren zur Verkehrszeichenerkennung | |
EP2569731B1 (de) | Verfahren zur erkennung von verkehrszeichen | |
EP2467828B1 (de) | Verfahren und system zur automatischen objekterkennung und anschliessenden objektverfolgung nach massgabe der objektform | |
DE19831413C2 (de) | Bildverarbeitungsverfahren und Vorrichtungen zur Erkennung von Objekten im Verkehr | |
DE102011001037B4 (de) | Fahrzeuginterne Vorrichtung zur Weiß-Linien-Erkennung | |
DE102007034010A1 (de) | Verfahren und Vorrichtung zur Bearbeitung von Videodaten | |
Khalifa et al. | Malaysian Vehicle License Plate Recognition. | |
DE102012005325A1 (de) | Maschinelles Bilderkennungsverfahren basierend auf einem Kl-System | |
EP0564858B1 (de) | Verfahren zur Auflösung von Clustern bewegter Segmente | |
DE102015207903A1 (de) | Vorrichtung und Verfahren zum Erfassen eines Verkehrszeichens vom Balkentyp in einem Verkehrszeichen-Erkennungssystem | |
DE10160719B4 (de) | Verfahren und Vorrichtung zur Erkennung und Wiedererkennung von sich bewegenden Objekten | |
Agrawal et al. | Cognitive number plate recognition using machine learning and data visualization techniques | |
DE102018010039A1 (de) | Verfahren zur Erkennung von mindestens einem Muster in einer Umgebung eines Fahrzeugs, Steuergerät zum Ausführen eines solchen Verfahrens, sowie Fahrzeug mit einem solchen Steuergerät | |
DE102019204602B4 (de) | Verfahren und Vorrichtung zur Maskierung von in einem Bild enthaltenen Objekten | |
DE19717814A1 (de) | Verfahren zur Segmentierung von Schriftzeichen und Symbolen auf Kfz-Kennzeichenschildern und formatierten Datenträgern sowie zur Segmentierung von Mustern in komplexen Szenen | |
Burkpalli et al. | Automatic Number Plate Recognition Using Tensorflow And EasyOCR | |
DE102008050456B4 (de) | Verfahren und Vorrichtung zur Fahrspurerkennung | |
EP0585916A1 (de) | Einrichtung zur Erfassung von Zeichen auf Objekten, insbesondere von Buchstaben und Ziffern auf Nummernschildern von Kraftfahrzeugen | |
DE19549216C2 (de) | Verfahren zur Bildauswertung | |
DE10136649B4 (de) | Verfahren und Vorrichtung zur Objekterkennung von sich bewegenden Kraftfahrzeugen | |
DE102006039832B4 (de) | Verfahren und Vorrichtung zum Auffinden und Unterscheiden von Personen, Tieren oder Fahrzeugen mittels automatischer Bildüberwachung digitaler oder digitalisierter Bilder | |
DE10334136B4 (de) | Verfahren und Vorrichtung zur Bestimmung eines Hintergrundbildes bei bildgebenden Verfahren | |
CN113343766B (zh) | 一种车辆压双黄线自动检测方法 | |
DE102020112860A1 (de) | Verbesserte Detektion von Objekten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: TRANSMIT GESELLSCHAFT FUER TECHNOLOGIETRANSFER, DE |
|
R082 | Change of representative |
Representative=s name: PATENTANWAELTE OLBRICHT, BUCHHOLD, KEULERTZ PA, DE |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20131101 |