ES2275474T3 - Metodo de segmentacion de caracteres para reconocimiento de placas de matricula de vehiculos. - Google Patents
Metodo de segmentacion de caracteres para reconocimiento de placas de matricula de vehiculos. Download PDFInfo
- Publication number
- ES2275474T3 ES2275474T3 ES00307697T ES00307697T ES2275474T3 ES 2275474 T3 ES2275474 T3 ES 2275474T3 ES 00307697 T ES00307697 T ES 00307697T ES 00307697 T ES00307697 T ES 00307697T ES 2275474 T3 ES2275474 T3 ES 2275474T3
- Authority
- ES
- Spain
- Prior art keywords
- characters
- image
- regions
- recognition
- license plate
- 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.)
- Expired - Lifetime
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
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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)
- Character Input (AREA)
- Character Discrimination (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
Método para segmentar y reconocer placas de matrícula que comprende las etapas de: capturar (10) una imagen de una placa de matrícula; procesar (11) previamente la imagen para preparar la imagen para la segmentación y el reconocimiento; dividir (114) directamente regiones de la imagen de la placa de matrícula en supuestas regiones de caracteres; reconocer (115) las supuestas regiones de caracteres en la imagen de la placa de matrícula y proporcionar una puntuación de seguridad basada en una probabilidad de coincidencia correcta; si los supuestos caracteres tienen una puntuación de seguridad por debajo de un valor umbral, fusionar (116) inversamente supuestas regiones de caracteres adyacentes para evaluar regiones en la imagen para determinar si puede lograrse una mayor seguridad al combinar regiones; reconocer las supuestas regiones de caracteres fusionadas inversamente en la placa de matrícula; y si las supuestas regiones de caracteres fusionadas inversamente tienen una puntuación de seguridad por debajo del valor umbral, repetir las etapas de fusión inversa y de reconocimiento; en el que la etapa de procesamiento previo de la imagen para preparar la imagen para la segmentación y el reconocimiento incluye las etapas de: refinar (18) una posición de la placa de matrícula: determinando una altura de los caracteres en la imagen de la placa de matrícula empleando una función de proyección; calculando una variancia espacial para determinar una posición central de los caracteres; empleando la posición central y la altura de los caracteres para reducir un tamaño de una región de interés detectando los bordes de un límite de placa y calculando una longitud de los bordes para identificar la región de interés.
Description
Método de segmentación de caracteres para
reconocimiento de placas de matrícula de vehículos.
Esta descripción se refiere al reconocimiento de
caracteres y, más en particular, a un método de segmentación de
caracteres en una placa de matrícula para su reconocimiento.
En el pasado se han desarrollado diversos
sistemas en la técnica anterior basados en la visión por ordenador
para leer un número de placa de matrícula. Estos sistemas
normalmente consisten en tres módulos principales: localización de
la placa, segmentación de caracteres y reconocimiento de caracteres.
En un esquema de modo en serie, la segmentación de caracteres es
necesaria para realizar el reconocimiento de caracteres que se basa
totalmente en caracteres aislados. Los caracteres segmentados de
manera incorrecta no se reconocerán probablemente correctamente. De
hecho, la mayoría de errores de reconocimiento en los sistemas de
bucle abierto convencionales no se debe a una falta de capacidad de
reconocimiento sino a errores de segmentación en diferentes niveles
de la imagen. Resulta difícil desarrollar una segmentación de
caracteres robusta para el reconocimiento de placas de matrícula.
Las razones son principalmente que la resolución limitada de los
caracteres de la placa junto con la suciedad, arañazos, sombras y
sesgos etc., normalmente degradan el rendimiento de la segmentación.
Además, el entorno exterior sujeto a grandes variaciones de cambios
de iluminación
\hbox{podría hacer muy complicado el desarrollo de un esquema de segmentación fiable.}
La segmentación de caracteres basada en la
proyección de píxeles se usa ampliamente en los sistemas de
reconocimiento óptico de caracteres (OCR, del inglés "optical
carácter recognition") convencionales. En general, los sistemas
convencionales dan un buen resultado para la mayoría de tareas de
reconocimiento de texto impreso a máquina. La ventaja de tales
sistemas es que se gana en velocidad de ejecución. Si los caracteres
en una placa de matrícula están en perfectas condiciones, es decir,
están suficientemente separados o intactos, la segmentación de
caracteres puede efectuarse directamente a partir de la función de
proyección. Sin embargo, en escenarios de la vida real normalmente
no se dispone de imágenes de placas de matrícula limpias e
iluminadas de manera uniforme.
LU Y: "Machine printed character segmentation
- an overview" Pattern Recognition, Pergamon Press Inc. Elmsford,
N.Y., EE.UU., vol. 28,nº 1, 1995, páginas 67-80, da
a conocer un método para la segmentación y el reconocimiento de
caracteres impresos que se dividen en supuestas regiones de
caracteres. Los segmentos se vuelven a dividir en segmentos más
pequeños si contienen múltiples caracteres. El documento EP 0862132
también da a conocer un método para la segmentación y el
reconocimiento de placas de matrícula en el que se capturan imágenes
y se procesan previamente y hay una división de regiones en
supuestas regiones de caracteres. Cuando hay un espacio más ancho
de la media entre dos caracteres sucesivos, puede haber una nueva
segmentación para comprobar si hay caracteres adicionales. R.M
Bozinovic y S.N. Srihari en "Off-Line Cursive
Script Word Recognition" (IEEE Transc. Pattern Analysis and
Machine Intelligence, enero de 1989) presentan un proceso de
reconocimiento de caracteres que emplea la segmentación directa y
la reagrupación de regiones de caracteres. Según este artículo,
todas las hipótesis de letras obtenidas agrupando una, dos o tres
regiones de caracteres se evalúan frente a las letras y símbolos
del alfabeto (a...z), entonces las hipótesis de letras con
puntuación de alta seguridad se consideran en combinación con las
hipótesis de letras que han obtenido altas puntuaciones en el ciclo
anterior etc. Sin embargo, estos métodos de la técnica anterior
puede que no proporcionen un reconocimiento de caracteres completo
en todas las circunstancias.
Por lo tanto, existe una necesidad de un método
de segmentación robusto para la segmentación de caracteres en una
pluralidad de diferentes condiciones de iluminación y
ambientales.
Un método para la segmentación y el
reconocimiento de placas de matrícula, según la presente invención,
que puede implementarse usando un dispositivo de almacenamiento de
programas legible por ordenador, que incorpora de manera tangible
un programa de instrucciones ejecutable por el ordenador para
realizar las etapas del método, incluye capturar una imagen de una
placa de matrícula y procesar previamente la imagen para preparar la
imagen para la segmentación y el reconocimiento. La imagen se
divide directamente en supuestas regiones de caracteres de la
imagen de la placa de matrícula. Las supuestas regiones de
caracteres en la imagen de la placa de matrícula se reconocen y se
les proporciona una puntuación de seguridad basada en una
probabilidad de coincidencia correcta. Si los supuestos caracteres
tienen una puntuación de seguridad por debajo de un valor umbral, se
realiza una fusión inversa de supuestas regiones de caracteres
adyacentes. Se reconocen las supuestas regiones de caracteres
fusionados inversamente en la placa de matrícula y, si las supuestas
regiones de caracteres fusionadas inversamente tienen una
puntuación de seguridad por debajo del valor umbral, se repiten las
etapas de fusión inversa y reconocimiento.
La etapa de procesamiento previo de la imagen
para preparar la imagen para la segmentación y el reconocimiento
incluye las etapas de refinar una posición de la placa de matrícula
determinando una altura de los caracteres en la imagen de la placa
de matrícula empleando una función de proyección, calcular una
varianza espacial para determinar una posición central de los
caracteres, emplear la posición central y la altura de los
caracteres para reducir un tamaño de una región de interés
detectando los bordes de un límite de placa y calcular una longitud
de los bordes para identificar una región de interés.
En realizaciones alternativas, que pueden
emplear el dispositivo de almacenamiento de programas, la etapa de
reconocer supuestas regiones de caracteres en la imagen de la placa
de matrícula puede incluir determinar regiones con una puntuación
de seguridad por debajo de un umbral, y la etapa de dividir
directamente regiones puede incluir la etapa de segmentar
caracteres que se tocan o se solapan en supuestas regiones de
caracteres adyacentes empleando una función de discriminación
basada en proyecciones del contorno de los caracteres. La etapa de
segmentar caracteres que se tocan o se solapan puede aplicarse de
manera recursiva para lograr el valor umbral de una puntuación de
seguridad. La etapa de reconocer supuestas regiones de caracteres en
la imagen de la placa de matrícula y proporcionar una puntuación de
seguridad basada en una probabilidad de una coincidencia correcta
puede incluir la etapa de reconocer caracteres en la imagen de la
placa de matrícula empleando
\hbox{al menos una de entre una red neuronal y una correlación de plantillas.}
En otras realizaciones adicionales, la etapa de
reconocer las supuestas regiones de caracteres fusionadas
inversamente en la placa de matrícula puede incluir la etapa de
reconocer caracteres en la imagen de la placa de matrícula
empleando al menos una de entre una red neuronal y una correlación
de plantillas. La etapa de procesar previamente la imagen para
preparar la imagen para la segmentación y el reconocimiento puede
incluir las etapas de detectar la inclinación previa en la imagen
de la placa de matrícula detectando bordes y seleccionando puntos
distintivos para determinar una matriz de proyección en los bordes,
seleccionar la matriz de proyección que tiene el mayor coste para
determinar un ángulo de rotación y corregir la imagen de la placa de
matrícula según el ángulo de rotación. La etapa de procesamiento
previo de la imagen para preparar la imagen para la segmentación y
el reconocimiento puede incluir las etapas de proporcionar un perfil
de proyección de intensidades de píxeles a través de líneas
verticales de píxeles de la imagen, filtrar el perfil de proyección
e identificar ubicaciones de caracteres en la imagen ilustradas por
áreas por debajo de un valor umbral en el perfil de proyección
filtrado. Preferiblemente se realiza la etapa de extraer caracteres
reconocidos de la imagen de la placa de matrícula. Puede incluirse
la etapa de comparar caracteres reconocidos y bloques de caracteres
de códigos de placas de matrícula predeterminados y convenciones
para comprobar la precisión del reconocimiento.
Estos y otros objetos, características y
ventajas de la presente invención resultarán evidentes a partir de
la siguiente descripción detallada de realizaciones ilustrativas de
la misma, que debe leerse en conexión con los dibujos
acompañantes.
Esta memoria presentará detalladamente la
siguiente descripción de realizaciones preferidas con referencia a
las siguientes figuras en las que:
La figura 1 es un diagrama de flujo que muestra
un método de reconocimiento de placas de matrícula según la
presente invención;
la figura 2 es una gráfica del coste frente al
ángulo de inclinación para determinar un ángulo de inclinación para
las placas de matrícula según la presente invención;
la figura 3 es una gráfica de S(j) frente
a píxeles para determinar la altura de caracteres para los
caracteres de la placa de matrícula según la presente
invención;
la figura 4 es un diagrama de bloques que
muestra diferentes fases del refinamiento de la posición de la placa
según la presente invención;
la figura 5A ilustra píxeles de caracteres
solapados que han de segmentarse según la presente invención;
la figura 5B es una proyección del contorno para
determinar las posiciones de los caracteres de la figura 5A que han
de segmentarse según la presente invención;
la figura 5C es una gráfica del coste de
discriminación para determinar una ubicación para segmentar los
caracteres de la figura 5A según la presente invención;
la figura 5D ilustra perfiles superior e
inferior para determinar las alturas de los caracteres de la figura
5A que han de segmentarse según la presente invención;
la figura 6A ilustra píxeles para caracteres que
se tocan y que han de segmentarse según la presente invención;
la figura 6B es una proyección del contorno para
determinar las posiciones de los caracteres de la figura 6A que han
de segmentarse según la presente invención;
la figura 6C es una gráfica del coste de
discriminación para determinar una ubicación para la segmentación
de los caracteres de la figura 6A según la presente invención;
la figura 6D ilustra perfiles superior e
inferior para determinar las alturas de los caracteres de la figura
6A que han de segmentarse según la presente invención;
la figura 7 es un diagrama de flujo de un método
de segmentación basado en el reconocimiento según la presente
invención;
la figura 8 ilustra supuestas regiones de
caracteres determinadas por un proceso de división directa según la
presente invención;
la figura 9 es un árbol de decisión empleado
para realizar una fusión inversa según la presente invención; y
las figuras 10A y 10B muestran ejemplos de k
variable, una constante para ajustar límites de caracteres, usada
para proporcionar una mayor puntuación de seguridad en el
reconocimiento de caracteres.
La presente invención se refiere al
reconocimiento de caracteres y, más en particular, a un método
robusto para segmentar caracteres en una placa de matrícula para su
reconocimiento. El reconocimiento automático de placas de matrícula
de vehículos es particularmente útil para aplicaciones de gran
precisión en las que se lleva a cabo la identificación de coches.
El reconocimiento de placas de matrícula de vehículos es beneficioso
en la monitorización y control del tráfico así como en el
mantenimiento de registros del tráfico en tránsito, por ejemplo en
una entrada a un aparcamiento. Para mejorar el rendimiento de la
segmentación de caracteres, la presente invención realiza un
procesamiento previo de las imágenes para tratar el sesgo de la
placa y refinar la posición de la placa tras rotar la imagen. Esto
es necesario para preparar los datos para un procesamiento
posterior. Las imágenes de vehículos se deterioran debido a
caracteres separados y que se tocan. La incapacidad de reconocer y
segmentar estos caracteres tiene como resultado que el proceso de
segmentación sea responsable de la mayoría de errores
experimentados en los sistemas de reconocimiento.
La presente invención proporciona un método para
separar de manera más precisa caracteres que se tocan y fusionar
caracteres separados. La presente invención proporciona una función
de discriminación potente y eficaz para identificar caracteres que
se tocan basándose en un análisis diferencial de la distancia del
contorno de caracteres. La presente invención también separa
caracteres salientes que se solapan con caracteres vecinos.
En lugar de un esquema de funcionamiento de
bucle abierto, la presente invención emplea un método de
segmentación recursiva de manera condicional que puede extraer
caracteres individuales, por ejemplo, de una placa de matrícula,
con precisión y eficacia. Los métodos de la invención están
interrelacionados entre segmentación y reconocimiento para
comprobar si los caracteres de la placa se han segmentado
correctamente basándose en el resultado del reconocimiento de
caracteres. En una realización, para un procedimiento de división
directa, se aplica selectivamente una función de discriminación a
las supuestas regiones de caracteres que determina el mejor punto de
separación si los caracteres se tocan o se solapan. A continuación,
sigue un procedimiento de fusión inversa para recuperar la falsa
segmentación debida a caracteres separados. Tanto el procedimiento
de división como de fusión emplean la retroalimentación de
clasificación de la etapa de reconocimiento de caracteres.
La invención cuenta con un clasificador que
incluye una correlación de plantilla y redes neuronales. Esto
aumenta ventajosamente la potencia de reconocimiento y proporciona
mejores resultados de segmentación. La presente invención incluye
además características basadas en reglas y características de
medición en la segmentación de la placa. Esto incluye las normas y
códigos de registro que establecen la apariencia de las placas (por
ejemplo, códigos de ciudad/locales), campos alfanuméricos y tamaño
de fuente del carácter. Ha de indicarse que los caracteres
reconocidos por la presente invención en las placas de matrícula
pueden variar y los caracteres pueden no estar fijados de manera
uniforme.
Debería entenderse que los elementos mostrados
en las figuras 1 y 7 pueden implementarse en varias formas de
hardware, software o combinaciones de los mismos. Preferiblemente,
estos elementos se implementan en software en uno o más
procesamientos digitales de carácter general programado de manera
apropiada que presentan un procesador y una memoria e interfaces de
entrada/salida.
En referencia ahora de manera específica y
detallada a los dibujos en los que los números de referencia iguales
identifican elementos similares o idénticos en todas las diversas
vistas, e inicialmente a la figura 1, se muestra un diagrama de
bloque/flujo según la presente invención. En el bloque 10, se
captura o adquiere una imagen, preferiblemente por una cámara
digital que presenta un procesador y una memoria. En el bloque 11,
la imagen se localiza para enfocar un área de interés (por ejemplo,
una placa de matrícula). Esto puede designarse como localización
aproximada.
En el bloque 12, se realiza un procesamiento
previo de la imagen o segmentación para mejorar la tasa de
reconocimiento. Sin un procesamiento previo adecuado, las
posteriores etapas de segmentación y reconocimiento podrían resultar
difíciles. Diversos métodos de procesamiento previo para el
reconocimiento de redes neuronales, por ejemplo, pueden incluir
ecualización de imágenes y/o caracteres. En el bloque 14, efectos
tales como efectos de luz (por ejemplo, iluminación, distancia y/u
orientación) deben tenerse en cuenta para lograr una imagen de
referencia buena. Un ejemplo de estos efectos que es importante
para el posterior procesamiento, es la normalización del brillo. El
procesamiento específico para la segmentación, la detección de la
inclinación de la placa (bloque 16) y el refinamiento de la
posición de la placa de matrícula (bloque 18) se dan a
continuación.
En el bloque 16, se detecta la inclinación o
sesgo de la placa y se tiene en cuenta. La inclinación o sesgo de
la placa tiene un efecto perjudicial sobre la segmentación de
caracteres. Detectar la inclinación de una imagen placa de
matrícula y corregirla mejora la precisión de la segmentación y el
reconocimiento. Para estimar la inclinación de la placa de
matrícula, su precisión depende de rasgos selectivos en la imagen de
la placa.
Los algoritmos de detección de la inclinación
para placas de matrícula de la técnica anterior se basan en píxeles
locales mínimos y máximos extraídos de las regiones de caracteres.
Un análisis de la distancia de dispersión de los píxeles
distintivos a través de un conjunto de proyecciones ortogonales
determina un posible ángulo de inclinación. Sin embargo, la
precisión está sujeta al fondo del carácter. Si la placa tiene
suciedad, ruido o iluminación no uniforme, entonces los puntos
distintivos no deseados puede incluirse y la precisión resultante
no es satisfactoria. En lugar de ello, la presente invención emplea
el uso de puntos distintivos obtenidos de los bordes superior e
inferior de los caracteres junto con un límite de placa, que es
paralelo en la dimensión horizontal.
Un detector de bordes se aplica para identificar
todos los bordes de carácter y los bordes de la placa en la
dirección horizontal. Los puntos dominantes de los bordes se
seleccionan entonces usando un umbral adaptativo basado en la
desviación media y estándar. Por ejemplo, dado un ángulo de \theta
grados girado con respecto a la posición central de la imagen, se
calcula una proyección vertical de los puntos obtenidos en la etapa
anterior, lo que da una matriz de proyección unidimensional
P(\theta). Usando un tamaño de intervalo (bin) con una
unidad de píxel en la resolución muestreada debido al pequeño ángulo
de rotación, el ángulo de inclinación se determina como sigue. Para
cada dirección de proyección, se calcula una función de coste,
C(\theta), la suma del cuadrado de los valores acumulados
de cada intervalo. Por lo tanto, C(\theta) se obtiene
como:
(1)C(\theta) =
\sum\limits^{n}_{i=1} p^{2}_{i}
(\theta)
siendo P_{i}(\theta) el
valor del intervalo de orden i encontrado para el ángulo \theta, y
n el número de intervalos. El ángulo que da el C(\theta)
máximo corresponde al ángulo de inclinación correcto. De hecho,
debido una resolución de grado de la proyección, el
C(\theta) máximo puede interpolarse adicionalmente a
través de una función de ajuste cuadrático para mejorar la
precisión. En una realización, el tiempo de cálculo se reduce
limitando un intervalo de ángulo estimado. El intervalo de ángulo
estimado puede limitarse dentro de una inclinación de 10 grados de
modo que una búsqueda exhaustiva todavía pueda tener un buen
resultado sin perjudicar la velocidad. Si la placa está inclinada
en un ángulo grande, una búsqueda exhaustiva podría llevar tiempo,
una búsqueda de aproximada a fina (tal como una búsqueda binaria o
Fibonacci) puede resultar útil para reducir la cantidad de búsqueda
necesaria para encontrar un máximo. Los métodos de mínimos cuadrados
no lineales pueden emplearse también. El ángulo de inclinación se
tiene en cuenta para ayudar al reconocimiento de caracteres de la
placa.
En referencia a la figura 2, se traza un gráfico
de la función de coste C(\theta) (coste) frente a un ángulo
de rotación o ángulo de inclinación. Una placa de matrícula que ha
de reconocerse, en este ejemplo, está inclinada en un ángulo con
respecto al eje horizontal. El gráfico determina que un ángulo de
inclinación de aproximadamente 4 grados está presente en la imagen
de entrada de la placa de matrícula (por ejemplo, el coste más
alto). Este ángulo se corrige entonces para dar una imagen con un
ángulo de rotación de aproximadamente cero grados ajustando la
imagen de la placa de matrícula.
En el bloque 18, se lleva a cabo el refinamiento
de la posición de la placa. La imagen de salida de la localización
(bloque 11) de la placa de matrícula normalmente da un área más
amplia que incluye no sólo los caracteres de la placa sino también
el marco de la placa y, posiblemente, el cuerpo del vehículo. Es
necesario realizar una localización refinada que descarte regiones
innecesarias pero que mantenga los caracteres de la placa. La
presente invención realiza el refinamiento de la posición de la
placa en las dimensiones vertical y horizontal teniendo en cuenta
características tales como el límite de placa, el fondo de la placa
y los caracteres de la placa.
En general, la mejor característica para
facilitar el refinamiento de la posición es la presencia del límite
de la placa en la imagen donde forma una forma rectangular y un
entorno con zona texturizada. Al detectar los bordes verticales y
horizontales y buscar la máxima longitud de los bordes de cada lado,
el refinamiento puede realizarse de forma precisa. Sin embargo,
para algunas placas de matrícula, si no pueden detectarse uno o más
bordes debido a un fondo homogéneo con el cuerpo del vehículo,
entonces pueden obtenerse errores importantes. En estos casos, se
miden las características de los caracteres de la placa, es decir,
altura y anchura.
La presente invención estima la altura de los
caracteres en la imagen con la inclinación correcta. Se emplea una
signatura de un número de transición de trazo como una
característica de medición que corresponde a la existencia de un
carácter. Suponiendo que una región candidata de placa tiene la
dimensión MxN (píxeles), la función S(j) de proyección se
define como la suma de todas las signaturas de caracteres en la
fila:
(2)S(j)
= \sum\limits^{M-1}_{i=0} r(i,j), 0\leq j\leq
N-1
siendo r(i,j) el número de
transiciones (objeto-fondo o
fondo-objeto) en el píxel (i,j). Esta característica
se calcula en la posible imagen binarizada de placa, es decir donde
se sitúa la supuesta imagen de la placa de matrícula. La
binarización se basa preferiblemente en una media local y una
desviación estándar local sobre la imagen. El umbral en el píxel
(i,j) se calcula
como:
(3)T(i,j) = m(i,j)
+ k \cdot
d(i,j)
siendo m(i,j) y
d(i,j) los valores de la media de muestreo y la desviación
estándar en una proximidad local de (i,j), respectivamente. En una
realización preferida, una proximidad de 16x16 sirve para conservar
detalles locales y minimizar efectos de ruido. El valor de k se usa
para ajustar qué cantidad del límite del carácter se toma como
parte de la imagen dada. Por ejemplo, k = -0,2 para dar caracteres
de imprenta bien separados. Ha de observarse que una k constante
puede dar como resultado variación de anchura entre caracteres
debido a la iluminación no uniforme. El efecto de k correspondiente
a un resultado de reconocimiento se ilustrará más adelante.
Estadísticamente, el número de transición promedio por fila de zona
texturizada es mucho mayor que el de zonas no texturizadas. Si
S(j) se segmenta de manera adecuada, el resultado de la
distancia de difusión máxima corresponderá a las alturas de los
caracteres.
En referencia a la figura 3, se muestra una
función S(j) de proyección en la que la altura de los
caracteres es la distancia desde los valores de S(j) por
encima de un umbral. El umbral de S(j) se obtiene de manera
adaptativa basándose en un valor medio y en una desviación estándar
de S(j). Una vez determinada la altura de los caracteres, se
extrae posteriormente la región de interés en la dimensión
vertical.
La anchura de los números de placa puede
estimarse basándose en el conocimiento previo de la relación de la
anchura de la placa y la altura de la placa, y sólo tiene que
determinarse la posición central del número de placa en el eje
horizontal. Puede implementare un método de variancia espacial para
estimar esta posición. Si la variancia espacial se calcula a lo
largo de una línea de la placa de matrícula (por ejemplo,
horizontal), las regiones con una alta variancia espacial
correspondes a regiones de texto, y las regiones con una baja
variancia espacial corresponden a regiones sin texto. Por tanto, la
posición asociado a la variancia mayor puede seleccionarse como la
posición central del número de placa en el eje horizontal.
Con el análisis de los bordes de la placa, la
precisión del refinamiento puede mejorarse y puede eliminarse una
detección falsa. Después de haberse realizado el refinamiento a lo
largo del eje horizontal, la región de interés se extrae nuevamente
y se vuelve a muestrear a una resolución fija para una posterior
segmentación y clasificación. La figura 4 muestra el resultado del
refinamiento de la posición de la placa en diferentes fases del
proceso.
En el bloque 20, se lleva a cabo la segmentación
de caracteres. Esto incluye identificar los caracteres en la placa
de matrícula separando imágenes de los caracteres para su
reconocimiento. (Véase también el bloque 110 de la figura 7). Según
la invención, el bloque 22 emplea una segmentación basada en el
reconocimiento. En el bloque 22 se realiza la segmentación de
caracteres que se tocan/solapan, si es necesario. Resolver la
segmentación de caracteres que se tocan es importante para cualquier
aplicación de reconocimiento óptico de caracteres (OCR). Se han
desarrollado diversas técnicas en la técnica anterior que sufren una
incapacidad para discriminar entre caracteres salientes (es decir,
caracteres que se solapan con caracteres vecinos) o caracteres que
se tocan con caracteres adyacentes.
La invención emplea una función de
discriminación basada en la proyección del contorno. Considerando un
carácter que se toca con la anchura W, una función
V_{c}(k) de proyección de contorno se define como:
(4)V_{c}(k) =
(k)inferior - (k)superior, k =
1,2,3,...,W
en la que la función
(k)superior da una posición superior en el eje vertical vista
desde el perfil superior del contorno externo de los caracteres que
se tocan, y la función (k)inferior da una posición inferior
en el eje vertical vista desde el perfil inferior del contorno
externo de los caracteres que se tocan. Véase las figuras 5D y 6D
para los perfiles superior e inferior del carácter saliente
"17" en la figura 5A y los caracteres que se tocan "48"
en la figura 6A, respectivamente. Utilizando la función de
proyección anterior con varias columnas adyacentes, la función
F_{c}(k) de discriminación de segmentación se define
entonces como
sigue:
\hskip1,8cm
siendo d una desviación de la posición de un
carácter actual hacia posiciones de caracteres adyacentes. El
intervalo de suma desde n1 hasta n2 indica todas las desviaciones
posibles determinadas empíricamente basándose en el tamaño de los
caracteres y la condición solapada en el texto. Dada la robustez de
la presente invención, se encontró que n1=1 y n2=2 daban como
resultado una buena capacidad de discriminación. También se
contemplan otros valores para n1 y n2. Las figuras 5B y 6B muestran
proyecciones V_{c}(k) de contorno en función de (k) para
las figuras 5A y 6A, respectivamente. Las figuras 5C y 6C ilustran
los valores de la función de discriminación, F_{c}(k) en
función de k. Cada desviación d participa en los valores de la
función de discriminación con aumentos significativos cercanos al
punto de contacto de los caracteres. Empleando un umbral adecuado,
se seleccionan posibles puntos de separación para ubicaciones en
las que dividir la imagen. Debería observarse que la proyección de
contorno propuesta sólo se aplica para caracteres sospechosos de
haber fracasado durante la clasificación. Es redundante comprobar
aquellos caracteres segmentados si pueden reconocerse con una buena
medición de seguridad. Además, la proyección de contorno propuesta
puede combinarse con una proyección de píxeles para identificar
caracteres que se tocan que se mezclan con caracteres en minúsculas
en documentos impresos a máquina.
La segmentación basada en el reconocimiento del
bloque 22 se realiza según la presente invención. La segmentación
basada en el reconocimiento busca en la imagen componentes de
caracteres que coincidan con las clases en su alfabeto. El
reconocimiento compara plantillas o emplea un clasificador
estadístico para identificar caracteres y devolver una puntuación
de seguridad basada en una probabilidad de que el carácter se haya
identificado correctamente.
El principio de funcionamiento de la presente
invención es bastante diferente de la segmentación de bucle abierto
basada en distinguir los límites en todas las fuentes desde las
regiones interiores, pero está unido íntimamente con el
reconocimiento de caracteres. Las segmentaciones basadas en el
reconocimiento de la técnica anterior utilizan una ventana
deslizante de anchura variable para proporcionar secuencias de
segmentaciones candidatas que se confirman por el reconocimiento de
caracteres. La imagen de entrada puede generar múltiples secuencias
variando la colocación y el tamaño de la ventana. La mejor secuencia
asociada con la medición de mayor seguridad se escoge como un
resultado de segmentación. Sin embargo, el problema con los métodos
de la técnica anterior es que es difícil escoger una ventana
adecuada en la prueba inicial, particularmente de caracteres
separados de manera proporcional. Tsujimoto y Asada, en "Resolving
ambiguity in segmenting touching characters", Primera
Conferencia Internacional sobre análisis y reconocimiento de
documentos, págs. 701-709, octubre de 1991,
desarrollaron un algoritmo de
segmentación-y-reconocimiento
recursivo para segmentar caracteres que se tocan. Introdujeron una
función de coste de separación que encuentra posiciones de
separación provisionales, y después confirma esas posiciones de
separación buscando un árbol de decisión construido por los
resultados del reconocimiento. Desafortunadamente, su trabajo
podría requerir un gran esfuerzo de cálculo si hay implicadas más
posiciones de separación para construir un árbol de decisión.
En referencia a la figura 7, según la invención,
se muestra un método de segmentación recursiva de manera
condicional que implementa un procedimiento de división directa y
fusión inversa y se basa en la salida del reconocimiento. En el
bloque 100, se realiza una segmentación previa sobre una imagen, por
ejemplo una imagen de placa de matricula como descrito
anteriormente. En el bloque 110, se realiza una segmentación
inicial. La imagen de entrada se segmenta en regiones basándose en
una proyección vertical que puede eliminar muchos posibles errores
para la prueba inicial. Como una desviación de la proyección de
píxeles negros convencional, la función de proyección se obtiene
seleccionando el píxel más oscuro de cada columna. La proyección
vertical incluye aplicar un filtro de paso bajo al perfil de
proyección. Entonces, las posiciones diferenciadas entre caracteres
se determinan mediante la resta de la función de proyección original
y la función de filtrado. El motor de reconocimiento se emplea
preferiblemente como una comprobación. Si la imagen segmentada
incluye una puntuación de seguridad por debajo de un umbral, el
proceso se repite después de haber dividido o combinado caracteres
sospechosos.
Tras la segmentación inicial, cada región
resultante (es decir, región supuesta o potencial de carácter) puede
clasificarse como un carácter separado, un carácter individual, un
carácter que se toca o un símbolo desconocido. Si la placa de
matrícula tiene una buena calidad de imagen, casi todas las regiones
segmentadas pueden clasificarse con una medición de seguridad alta
que indica un carácter reconocido en esta fase. Sin embargo, la
mayoría de imágenes de placas de matrícula no se encuentran en esta
condición. Si las regiones dan como resultado caracteres no
reconocidos, cada uno de ellos se comprobará por un análisis de
componentes para eliminar por filtrado pequeños componentes tales
como tornillos o pernos presentes en la imagen de la placa de
matrícula.
En el bloque 114 se aplica entonces la función
de discriminación descrita para separar caracteres que se tocan a
aquellas regiones de tamaño excesivo para ver si pueden dividirse
adicionalmente. Resulta práctico asumir que el coste asociado de la
función de discriminación es superior al umbral definido de modo que
pueda evitarse una división innecesaria. El procedimiento de
división directa del bloque 114 va seguido inmediatamente de un
reconocimiento recursivo que vuelve al bloque 114 hasta que no se
encuentren puntos de separación en regiones sospechosas en la que
se obtiene una puntuación de seguridad baja para reconocer el
carácter en cuestión. En la figura 8 se muestra un ejemplo en el
que seis regiones de caracteres (1-6), tal como se
indica entre flechas, indican posiciones en las que dividir la
imagen del carácter.
En el bloque 116 se realiza un proceso de fusión
inversa para evaluar regiones en la imagen para determinar si puede
lograrse una mayor seguridad combinando regiones. Se trata de un
proceso de reconocimiento recursivo tal como se indica por el bucle
de retroalimentación en la figura 7. En referencia a la figura 9,
cada nodo 200 para cada región 1-6 de caracteres
sospechosos (véase la figura 8) podría formar un carácter real
dependiendo del reconocimiento de la región. Cuando un nodo puede
clasificarse con una medición de seguridad significativa, el
resultado se almacena en el nodo relevante. Entonces se procesan los
nodos posteriores que son las posibles combinaciones de las
regiones restantes. Los nodos que dan un reconocimiento pobre no se
evalúan adicionalmente (por ejemplo nodos con * en la figura 8).
Cada evaluación posterior se limita a sólo la proximidad en la
región en cuestión y a sus 2 nodos adyacentes contiguos. Esto
reduce el tiempo de cálculo. El árbol se construye hasta que no
quedan regiones. El camino más probable a través del árbol se
seleccionará como la segmentación correcta, y el reconocimiento
correspondiente estará disponible inmediatamente. Si ninguno de los
caminos da como resultado un buen reconocimiento, pueden evaluarse
ramas menos probables. Por ejemplo, considerando la figura 8, la
región 1 se determina en el nodo 200a como que no incluye un
carácter reconocido (se coloca un * en el nodo). El proceso
considera entonces las regiones 1 y 2 en el nodo 200b. Se reconoce
una "N" con suficiente seguridad. En el nodo 200c se
comprueban las regiones 1, 2 y 3, pero la evaluación no da
resultados con un nivel de seguridad suficiente. El procesamiento
continúa tal como se muestra.
En el bloque 115 se realiza el reconocimiento de
caracteres según la presente invención. El reconocimiento de
caracteres puede realizarse de una pluralidad de formas diferentes.
En realizaciones particularmente útiles, pueden emplearse una red
neuronal, correspondencia de plantillas o una combinación de ambas.
La correspondencia de plantillas se describirá ahora más
detalladamente.
El método de segmentación de la presente
invención depende para su precisión del método de reconocimiento de
caracteres que se aplica a las regiones divididas. Es independiente
de ese algoritmo en el sentido de que puede emplearse cualquier
método de reconocimiento con la segmentación. Por lo tanto, además
de la red neuronal que sirve como motor OCR, la presente invención
implementa la correspondencia de plantillas para facilitar
adicionalmente la tarea de reconocimiento. La correspondencia de
plantillas se aplica a regiones segmentadas encerradas por
rectángulos con componentes conectados en las regiones que presentan
un tamaño medio. Además, las regiones (con un carácter o parte del
mismo) se reconocen por la red neuronal con una medición de
seguridad menor (por debajo de un umbral). En tal caso, la región
de interés se binariza primero y se ajusta a escala al mismo tamaño
de las plantillas en una base de datos. Por ejemplo, 15x25 o 20x30
píxeles. Un índice de correspondencia normalizado con el intervalo
de -1 y 1 se define como la medición de seguridad obtenida por la
comparación píxel a píxel entre la imagen simbólica guardada y la
imagen de objeto de entrada. A medida que la medición de seguridad
se aproxima a 1, se clasifican las imágenes guardadas (muestras
virtuales) asociadas con símbolos de carácter, lo que implica una
correspondencia perfecta (seguridad 1) de que la imagen de entrada
es la misma que la de la guardada, y viceversa. Puede elegirse un
umbral de aproximadamente 0,5 para eliminar por filtrado caracteres
no correspondientes. El umbral puede ajustarse según la aplicación.
La correspondencia de plantillas proporciona una búsqueda
exhaustiva en una base de datos almacenada que incluye una variedad
de imágenes de símbolos, incluyendo diferentes tamaños y estilos
del mismo carácter, varios efectos de iluminación, sombras,
imágenes borrosas, etc.
En el proceso de correspondencia, debería
observarse que los píxeles de fondo que coinciden normalmente no se
tienen en cuenta, ya que desvía enormemente el índice de
correspondencia. Sin embargo, si se considera un orificio como una
estructura, el conjunto de píxeles de fondo en el orificio se acepta
como un carácter. Para ello, los orificios se marcan con un valor
de píxel distinto de los usados para los píxeles de fondo y de
objetos. Entonces, se combina una caja adicional (es decir, los
píxeles de orificios) para la correspondencia. Esencialmente, los
píxeles de orificios se tratan del mismo modo que los píxeles de
objetos, pero son una clase distinta y no coinciden con un píxel de
objeto.
El método de Niblack puede adaptarse para la
binarización de imágenes basándose en la media local y la desviación
estándar local sobre la imagen. (Véase por ejemplo O.D. Trier,
et al., "Goal-directed evaluation of
binarization methods", IEEE Transaction on Pattern Analysis and
Machine Intelligence, vol. 17, nº 12, págs.
1191-1201, diciembre de 1995). En la ecuación 3, el
valor de k se usa para ajustar qué cantidad del límite del carácter
se toma como parte de la imagen dada. A medida que el entorno de la
imagen cambia, es probable que las anchuras de los caracteres
varíen en diferentes niveles. Una k constante puede no ser adecuada
para dar una buena correlación. Por lo tanto, se derivan múltiples
umbrales basándose en la variación de k. En una realización, si k
aumenta de -0,5 a 0,5 en un intervalo de 0,25, es una buena
selección que abarca una gran variación en símbolos del conjunto de
datos. Las figuras 10A y 10B muestran cómo los diferentes umbrales
afectan a los límites de los caracteres. La imagen 400 y 410 son la
imagen que va a cotejarse. Al variar k puede obtenerse una mejor
correspondencia para cada imagen. La imagen 400 tiene una mayor
seguridad cuando k=0,5 en la figura 10A, y la imagen 410 tiene una
seguridad mayor cuando k=0,0 en la figura 10B.
Los inventores llevaron a cabo experimentos
según la presente invención empleando una cámara inteligente. El
rendimiento del sistema se basó en la tasa de reconocimiento global
de placas de matrícula enteras a distancias variables y con efectos
de iluminación variables. Los cambios de iluminación se realizaron
variando la apertura de la lente con número f 2, 2,4 y 4. Debería
observarse que la tasa de reconocimiento definida aquí es en
términos de número de placas de matrícula en lugar de número de
caracteres.
Un bucle cerrado de la fase de reconocimiento y
segmentación aumenta la robustez respecto a los efectos de cambios
ambientales. Aunque la presente invención se ha demostrando usando
placas de matrícula alemanas, los algoritmos son generales y pueden
extenderse a diferentes nacionalidades de placas de matrícula así
como a otras tareas de reconocimiento de caracteres.
En el sistema de reconocimiento de placas de
matrícula automatizado, muchos errores de lectura están provocados
por una segmentación de caracteres inadecuada. En particular, la
segmentación de caracteres se vuelve difícil cuando las imágenes
adquiridas de los vehículos están gravemente deterioradas. La
presente invención utiliza técnicas de visión por ordenador y
propone un método segmentación basado en el reconocimiento junto con
una correspondencia de plantillas y una red neuronal. Esto mejora
la precisión del sistema de reconocimiento que tiene como objetivo
leer automáticamente placas de matrícula. En la presente memoria se
describen mejoras algorítmicas para una segmentación basada en
proyecciones. En la fase de procesamiento previa, se desarrollan
métodos de refinamiento de la posición y la detección de sesgos de
la placa, para preparar los datos para el procesamiento posterior.
Para separar caracteres que se tocan se presenta una función de
discriminación basada en un análisis diferencial de la distancia
del contorno de caracteres. Se desarrolla una segmentación
recursiva de manera condicional con la retroalimentación del
reconocimiento para dividir de manera efectiva caracteres que se
tocan y fundir caracteres separados.
Una vez descritas las realizaciones preferidas
para el método de segmentación de caracteres para el reconocimiento
de placas de matrícula de vehículos (que pretenden ser ilustrativas
y no limitativas), ha de observarse que los expertos en la técnica
pueden realizar modificaciones y variaciones a la luz de las
enseñanzas anteriores. Por lo tanto, ha de entenderse que pueden
realizarse cambios en las realizaciones particulares de la invención
descritas que se encuentren dentro del alcance de la invención tal
como se expone en las reivindicaciones adjuntas.
Claims (11)
-
\global\parskip0.930000\baselineskip
1. Método para segmentar y reconocer placas de matrícula que comprende las etapas de:- capturar (10) una imagen de una placa de matrícula;
- procesar (11) previamente la imagen para preparar la imagen para la segmentación y el reconocimiento;
- dividir (114) directamente regiones de la imagen de la placa de matrícula en supuestas regiones de caracteres;
- reconocer (115) las supuestas regiones de caracteres en la imagen de la placa de matrícula y proporcionar una puntuación de seguridad basada en una probabilidad de coincidencia correcta;
- si los supuestos caracteres tienen una puntuación de seguridad por debajo de un valor umbral, fusionar (116) inversamente supuestas regiones de caracteres adyacentes para evaluar regiones en la imagen para determinar si puede lograrse una mayor seguridad al combinar regiones;
- reconocer las supuestas regiones de caracteres fusionadas inversamente en la placa de matrícula; y
- si las supuestas regiones de caracteres fusionadas inversamente tienen una puntuación de seguridad por debajo del valor umbral, repetir las etapas de fusión inversa y de reconocimiento;
en el que la etapa de procesamiento previo de la imagen para preparar la imagen para la segmentación y el reconocimiento incluye las etapas de:refinar (18) una posición de la placa de matrícula:- determinando una altura de los caracteres en la imagen de la placa de matrícula empleando una función de proyección;
- calculando una variancia espacial para determinar una posición central de los caracteres;
- empleando la posición central y la altura de los caracteres para reducir un tamaño de una región de interés detectando los bordes de un límite de placa y calculando una longitud de los bordes para identificar la región de interés.
- 2. Dispositivo de almacenamiento de programas legible por ordenador, que incorpora de manera tangible un programa de instrucciones ejecutable por el ordenador para realizar las etapas del método para segmentar y reconocer placas de matrícula, comprendiendo el método las etapas de:
- capturar (10) una imagen de una placa de matrícula;
- procesar (11) previamente la imagen para preparar la imagen para la segmentación y el reconocimiento;
- dividir (114) directamente regiones de la imagen de la placa de matrícula en supuestas regiones de caracteres;
- reconocer (115) las supuestas regiones de caracteres en la imagen de la placa de matrícula y proporcionar una puntuación de seguridad basada en una probabilidad de coincidencia correcta;
- si los supuestos caracteres tienen una puntuación de seguridad por debajo de un valor umbral, fusionar (116) inversamente supuestas regiones de caracteres adyacentes para evaluar regiones en la imagen para determinar si puede lograrse una mayor seguridad al combinar regiones;
- reconocer las supuestas regiones de caracteres fusionadas inversamente en la placa de matrícula; y
- si las supuestas regiones de caracteres fusionadas inversamente tienen una puntuación de seguridad por debajo del valor umbral, repetir las etapas de fusión inversa y de reconocimiento;
en el que la etapa de procesamiento previo de la imagen para preparar la imagen para la segmentación y el reconocimiento incluye las etapas de:refinar (18) una posición de la placa de matrícula:- determinando una altura de los caracteres en la imagen de la placa de matrícula empleando una función de proyección;
- calculando una variancia espacial para determinar una posición central de los caracteres;
- empleando la posición central y la altura de los caracteres para reducir un tamaño de una región de interés detectando los bordes de un límite de placa y calculando una longitud de los bordes para identificar la región de interés.
- 3. Método según la reivindicación 1 o dispositivo de almacenamiento de programas según la reivindicación 2, en los que la etapa de reconocer (115) supuestas regiones de caracteres en la imagen de la placa de matrícula incluye determinar regiones con una puntuación de seguridad por debajo de un umbral, y la etapa de dividir (114) directamente regiones incluye la etapa de segmentar caracteres que se tocan o solapan en supuestas regiones de caracteres adyacentes empleando una función de discriminación basada en proyecciones de contorno de los caracteres.
- 4. Método o dispositivo de almacenamiento de programas según la reivindicación 3, en los que la etapa de segmentar caracteres que se tocan o se solapan se aplica de forma iterativa para lograr el valor umbral de una puntuación de seguridad.
- 5. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, en los que la etapa de reconocer (115) supuestas regiones de caracteres en la imagen de la placa de matrícula y proporcionar una puntuación de seguridad basada en una probabilidad de una coincidencia correcta incluye la etapa de reconocer caracteres en la imagen de la placa de matrícula empleando al menos una red neuronal y una correspondencia de plantillas.
- 6. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, en los que la etapa de reconocer las supuestas regiones de caracteres fusionadas inversamente en la placa de matrícula incluye la etapa de reconocer caracteres en la imagen de la placa de matrícula empleando al menos una red neuronal y una correspondencia de plantillas.
- 7. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, en los que la etapa de procesamiento previo de la imagen para preparar la imagen para la segmentación y el reconocimiento incluye las etapas de:
- detectar una inclinación previa (16) en la imagen de la placa de matrícula detectando bordes y seleccionado puntos distintivos para determinar una matriz de proyección en los bordes;
- seleccionar la matriz de proyección que tiene un mayor coste para determinar un ángulo de rotación; y
- corregir la imagen de la placa de matrícula según el ángulo de rotación.
- 8. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, en los que la etapa de procesamiento previo de la imagen para preparar la imagen para la segmentación y el reconocimiento incluye las etapas (14) de:
- proporcionar un perfil de proyección de intensidades de píxeles a través de líneas verticales de píxeles de la imagen;
- filtrar el perfil de proyección; e
- identificar ubicaciones de los caracteres en la imagen ilustrada por el área por debajo de un valor umbral en el perfil de proyección filtrado.
- 9. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, que comprenden además la etapa de extraer caracteres reconocidos de la imagen de la placa de matrícula.
- 10. Método o dispositivo de almacenamiento de programas según la reivindicación 1 ó 2, que comprenden además la etapa de comparar caracteres reconocidos y bloques de caracteres con códigos de placas de matrícula predeterminados y convenciones para comprobar la precisión del reconocimiento.
- 11. Método según cualquiera de las reivindicaciones de método anteriores:en el que la división (14) directa de regiones de la imagen de la placa de matrícula en supuestas regiones de caracteres es mediante segmentación de caracteres que se tocan o se solapan en supuestas regiones de caracteres adyacentes, empleando una función de discriminación basada en proyecciones de contorno de los caracteres;y en el que la fusión (116) inversa de supuestas regiones de caracteres adyacentes tiene lugar si los supuestos caracteres tienen una puntuación de seguridad por debajo de un valor umbral distinto del debido a caracteres que se tocan o solapan;comprendiendo además las etapas de comparar caracteres reconocidos y bloques de caracteres con códigos de placas de matrícula predeterminados y convenciones para comprobar la precisión del reconocimiento; yextrayendo los caracteres reconocidos de la imagen de la placa de matrícula.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US396952 | 1999-09-15 | ||
US09/396,952 US6473517B1 (en) | 1999-09-15 | 1999-09-15 | Character segmentation method for vehicle license plate recognition |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2275474T3 true ES2275474T3 (es) | 2007-06-16 |
Family
ID=23569273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES00307697T Expired - Lifetime ES2275474T3 (es) | 1999-09-15 | 2000-09-07 | Metodo de segmentacion de caracteres para reconocimiento de placas de matricula de vehiculos. |
Country Status (5)
Country | Link |
---|---|
US (1) | US6473517B1 (es) |
EP (1) | EP1085456B1 (es) |
AT (1) | ATE346350T1 (es) |
DE (1) | DE60031929T2 (es) |
ES (1) | ES2275474T3 (es) |
Families Citing this family (132)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7230582B1 (en) * | 1999-02-12 | 2007-06-12 | Fisher-Rosemount Systems, Inc. | Wearable computer in a process control environment |
WO2000078036A1 (de) * | 1999-06-15 | 2000-12-21 | Infineon Technologies Ag | Verfahren und schaltungsanordnung zur kontrastverbesserung eines bildes |
US6785417B1 (en) | 2000-08-22 | 2004-08-31 | Microsoft Corp | Method and system for searching for words in ink word documents |
US6771817B1 (en) | 2000-08-22 | 2004-08-03 | Microsoft Corporation | Method and system for extending ink word data structures while maintaining version compatibility |
US6754386B1 (en) * | 2000-08-22 | 2004-06-22 | Microsft Corporation | Method and system of matching ink processor and recognizer word breaks |
US6801660B1 (en) | 2000-08-22 | 2004-10-05 | Microsoft Corporation | Method and system for maintaining alternates in association with recognized words |
US6836759B1 (en) | 2000-08-22 | 2004-12-28 | Microsoft Corporation | Method and system of handling the selection of alternates for recognized words |
US7031553B2 (en) * | 2000-09-22 | 2006-04-18 | Sri International | Method and apparatus for recognizing text in an image sequence of scene imagery |
US6823084B2 (en) * | 2000-09-22 | 2004-11-23 | Sri International | Method and apparatus for portably recognizing text in an image sequence of scene imagery |
US7738706B2 (en) * | 2000-09-22 | 2010-06-15 | Sri International | Method and apparatus for recognition of symbols in images of three-dimensional scenes |
US6714694B1 (en) * | 2000-11-27 | 2004-03-30 | Xerox Corporation | Method for sliding window image processing of associative operators |
US6873732B2 (en) * | 2001-07-09 | 2005-03-29 | Xerox Corporation | Method and apparatus for resolving perspective distortion in a document image and for calculating line sums in images |
US20030113015A1 (en) * | 2001-12-18 | 2003-06-19 | Toshiaki Tanaka | Method and apparatus for extracting text information from moving image |
JP2004005364A (ja) * | 2002-04-03 | 2004-01-08 | Fuji Photo Film Co Ltd | 類似画像検索システム |
US6986106B2 (en) | 2002-05-13 | 2006-01-10 | Microsoft Corporation | Correction widget |
US7379421B1 (en) * | 2002-07-23 | 2008-05-27 | At&T Delaware Intellectual Property, Inc. | System and method for forwarding messages |
US7137076B2 (en) * | 2002-07-30 | 2006-11-14 | Microsoft Corporation | Correcting recognition results associated with user input |
US7382277B2 (en) * | 2003-02-12 | 2008-06-03 | Edward D. Ioli Trust | System for tracking suspicious vehicular activity |
US20040167861A1 (en) * | 2003-02-21 | 2004-08-26 | Hedley Jay E. | Electronic toll management |
EP1463301A1 (en) * | 2003-03-19 | 2004-09-29 | Thomson Licensing S.A. | Method for identification of tokens in video sequences |
EP1460835B1 (en) * | 2003-03-19 | 2018-11-14 | InterDigital Madison Patent Holdings | Method for identification of tokens in video sequences |
JP4189654B2 (ja) * | 2003-04-18 | 2008-12-03 | セイコーエプソン株式会社 | 画像処理装置 |
US20050084134A1 (en) * | 2003-10-17 | 2005-04-21 | Toda Sorin M. | License plate recognition |
US20060030985A1 (en) * | 2003-10-24 | 2006-02-09 | Active Recognition Technologies Inc., | Vehicle recognition using multiple metrics |
US7848573B2 (en) * | 2003-12-03 | 2010-12-07 | Microsoft Corporation | Scaled text replacement of ink |
US7506271B2 (en) * | 2003-12-15 | 2009-03-17 | Microsoft Corporation | Multi-modal handwriting recognition correction |
TWI231702B (en) * | 2004-01-16 | 2005-04-21 | Univ Nat Taiwan Science Tech | Segment based image registration method |
US7447358B2 (en) * | 2004-03-31 | 2008-11-04 | Intel Corporation | Image segmentation using branch and bound analysis |
FR2872660B1 (fr) * | 2004-07-05 | 2006-12-22 | Eastman Kodak Co | Appareil de prise de vue et procede pour la formation d'images annotees |
IL162878A0 (en) * | 2004-07-06 | 2005-11-20 | Hi Tech Solutions Ltd | Multi-level neural network based characters identification method and system |
US7460711B2 (en) * | 2004-08-27 | 2008-12-02 | Avago Technologies Ecbu Ip (Singapore) Pte. Ltd. | Efficient method for reading meter values by processing digital images of a meter |
US7302098B2 (en) * | 2004-12-03 | 2007-11-27 | Motorola, Inc. | Character segmentation method and apparatus |
US7231288B2 (en) * | 2005-03-15 | 2007-06-12 | Visteon Global Technologies, Inc. | System to determine distance to a lead vehicle |
WO2007023715A1 (en) * | 2005-08-25 | 2007-03-01 | Ricoh Company, Ltd. | Image processing method and apparatus, digital camera, and recording medium recording image processing program |
US7613328B2 (en) * | 2005-09-09 | 2009-11-03 | Honeywell International Inc. | Label detection |
US20070058856A1 (en) * | 2005-09-15 | 2007-03-15 | Honeywell International Inc. | Character recoginition in video data |
US7382280B2 (en) * | 2005-10-17 | 2008-06-03 | Cleverdevices, Inc. | Parking violation recording system and method |
US20130163822A1 (en) * | 2006-04-04 | 2013-06-27 | Cyclops Technologies, Inc. | Airborne Image Capture and Recognition System |
US20130163823A1 (en) * | 2006-04-04 | 2013-06-27 | Cyclops Technologies, Inc. | Image Capture and Recognition System Having Real-Time Secure Communication |
DE102007012458A1 (de) | 2007-03-15 | 2008-09-18 | Robert Bosch Gmbh | Verfahren zur Objektbildung |
JP5011508B2 (ja) * | 2007-04-27 | 2012-08-29 | 日本電産サンキョー株式会社 | 文字列認識方法及び文字列認識装置 |
WO2009052578A1 (en) * | 2007-10-24 | 2009-04-30 | Sensen Networks Pty Ltd | Verification of identification of an image characteristic over multiple images |
US8023770B2 (en) * | 2008-05-23 | 2011-09-20 | Sharp Laboratories Of America, Inc. | Methods and systems for identifying the orientation of a digital image |
US8023741B2 (en) | 2008-05-23 | 2011-09-20 | Sharp Laboratories Of America, Inc. | Methods and systems for detecting numerals in a digital image |
KR101035744B1 (ko) * | 2008-12-08 | 2011-05-20 | 삼성전자주식회사 | 카메라를 이용한 문자 인식 장치 및 방법 |
US8306327B2 (en) * | 2008-12-30 | 2012-11-06 | International Business Machines Corporation | Adaptive partial character recognition |
DE102009006829A1 (de) | 2009-01-30 | 2010-08-05 | Siemens Aktiengesellschaft | Verfahren und System zur Ermittlung von Verkehrsinformation |
TWI384408B (zh) * | 2009-04-30 | 2013-02-01 | Ind Tech Res Inst | 影像辨識以及輸出方法與其系統 |
TWI381321B (zh) | 2009-04-30 | 2013-01-01 | Ind Tech Res Inst | 重組多張影像與辨識方法以及影像擷取與辨識系統 |
CN101882219B (zh) * | 2009-05-08 | 2013-09-11 | 财团法人工业技术研究院 | 图像辨识以及输出方法及其系统 |
TWI409718B (zh) * | 2009-12-04 | 2013-09-21 | Huper Lab Co Ltd | 移動中車輛之車牌定位方法 |
TWI478074B (zh) * | 2010-12-01 | 2015-03-21 | Inst Information Industry | 文字辨識方法、裝置以及儲存其之電腦可讀取紀錄媒體 |
KR101727137B1 (ko) * | 2010-12-14 | 2017-04-14 | 한국전자통신연구원 | 텍스트 영역의 추출 방법, 추출 장치 및 이를 이용한 번호판 자동 인식 시스템 |
CN102043959B (zh) * | 2010-12-28 | 2012-09-26 | 青岛海信网络科技股份有限公司 | 车牌字符分割方法 |
EP2666123A4 (en) | 2011-01-18 | 2017-03-08 | RTC Vision Ltd. | System and method for improved character recognition in distorted images |
US8483440B2 (en) * | 2011-04-13 | 2013-07-09 | Xerox Corporation | Methods and systems for verifying automatic license plate recognition results |
CN102222226B (zh) * | 2011-06-21 | 2013-01-23 | 杭州电子科技大学 | 一种基于先验分析的迭代式车牌字符分割方法 |
US8731244B2 (en) * | 2011-07-28 | 2014-05-20 | Xerox Corporation | Systems and methods for improving image recognition |
DE102011053052B3 (de) * | 2011-08-26 | 2013-02-28 | Jenoptik Robot Gmbh | Verfahren und Vorrichtung zur Identifikation von Kraftfahrzeugen zur Verkehrsüberwachung |
US8644561B2 (en) | 2012-01-18 | 2014-02-04 | Xerox Corporation | License plate optical character recognition method and system |
US8831381B2 (en) | 2012-01-26 | 2014-09-09 | Qualcomm Incorporated | Detecting and correcting skew in regions of text in natural images |
US9064191B2 (en) | 2012-01-26 | 2015-06-23 | Qualcomm Incorporated | Lower modifier detection and extraction from devanagari text images to improve OCR performance |
EP2645305A3 (en) * | 2012-03-26 | 2014-05-14 | Tata Consultancy Services Limited | A system and method for processing image for identifying alphanumeric characters present in a series |
US8781172B2 (en) * | 2012-03-30 | 2014-07-15 | Xerox Corporation | Methods and systems for enhancing the performance of automated license plate recognition applications utilizing multiple results |
US8934676B2 (en) | 2012-05-04 | 2015-01-13 | Xerox Corporation | Robust character segmentation for license plate images |
CN102722707A (zh) * | 2012-06-11 | 2012-10-10 | 复旦大学 | 基于连通区域和间隙模型的车牌字符分割方法 |
US9047540B2 (en) | 2012-07-19 | 2015-06-02 | Qualcomm Incorporated | Trellis based word decoder with reverse pass |
US9076242B2 (en) | 2012-07-19 | 2015-07-07 | Qualcomm Incorporated | Automatic correction of skew in natural images and video |
US9183458B2 (en) | 2012-07-19 | 2015-11-10 | Qualcomm Incorporated | Parameter selection and coarse localization of interest regions for MSER processing |
US9262699B2 (en) | 2012-07-19 | 2016-02-16 | Qualcomm Incorporated | Method of handling complex variants of words through prefix-tree based decoding for Devanagiri OCR |
US9141874B2 (en) | 2012-07-19 | 2015-09-22 | Qualcomm Incorporated | Feature extraction and use with a probability density function (PDF) divergence metric |
CN103065138B (zh) * | 2012-12-06 | 2015-07-15 | 中通服公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
CN103207998A (zh) * | 2012-12-24 | 2013-07-17 | 电子科技大学 | 一种基于支持向量机的车牌字符分割方法 |
JP6080586B2 (ja) * | 2013-02-13 | 2017-02-15 | 株式会社ファインデックス | 文字認識システム、文字認識プログラム及び文字認識方法 |
US9122953B2 (en) | 2013-04-15 | 2015-09-01 | Xerox Corporation | Methods and systems for character segmentation in automated license plate recognition applications |
US9002066B2 (en) * | 2013-05-06 | 2015-04-07 | Xerox Corporation | Methods, systems and processor-readable media for designing a license plate overlay decal having infrared annotation marks |
US9082038B2 (en) | 2013-05-29 | 2015-07-14 | Xerox Corporation | Dram c adjustment of automatic license plate recognition processing based on vehicle class information |
US9042647B2 (en) * | 2013-06-06 | 2015-05-26 | Xerox Corporation | Adaptive character segmentation method and system for automated license plate recognition |
CN103530600B (zh) * | 2013-06-06 | 2016-08-24 | 东软集团股份有限公司 | 复杂光照下的车牌识别方法及系统 |
US9530310B2 (en) | 2013-11-01 | 2016-12-27 | Xerox Corporation | Method and system for detecting and tracking a vehicle of interest utilizing a network of traffic image-capturing units |
US9213910B2 (en) | 2013-11-06 | 2015-12-15 | Xerox Corporation | Reinforcement learning approach to character level segmentation of license plate images |
EP3097512B1 (en) * | 2014-01-24 | 2021-03-24 | Sanofi-Aventis Deutschland GmbH | A supplemental device for attachment to an injection device for recording and displaying a dose value set by the user using optical character recognition (ocr) |
JP5821994B2 (ja) * | 2014-04-21 | 2015-11-24 | 富士ゼロックス株式会社 | 画像処理装置、画像形成装置およびプログラム |
EP3167408B1 (en) * | 2014-07-10 | 2023-12-13 | Sanofi-Aventis Deutschland GmbH | A device and method for performing optical character recognition |
CN104239878B (zh) * | 2014-08-30 | 2017-05-10 | 电子科技大学 | 一种基于概率极值搜索的车牌字符识别方法 |
CN104268978B (zh) * | 2014-09-24 | 2017-02-15 | 苏州佳世达光电有限公司 | 纸钞序号辨识方法 |
US9460367B2 (en) * | 2014-11-26 | 2016-10-04 | Xerox Corporation | Method and system for automating an image rejection process |
US9400936B2 (en) * | 2014-12-11 | 2016-07-26 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
US9536315B2 (en) | 2015-01-13 | 2017-01-03 | Xerox Corporation | Annotation free license plate recognition method and system |
CN104616009B (zh) * | 2015-02-13 | 2018-05-18 | 广州广电运通金融电子股份有限公司 | 一种字符切割识别方法 |
JP6487255B2 (ja) * | 2015-03-31 | 2019-03-20 | 日本電産サンキョー株式会社 | 文字切り出し装置、文字認識装置、および文字切り出し方法 |
US10901967B2 (en) | 2015-04-09 | 2021-01-26 | Veritoll, Llc | License plate matching systems and methods |
US9501707B2 (en) | 2015-04-16 | 2016-11-22 | Xerox Corporation | Method and system for bootstrapping an OCR engine for license plate recognition |
US9418305B1 (en) | 2015-04-29 | 2016-08-16 | Xerox Corporation | Segmentation free approach to automatic license plate recognition |
WO2017013719A1 (ja) * | 2015-07-17 | 2017-01-26 | 楽天株式会社 | 文字認識装置、文字認識方法及び文字認識プログラム |
CN105447487A (zh) * | 2015-08-27 | 2016-03-30 | 中山大学 | 一种车牌识别系统的评测方法及系统 |
US11587327B2 (en) | 2015-10-01 | 2023-02-21 | Intellivision Technologies Corp | Methods and systems for accurately recognizing vehicle license plates |
US10706330B2 (en) | 2015-10-01 | 2020-07-07 | Intellivision Technologies Corp | Methods and systems for accurately recognizing vehicle license plates |
CN105259252B (zh) * | 2015-10-15 | 2018-09-21 | 浙江大学 | 超声相控阵检测聚乙烯电熔接头缺陷类型自动识别方法 |
US9836646B2 (en) * | 2015-10-15 | 2017-12-05 | I.R.I.S. | Method for identifying a character in a digital image |
CN105447457A (zh) * | 2015-11-15 | 2016-03-30 | 安徽清新互联信息科技有限公司 | 一种基于自适应特征的车牌字符识别方法 |
CN105405298B (zh) * | 2015-12-24 | 2018-01-16 | 浙江宇视科技有限公司 | 一种车牌标识的识别方法和装置 |
US10068146B2 (en) | 2016-02-25 | 2018-09-04 | Conduent Business Services, Llc | Method and system for detection-based segmentation-free license plate recognition |
CN107273892B (zh) * | 2017-06-12 | 2020-06-16 | 北京智芯原动科技有限公司 | 一种车牌字符分割方法及装置 |
US10950124B2 (en) | 2017-08-22 | 2021-03-16 | Q-Free Netherlands B.V. | License plate recognition |
CN107704857B (zh) * | 2017-09-25 | 2020-07-24 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
US11823359B2 (en) * | 2017-10-06 | 2023-11-21 | Google Llc | Systems and methods for leveling images |
CN109960978A (zh) * | 2017-12-25 | 2019-07-02 | 大连楼兰科技股份有限公司 | 基于图像分层技术的车辆检测系统及装置 |
GB2571530B (en) * | 2018-02-28 | 2020-09-23 | Canon Europa Nv | An image processing method and an image processing system |
CN110728278A (zh) * | 2018-07-16 | 2020-01-24 | 杭州海康威视数字技术股份有限公司 | 车牌识别方法及装置 |
CN109117822A (zh) * | 2018-08-31 | 2019-01-01 | 贵州大学 | 一种基于深度学习的零件实例分割识别方法 |
CN109165635A (zh) * | 2018-09-27 | 2019-01-08 | 珠海格力电器股份有限公司 | 显示屏中光符标记的视觉检测系统及其方法与智能终端 |
CN109635804A (zh) * | 2018-12-06 | 2019-04-16 | 北京联合大学 | 一种基于SIFT和kNN的车牌识别方法及系统 |
CN111325210B (zh) * | 2018-12-14 | 2024-06-18 | 北京京东尚科信息技术有限公司 | 用于输出信息的方法和装置 |
CN109753914B (zh) * | 2018-12-28 | 2023-05-30 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的车牌字符识别方法 |
CN109815956B (zh) * | 2018-12-28 | 2022-12-09 | 安徽清新互联信息科技有限公司 | 一种基于自适应位置分割的车牌字符识别方法 |
CN109766805B (zh) * | 2018-12-28 | 2022-12-09 | 安徽清新互联信息科技有限公司 | 一种基于深度学习的双层车牌字符识别方法 |
US10616443B1 (en) * | 2019-02-11 | 2020-04-07 | Open Text Sa Ulc | On-device artificial intelligence systems and methods for document auto-rotation |
US11227174B1 (en) | 2019-06-10 | 2022-01-18 | James Alves | License plate recognition |
CN110443251A (zh) * | 2019-08-13 | 2019-11-12 | 树根互联技术有限公司 | 仪表图像识别方法及装置 |
CN110598703B (zh) * | 2019-09-24 | 2022-12-20 | 深圳大学 | 一种基于深度神经网络的ocr识别方法及装置 |
CN111709417B (zh) * | 2020-05-28 | 2023-09-22 | 西安理工大学 | 一种矿车车牌识别方法 |
CN111881741B (zh) * | 2020-06-22 | 2024-06-14 | 浙江大华技术股份有限公司 | 车牌识别方法、装置、计算机设备和计算机可读存储介质 |
US12002274B2 (en) * | 2020-08-24 | 2024-06-04 | Electronic Transaction Consultants, Llc | Gamified alphanumeric character identification |
CN112381088A (zh) * | 2020-11-11 | 2021-02-19 | 上善智城(苏州)信息科技有限公司 | 一种油罐车车牌识别方法及系统 |
CN112733856B (zh) * | 2020-12-31 | 2022-08-09 | 成都福立盟环保大数据有限公司 | 一种大型车辆放大车牌的识别方法 |
CN113516123B (zh) * | 2021-05-14 | 2023-11-24 | 南京工程学院 | 一种针对轮胎压印字符的检测识别方法 |
US11615634B2 (en) * | 2021-07-01 | 2023-03-28 | International Business Machines Corporation | Character recognition of license plate under complex background |
CN114627653B (zh) * | 2022-05-12 | 2022-08-02 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理系统 |
CN115082923B (zh) * | 2022-08-24 | 2022-11-08 | 成都工业学院 | 一种基于机器视觉的牛奶包装盒生产日期识别方法 |
CN116109663B (zh) * | 2023-04-04 | 2023-06-23 | 山东大学第二医院 | 基于多阈值分割的胃部ct影像分割方法 |
CN117894009B (zh) * | 2024-03-14 | 2024-05-31 | 江西交通职业技术学院 | 一种基于智能视觉的车牌识别系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5998283A (ja) * | 1982-11-27 | 1984-06-06 | Hitachi Ltd | パターン切出しおよび認識方法、ならびにそのシステム |
JPS6274181A (ja) * | 1985-09-27 | 1987-04-04 | Sony Corp | 文字認識装置 |
EP0446630A3 (en) * | 1990-03-12 | 1993-02-24 | International Business Machines Corporation | Method and apparatus for segmenting characters in an amount field on a financial document |
JPH07505966A (ja) * | 1992-03-20 | 1995-06-29 | コモンウエルス サイエンティフィック アンド インダストリアル リサーチ オーガナイゼーション | 物体モニタシステム |
CA2135240A1 (en) * | 1993-12-01 | 1995-06-02 | James F. Frazier | Automated license plate locator and reader |
JP3805005B2 (ja) * | 1994-11-09 | 2006-08-02 | キヤノン株式会社 | 画像処理装置及び光学的文字認識装置及びそれらの方法 |
US5799276A (en) * | 1995-11-07 | 1998-08-25 | Accent Incorporated | Knowledge-based speech recognition system and methods having frame length computed based upon estimated pitch period of vocalic intervals |
SG71018A1 (en) * | 1997-03-01 | 2000-03-21 | Inst Of Systems Science Nat Un | Robust identification code recognition system |
-
1999
- 1999-09-15 US US09/396,952 patent/US6473517B1/en not_active Expired - Fee Related
-
2000
- 2000-09-07 AT AT00307697T patent/ATE346350T1/de active
- 2000-09-07 EP EP00307697A patent/EP1085456B1/en not_active Expired - Lifetime
- 2000-09-07 DE DE60031929T patent/DE60031929T2/de not_active Expired - Lifetime
- 2000-09-07 ES ES00307697T patent/ES2275474T3/es not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
EP1085456A3 (en) | 2004-03-03 |
ATE346350T1 (de) | 2006-12-15 |
US6473517B1 (en) | 2002-10-29 |
EP1085456B1 (en) | 2006-11-22 |
DE60031929D1 (de) | 2007-01-04 |
DE60031929T2 (de) | 2007-03-15 |
EP1085456A2 (en) | 2001-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2275474T3 (es) | Metodo de segmentacion de caracteres para reconocimiento de placas de matricula de vehiculos. | |
US6553131B1 (en) | License plate recognition with an intelligent camera | |
US7362883B2 (en) | Lane marker recognition method | |
Yoon et al. | Blob extraction based character segmentation method for automatic license plate recognition system | |
Al-Hmouz et al. | License plate localization based on a probabilistic model | |
Lee et al. | License plate detection using local structure patterns | |
Babbar et al. | A new approach for vehicle number plate detection | |
JP3969894B2 (ja) | 顔画像処理装置 | |
Gilly et al. | A survey on license plate recognition systems | |
Kročka et al. | Automatic license plate recognition using OpenCV | |
Khan et al. | Comparison of various edge detection filters for ANPR | |
Azad et al. | Real-time and efficient method for accuracy enhancement of edge based license plate recognition system | |
Salahshoor et al. | Application of intelligent systems for iranian license plate recognition | |
El-Said | Shadow aware license plate recognition system | |
Nguwi et al. | Number plate recognition in noisy image | |
Lu | A lane detection, tracking and recognition system for smart vehicles | |
Deb et al. | Projection and least square fitting with perpendicular offsets based vehicle license plate tilt correction | |
JP2851348B2 (ja) | ナンバープレート読み取り装置 | |
Deb et al. | Vehicle license plate detection algorithm based on color space and geometrical properties | |
Tyan et al. | Character segmentation algorithm for recognition of vehicle license plate | |
Jobin et al. | Automatic number plate recognition system using modified stroke width transform | |
Syed et al. | Color edge enhancement based fuzzy segmentation of license plates | |
KR20110074638A (ko) | 기계 지능을 이용하여 빛의 영향과 오염물질에 훼손된 차량 번호판 영상의 강건한 문자영역추출시스템 및 방법 | |
Deb et al. | Vehicle license plate extraction based on color and geometrical features | |
Kumar | Phase-edge based approach for pedestrian segmentation using NIR camera and tracking for driver assistance |