ون وو 1،2، 1 Qiaolong هوى، بنغ 1

(جامعة تشونغتشينغ للبريد والاتصالات وتشونغتشينغ 400065، الصين؛ 2. تشونغتشينغ الرسالة تصميم المحدودة، تشونغتشينغ 400065)

لخوارزمية التعرف على لوحة الترخيص الحالية في وجود تدريب نموذج بطيئة، والطابع الاعتراف معدل دقة وغيرها من القضايا، ودرس على خوارزمية التعرف على لوحة الترخيص على أساس التكيف التفاضلية تطور المتطرفة آلة التعلم. تم الكشف عن ميزة استخدام الكشف عن الحافة وتسجيل اللون لوحة ترخيص، ومنطقة لوحة ترخيص ثم مقسوما على الإسقاط العمودي للتحسين طريقة، المباراة النهائية على التكيف ELM تطور التفضيلية للالتعرف على الحروف. وأظهرت النتائج أن الخوارزمية المقترحة لها سرعة التدريب سريعة، ومعدل التعرف على الحروف، وما إلى ذلك، يمكن تطبيقها على السيناريوهات المرور المعقدة.

تحديد المواقع لوحة، تجزئة شخصية، الإسقاط الرأسي، التعرف على الحروف، التكيف التفاضلية تطور

CLC: TP391

كود الوثيقة: A

DOI: 10.16157 / j.issn.0258-7998.2017.01.035

شكل الاقتباس الصيني: تشيانغ، Qiaolong هوى، بنغ التطوري خوارزمية ELM لوحة ترخيص الاعتراف على أساس الفارق التكيف التكنولوجيا الالكترونية، 2017،43 (1): 133-136،140.

الإنجليزية شكل الاقتباس: ون وو تشياو نغهوى، وبنغ. الاعتراف لوحة ترخيص بناء على آلة التعلم تطرفا التطوري الذاتي التكيف .Application من تقنيات الالكترونية، 2017،43 (1): 133-136،140.

0 مقدمة

باعتبارها جزءا هاما من أنظمة النقل الذكية، ترخيص نظام التعرف على لوحة المستخدمة لرصد ظروف حركة المرور، ومراقبة سلوك السيارة، ويمكن أن تستخدم أيضا لمراقبة الدخول وقوف السيارات. بينما في الترخيص العقد تقنية التعرف على لوحة الماضية حققت انجازات عظيمة، ويستخدم في العديد من المناسبات العملية، ولكن صورة من مشهد معقد للتعرف على لوحات السيارات لا تزال مهمة شاقة .

لوحة ترخيص الاعتراف يتكون عادة من ثلاثة أجزاء: لوحة التوطين، وتجزئة الشخصية والتعرف على الحروف. لوحة ضعه لتحقيق طريقتان رئيسيتان: يستند واحد على المعلومات لون من لوحة ترخيص، لوحة ترخيص وفقا لمجموعة محددة من المعلومات لون لوحة ترخيص ، والآخر يستند على حافة الهاوية أو معلومات الملمس، وفقا للمنطقة الحافة لوحة ترخيص معلومات أكثر وضوحا من غيرها من المناطق للكشف عن لوحة ترخيص . ويرد الطريقة الأولى، وكاميرا حساسة للضوء الظروف والطريقة الثانية عندما لوحة يتلاشى خطيرة، لم يتم الكشف عن حافة بسبب فشل تسبب في وضع. أسلوب الإسقاط ، طريقة مجال الاتصالات وقالب مطابق هو الطريقة الرئيسية لتحقيق تجزئة الحرف. يتطلب طريقة شخصية إسقاط الكتابة كاملة وليس الضوضاء، والضوء عرضة للتأثير. مجال الاتصالات طريقة لوحة يميل ليست حساسة، ولكن لا يمكن أن تستخدم لشخصيات العملية وكسر طابع الالتصاق. عادة تستخدم أساليب التعرف على الحروف هي: الشبكات العصبية (BPNN وCNN)، SVM ومطابقة القالب. A دقة أعلى عند الشبكة العصبية التقليدية للالتعرف على الحروف وSVM، ولكن إذا ظهر المعلمة اختيار التعلم غير مناسب ببطء، على مدى المناسب الأمثل المحلي والعيوب . قالب أسلوب مطابقة بسيط وعملي، ولكن ظهرت في شخصية سوف يؤدي إلى انخفاض معدل الاعتراف قالب مطابق عندما تشوه، الالتصاقات وغيرها من المشاكل.

بالمقارنة مع غيرها من لوحة ترخيص الاعتراف خوارزمية التقليدية، كما المستخدمة هنا، فإن طريقة تحسين النقاط التالية: مزايا (1) تحديد المواقع واستخدام اللون وحافة الكشف، الذي يتغلب على عيوب استخدام نوع واحد من طريقة، (2) عمودي إسقاط جعل التحسينات، أول تجزئة الخام، وإعادة تجزئة-دقيقة، حل فعال لشخصية الالتصاقات، والانكسار وهلم جرا؛ (3) يتم تدريب نموذج SAE-ELM، هو تقصير وقت التدريب لتحسين معدل التعرف على الحروف.

1 لوحة ترخيص موقع

مقال منطقة متعددة ميزة لوحة، والملمس واللون ونسبة الارتفاع، وما إلى ذلك معا، واقترح لتحسين خوارزمية لوحة ترخيص الموقع، خطوات التنفيذ المحددة هي كما يلي:

(1) مدخلا لوحة صورة ملونة، بعد FIG 1 (A)، شروط مسبقة (التمويه الضبابي والرمادي) لإعطاء الرمادي، ثم حصلت على لوحة شبه مشغل سوبل حافة الصورة الرأسية (بسبب الفتحات الأمامية للمركبات مستوى تأثير أو ما شابه ذلك، الكشف عن حافة أفقية يمكن أن تؤثر على النتيجة النهائية للاتصال)، ومن ثم الكشف عن الحافة في FIG طريقة binarizing باستخدام أوتسو وجعل إغلاق الصرفي. في هذا الوقت، ويمكن الحصول على رقم لوحة ترخيص من المناطق المرشحة، كما هو مبين في الشكل 1 (ب) هو مبين في الشكل.

(2) لون الخريطة الصورة المدخلة تتحول إلى HSV، إذا بكسل الحالي مكونات V هو مبين في الجدول رقم 1 المقابلة لالزرقاء، ومجموعة قيمة لهجة إلى 255 H، S، مكونات V يرضي H، S،. وبالمثل، إذا كان لقاء المكونة الصفراء تم تعيين كل قيمة الرمادي إلى 200، ولكل عنصر تلبية تم تعيين البيضاء، قيمة الرمادي إلى 150؛ قاء تم تعيين كل مكون من مكونات سوداء، رمادية القيمة إلى 100، و 0 خلاف ذلك. شيدت من خمسة الرمادي FIG 1 (ج) هو مبين في الشكل. أخذ بالتتابع كل الرمادي مستوى، أغلقت على التوالي وقيام العملية الحسابية الثنائية. في مكون الأزرق، على سبيل المثال، قيمة العتبة هو 255، لم يتم تعيين قيمة تدرج إلى 0. 255، وهو مكون الزرقاء من المناطق المرشحة يمكن الحصول عليها، كما هو مبين في الشكل 1 (د)، والعنصر الآخر من العملية وهكذا دواليك.

(3) الشكل 1 (ب) و FIG 1 (د) القيام به "و" ويمكن الحصول على عمل في FIG 1 (ه)، وخفض كبير في عدد من المناطق المرشحة، ثم منطقة لوحة ترخيص من نسبة الارتفاع وغيرها من الميزات يمكن أن تخلص من جزء لوحة وهمية، وأخيرا جعل كل المصنف SVM مرشح لتحديد تصنيف لوحة التشغيل للحصول على ترخيص لوحة حقيقية، FIG 1 (و) هو مبين في الشكل. لوحة السيناريو العامة، بعد الخطوات السابقة 3 لتحديد منطقة لوحة الرخصة. ومع ذلك، بالنسبة لبعض السيناريوهات الخاصة، فإن الخطوة (1) أو الخطوة (2) قد تكون درجة الفشل متفاوتة، مما أدى إلى ضعف تأثير المواقع النهائي. يتم تحديد هذا الحل مع لوحة SVM مرشح، إذا كانت نتيجة تقرير أكبر من 1 SVM، وينتهي المواقع. خلاف ذلك، وتحديد المواقع أو إعادة تحديد المواقع مع الكشف عن اللون الحافة.

عند إغلاق العمليات الحسابية، قد يكون لوحة خاطئة مقسمة إلى منطقتين. وذلك لأن وجود بعض الأحرف في لوحة ترخيص من الحافة العمودية ليست واضحة لثانية واحدة أو المركز الثالث (مثل "E"، "1"، وما إلى ذلك)، والحل هو توسيع لوحة الرخصة، ثم مرة واحدة منطقة ممتدة من جديد الكشف عن الحافة. لصورة منخفضة الضوء، قد تحدث حافة مشكلة استخراج واضح أو مفقودة استخدام خطيرة المشغل سوبل، يمكنك استخدام مشغل SCHARR لاستخراج الحافة. استكمال تحديد المواقع مخطط هو مبين في الشكل. مجموعة شاملة من العوامل هنا عن طريق وضع طريقة لديه متانة أفضل.

2 الشخصية تجزئة

2.1 التقسيم الأولي

التقليدية طريقة التقسيم الإسقاط لقطع الحروف والكتابة من الحروف لا تحتاج الكامل والضوضاء، ومنحنى ثم المتوقعة عموديا صورة ثنائية تكون القمم والوديان الحادة، يمكن تحديد النقاط الطابع تجزئة وفقا للموقف من القمم والوديان من التحولات. ويرجع ذلك إلى تأثير الضوضاء، والضوء، وما شابه ذلك، والإسقاط العمودي للوحة هو في كثير من الأحيان قمم يست واضحة والوديان، كما هو مبين في الشكل (3) هو لوحة الضوضاء خطيرة وصورتها الإسقاط الرأسي.

بعد التحليل، والغالبية العظمى من إسقاط الطابع منحني الأضلاع هو الوحيد الواسطة، النسقين وtrimodal عدد قليل، مثل: H، M وكسر النسقين شخصية، نهر trimodal. خطوة لتحسين الإسقاط العمودي للالميزة باستخدام ما يلي:

(1) الأفقية لوحة مسح صورة ثنائي، وتواتر الطابع منطقة لا تقل عن 14 تجربة الحدود العمودية وإزالة برشام التنقل. ارتفاع الحرف العزم charHeight، حرف واحد عرض charWidth = 2charHeight.

(2) عمود لوحة مسح صورة ثنائي، وعدد من الإحصاءات لكل عمود من بكسل البيضاء. يتم تخزين عتبة وضع threshValue الإسقاط، والإسقاط الرأسي الكامل، والإسقاط والنتيجة في مجموعة arrayTotal.

(3) إنشاء الأحرف فئة حرف وقائمة ديناميكية listCharacter، تدل الإحداثي السيني كحرف ابتداء بداية النقطة، نقطة مركز سنتربوينت، في نهاية المطاف. ArrayTotal مسح مجموعة، عندما arrayTotal > 0 && arrayTotal = 0، وعرض للحرف الحالي العرض يتذكر = نهاية البداية. تلاه سهم بتنفيذ الخطوات التالية: إذا 2charWidth < عرض < 3charWidth، ومنع الطابع مقارنة مع 2، أيهما منتصف الإسقاط ينقسم، وإذا 3charWidth < عرض < 4charWidth، مقارنة مع 3 أحرف التصاق، ويتم تحديد الشريحة charWidth وفقا لهذا المنصب. إذا كان عرض + العرض < س charWidth، ترضي كلا تباعد الأحرف أقل من (12/45) charWidth، الكسر هو الطابع العزم، والحاجة الشخصية للقيام عملية الدمج. إذا كان عرض < 0.5charWidth < عرض ، عرض عرض القيمة هي أكبر من عدد البكسل ضمن المتوقع 0.8charHeight هو الأسطوانات. عندما الأسطوانات أقل من عتبة محددة مسبقا، يتم تحديد الأحرف الحالية أن تكون نقطة الضوضاء، وإلا فإنه يتم تحديد أن يكون الرقمية "1."

(4) تكرار الخطوات (3)، وقائمة الحروف listCharacter. وتعبر حتى أقصى اليمين حدود عدد الأحرف يصل إلى ما لا يقل عن 7 listCharacter.

2.2 تجزئة دقيقة

الخطوات المذكورة أعلاه الانتهاء الأولية على أحرف لوحة ترخيص الجزء، حل مشكلة التصاق وكسر حرفا. ومع ذلك، والتدخل لا يزال قائما حول إطار لوحة ترخيص، وذلك أن الحرف اليسار والحدود الصحيحة لوحة ترخيص لا تبدأ والمواقف نهاية. وهكذا الطابع تنسيق القيم تحتاج إلى تصحيح وفقا لعلم مسبق، وبالتالي استكمال عملية تجزئة دقيقة على النحو التالي:

(1) المقابلة لعدد الأحرف N وإحصاءات listCharacter عرض واي، وا يحسب متوسط والانحراف المعياري لعرض WS.

إذا لم يكن راضيا واي | واي وا | < وفاء سلطان، ثم يتم إزالته من listCharacter في السعي وا و WS بقية الشخصيات، تتماشى مع الدورة حتى عن خدمة الواي | واي وا | < وفاء سلطان، وا في هذا الوقت الإحصائية لشخصيات العرض القياسية.

(2) حرف تعيين الحدود Cmin الأولوية مختارة (مع فارق الحد الأدنى الطابع وا). ، ويتم احتساب بداهة المعلومات العرض القياسي الحرف وتباعد لوحة (حرف واحد عرض 45 ملم، وارتفاع 90 مم، الفواصل العرض 10 ملم، والثاني والحرف الثالث تباعد 34 مم، متباعدة الأحرف المتبقية 12 ملم) وا ومعيار العرض نسبة ص (صيغة (3) أدناه). محسوبة على أساس هذه النسبة Cmin سنتربوينت في الجدول 2 فيه تنسيق مجموعة، وبالتالي تحديد عدد Cmin الأحرف في ترتيب لوحات السيارات.

(3) في Cmin من سنتربوينت نقطة مرجعية، وا كمعيار، لحساب إحداثيات بداية ونهاية كل الحروف وفقا للجدول 2، كل من تنسيق المعلومات وlistCharacter إعادة كتابة، وتجزئة شخصية دقيقة ويمكن تحقيق ذلك من خلال هذه الإحداثيات . النتائج تجزئة هو مبين في الجدول 3.

3 الأحرف الاعتراف

3.1 SAE-ELM

ELM هو التعلم الجديد feedforward الشبكات العصبية القائمة على السابقة واحدة طبقة مخفية هوانغ قوانغ المقدمة. الطريقة فقط قبل الرقم تدريب مجموعة من النقاط الخفية، ومدخلات بشكل عشوائي أثناء تنفيذ مخبأة الأوزان طبقة الانحراف (بدون تكرار التحديث تعديل تكرارا)، المشكلة النهائية المعقدة إلى مور-بنروز المعمم معكوس مصفوفة. منذ ولدت عشوائيا الأوزان إدخال ناقلات تعويض والمعلمات من الطبقة الخفية للشبكة، ليس هناك ما يضمن للنموذج ELM يمكن تدريب لتحقيق المستوى الأمثل.

في هذه الورقة طريقة للتعرف على شخصيات لوحة ترخيص يستند SAE-ELM. طريقة يستخدم التكيف تطور التفاضلية المدخلات الأوزان خوارزمية الأمثل ELM ومخفية شبكة طبقة التحيز، بعد دورة التهيئة "عبر متحولة حدد" لتوليد المعلمات الأمثل. يليه اختبار العدد الأمثل من العقد في طبقة مخفية يتم توفيرها، وهي وظيفة لتحديد يحسب الإثارة مخبأة الناتج المناسب طبقة، وإخراج القيمة الوزن وتحسب على أساس طريقة المربعات الصغرى. تبين التجارب أن الطريقة يحفظ ليس فقط سريع ELM التدريب الخوارزمية، ولها قدرة أفضل تعميم والدقة لتجنب نموذج العشوائية ELM. لنفترض أن مجموعة التدريب S يحتوي على أي عينات مختلفة من N، S = {(XJ، TJ) | xjRn، tjRm، ي = 1،2، ...، N}، مع وحدات من طبقة مخفية L SaE- ELM خوارزمية بتنفيذ الخطوات التالية:

(1) أولا تهيئة السكان الأصليين، والسكان الأصليين من ناقلات تحتوي على مجموعة NP جميع الأوزان المدخلات والتحيز للطبقة خفية، كل ناقلات الأفراد كناقل، مثل صيغة (4) هو مبين في الشكل.

حيث، واي، وثنائية هي مهمة العشوائي، واي هو إدخال قيمة الوزن، مخفي ثنائية الطبقة التحيز (ط = 1،2، ...، L). L هو عدد العقد في طبقة خفية، G هو أجيال التطور، ك = 1،2، ...، NP، NP يمثل حجم السكان، حيث NP = 10.

(2) ثم يحسب بالمعادلة (5) مخبأة انتاج طبقة مصفوفة هونج كونج، G، خرج الوزن مصفوفة؟ تشو ك، ويمكن الحصول على G بصيغة (6).

(3) تليها حيازة الاختلافات الفردية طفرة ناقلات كيه، G، عملية البديل هناك أربعة طفرة استراتيجيات يمكن اختيار، كما هو مبين في الجدول رقم (4). بواسطة رر هو، G يمكن اختيار استراتيجية الطفرة التكيفية، PL هو، G هي المعلمة الاحتمالات، سياسة دلالة احتمال "ل" في البديل من عملية G.

عادي الاختلاف عامل F للسيطرة على حجم الخطوة، رهنا N (0.6،0.3) هو، K زمني عشوائي تتراوح 0-1، R1 ~ R5 هو عدد صحيح من 1 ~ مختلفة بشكل عشوائي داخل NP وما شابه ذلك. احتمال المعلمة رر، قد G تحديث المراجع حكم ، يتم الانتهاء من عملية التحول، وk ناقلات الاختلاف، G عملية عبر يمكن الحصول عليها عن طريق عملية اختبار اكتمال ناقلات المتقاطعة الصيغة (9).

حيث، JR وهو صحيح موجب عشوائي، randj هو رقم عشوائي بين 0 و 1، وفقا لمعدل انتقال CR N (0.3،0.1) من التوزيع الطبيعي. الازدواجية الطفرة، كروس والاختيار، وحتى الحد الأقصى لعدد مرات التكرار للحصول على k الأمثل، G، وتحسب على أساس صيغة الأوزان الإخراج (6)، ونموذج يمكن الحصول.

3.2 الأحرف الاعتراف

أولا موحدة حجم الحرف 20 40، وبعد ذلك مع الرسم البياني استخراج ميزة شخصية الاتجاه التدرج (وحدة 10 10، حجم الكتلة 20 20، الخطوة كتلة 5 5، كل خلية يتوافق مع ناقل 9 الأبعاد)، قد يكون لديك 180 بعدا إدخال ميزة النواقل. ثم تدريب ثلاثة أحرف المصنفات مع SAE-ELM. شخصية المصنف في تعريف الحرف الأول باستخدام طبقة مخفية الليمفاوية 400 والمخرجات عقدة 31. فارز بريد إلكتروني لتحديد الحرف الثاني باستخدام طبقة مخفية الليمفاوية 300 والمخرجات عقدة 24. يستخدم المصنف أبجدية لتحديد 5 الأحرف المتبقية، وذلك باستخدام العقد مخبأة 300 والمخرجات عقدة 34. أجريت على 2.50 وحدة المعالجة المركزية غيغاهرتز، و 2 غيغابايت من الذاكرة، vs2013 برمجة اختبار المضيف، مع 4000 حرفا (1435 الحروف الصينية، 1000 أرقام، 1565 الأحرف الإنجليزية) إلى التدريب، ووقت التدريب هو 144 ثانية (التدريب مع أطول فترة زمنية). 500 حرف اتخذت للاختبار، يتم اختبار هذا على حدة، الحروف الصينية المصنف معدل الاعتراف 96.5، أبجدية معدل الاعتراف المصنف من 97.5، وهو معدل الاعتراف إلكتروني المصنف 98.0. من الجدول رقم 5 (الرسالة على سبيل المثال)، في معدل الاعتراف وشبكة BP والفرق SVM ليس هو الحال، والاعتراف لوحة ترخيص شخصية تستند SAE-ELM يقلل كثيرا من الوقت للتدريب، ويزيد من سرعة التعرف على الحروف. الخوارزمية يمكن تطبيقها على المشهد المعقد الفعلي، أظهرت نتائج الاختبار في FIG.

4 خاتمة

بعد اختبارات مكثفة، ويمكن للطريقة المبين أعلاه تحديد مجموعة متنوعة من التعقيد لوحة ترخيص الكواليس. ومع ذلك، فإن فرضية هذه الطريقة لوضع صورة ملونة المقترحة إلى صورة رمادية، واللون في المستقبل ويمكن اعتبار مباشرة FIG تعامل مباشرة، ويتم جمع الصور المحطة، ثم منصة سحابة، تعيين متعددة صورة حساب جزء معقد نسبيا معالجة في وقت واحد على الخادم. يمكنك أن تنظر أيضا في عمق التعلم للتدريب نموذج لتحسين دقة التعرف على الحروف الصينية وشخصيات مماثلة. وضعت ترخيص تطوير مجالات التطبيق تكنولوجيا التعرف على لوحة لتتبع مستقبل المركبات، ومراقبة حركة المرور، وإدارة الوصول إلى مواقف السيارات أساسا جيدا ل.

مراجع

تيان B.Hierarchical ومراقبة المركبات الشبكية في تقريرها: دراسة .IEEE Trans.Intell.Transp.Syst، 2015،16 (2) :. 557-580.

شي X، W جاو، شن Y.Automatic لوحة ترخيص نظام التعرف على أساس معالجة الصور اللون ملاحظات .Lecture في علوم الحاسب الآلي، 2005،3483 (4): 1159-1168.

تشنغ D، جاو Y، وانغ J.An سيلة فعالة لوحة ترخيص موقع .Pattern Recog.Lett، 2005،26 (15) :. 2431-2438.

تشانغ Xuehai. البحوث ولوحة رخصة تجزئة شخصية تشنغدو: جامعة جنوب غرب جياوتونغ 2010.

قان ينغ، حقل الاتصالات لين شياو جينغ. الإنقسام القائم على الحروف لوحة ترخيص المستخرجة المحاكاة، 2011،28 (4): 336-339.

مولي خوان، جي يان تطبيق خوارزمية استنادا إلى قالب جديد في تجزئة شخصية لوحات السيارات هندسة الحاسب الآلي والتطبيقات، 2012،48 (19): 191-196.

هونج T، GOPALAKRISHNAM A K.License استخراج لوحة والاعتراف سيارة التايلاندية على أساس MSER وBPNN .Knowledge والتكنولوجيا الذكية (KST)، المؤتمر الدولي 20157 على، تشونبوري، 2015: 48-53.

نجاتي M، مجيدي A، لوحة الاعتراف JALALAT M.License على أساس تحليل الرسم البياني حافة وفرقة المصنف 0.2015 معالجة الإشارات ونظم المؤتمر الذكي (SPIS)، طهران، 2015: 48-52.

هوانغ G B، D وانغ H، آلات التعلم LAN Y.Extreme: مسح .International مجلة آلة التعلم وعلم التحكم الآلي، 2011،2 (2): 107-122.

CAO J، LIN Z، هوانغ G-B.Self التكيف آلة التعلم تطرفا التطوري . .Neural Process.Lett، 2012،36 (3): 285-305.