Автоматическая локализация номерного знака автомобиля в системе Wolfram Mathematica

Современные устройства формирования изображений позволяют решать комплекс технических прикладных задач, требующих синтеза и анализа компьютерных методов обработки с использованием пороговой бинаризации, классификации изображений, кластеризации, с применением машинного обучения для определения областей интереса. Так, алгоритмы сегментации нашли широкое использование в обработке медицинских снимков. Компьютерные технологии применяются для функционирования интеллектуальной среды, которая позволяет анализировать состояние здоровья человека. Развитие микроэлектроники дает возможность повысить сложность применяемых алгоритмов обработки изображений для решения прикладных задач инженерии. В литературе широко обсуждаются вопросы сегментации, распознавания образов, описания и представления деталей, морфологического анализа снимков, полученных промышленным оборудованием, например, теории обработки оптического сигнала с учетом помех. Вопросы восприятия и анализа изображений подробно представлены в отечественной и зарубежной литературе. В статье описан разработанный алгоритм локализации номерного знака автомобиля, реализованный в системе Wolfram Mathematica. Вначале определяется область интереса, изолируется от остальной части изображения для последующей ее обработки. Реализуется представление изображения с помощью аффинного преобразования. Дальнейшая сегментация символов на номерной пластине позволяет их определить. В системе Mathematica разработан программный код алгоритма локализации номерного знака автомобиля для его дальнейшего распознавания. Решение задачи получено с помощью поэтапного применения встроенных и пользовательских функций системы Wolfram Mathematica. Алгоритм протестирован на репрезентативной выборке изображений. Погрешность в среднем не превышала 10 %, что соответствует современным алгоритмам обработки промышленных изображений. Полученный алгоритм идентификации номерного знака автомобиля может использоваться в цифровых устройствах для автоматического определения и дальнейшей обработки изображений.

1. Blanchet, G. Digital Signal and Image Processing Using Matlab / G. Blanchet, M. Charbit. London: Science Europe, 2006. 764 p. https://doi.org/10.1002/9780470612385

2. Breton, V. The Healthgrid White Paper / V. Berton, K. Dean, T. Solomonides // Studies in Health Technology and Informatics. 2005. Vol. 112. P. 249–318.

3. Мирошников, М. М. Теоретические основы оптико-электронных приборов / М. М. Мирошников. СПб.: Лань, 2010. 704 с.

4. Селянкин, В. В. Анализ и обработка изображений в задачах компьютерного зрения / В. В. Селянкин, С. В. Скороход. Таганрог: Изд-во ЮФУ, 2015. 82 с.

5. Image Perception and Interpretation of Abnormalities; Can we Believe Our Eyes? Can we do Something About it? / D. E. Sabih [et al.] // Insights Imaging. 2011. Vol. 1, No 2. P. 47–55. https://doi.org/10.1007/s13244-010-0048-1

6. Liu, J. Aesthetic Perception of Visual Textures: a Holistic Exploration Using Texture Analysis, Psychological Experiment, and Perception Modeling / J. Liu, E. Lughofer, X. Zeng // Front Comput Neurosci. 2015. No 9. P. 1–14. https://doi.org/10.3389/fncom.2015.00134

7. Gonzalez, R. C. Digital Image Processing / R. C. Gonzalez, R. E. Woods. New Jersey: Prentice Hall, Upper Saddlr River, 2002. 797 p.

8. Bribiesca, E. A Chain Code for Representing 3-D Curves / E. Bribiesca // Pattern Recog. 2000. Vol. 33, No 5. P. 755–765. https://doi.org/10.1016/S0031-3203(99)00093-X

9. Рудаков, П. И. Обработка сигналов и изображений. MATLAB 5.х / П. И. Рудаков, И. В. Сафонов. М.: ДИАЛОГ-МИФИ, 2000. 416 c.

10. Weihua, W. License Plate Recognition Algorithm Based on Radial Basis Function Neural Networks / W. Weihua // Intelligent Ubiquitous Computing and Education, International Symposium. 2009. P. 38–41. https://doi.org/10.1109/IUCE.2009.20

11. Patel, S. G. Vehicle License Plate Recognition Using Morphology and Neural Network / S. G. Patel // Int. J. Cybernetics Inform, 2013. Vol. 2. P. 1–7. https://doi.org/10.5121/ijci.2013.2101

12. Reshma, P. Noise Removal and Blob Detection Approach for Number Plate Identification / P. Reshma // International Journal of Computer Applications. 2012. Vol. 47, N 8. P. 13–16. https://doi.org/10.5120/7207-9992

13. Vehicle Parking Inventory System Utilizing Image Recognition Through Artificial Neural Networks / L. S. Bartolome [et al.] // IEEE Region 10 Conference. 2012. P. 1–5. https://doi.org/10.1109/tencon.2012.6412301

14. Draghici, S. A Neural Network Based Artificial Vision System for License Plate Recognition / S. Draghici // Int. J. Neural Systems. 1997. Vol. 8, N1. P. 113–126. https://doi.org/10.1142/S0129065797000148

15. License Plate Recognition from Still Images and Video Sequences: a Survey / C.-N. E. Anagnostopoulos [et al.] // IEEE Trans. Intell. Transp. Syst. 2008. Vol. 9, No 3. P. 377–391. https://doi.org/10.1109/TITS.2008.922938

16. A Method for Identifying Specific Vehicles Using Template Atching / K. Yamaguchi [et al.] // Proc. IEEE Int. Conf. Intelligent Transportation Systems. 1999. P. 8–13. https://doi.org/10.1109/ITSC.1999.821019

17. Lotufo, R. A. Automatic License Plate Recognition (ALPR) a State-of-the-Art Review / R. A. Lotufo, A. D. Morgan, A. S. Johnson // IEEE Transaction on Circuits and System for Video Technology. 2013. Vol. 23, N 2. P. 311–325. https://doi.org/10.1109/TCSVT.2012.2203741

18. Hegt, H. A. A High Performance License Plate Recognition System / H. A. Hegt, R. J. Dela Haye, N. A. Khan // Proc. IEEE Int. Conf. Syst., Man, Cybern. 1998. Vol. 5. P. 4357–4362. https://doi.org/10.1109/ICSMC.1998.727533

19. A License Plate-Recognition Algorithm for Intelligent Transportation System Applications / C. Anagnostopoulos [et al.] // IEEE Trans. Intell. Transp. Syst. 2006. Vol. 7, No 3. P. 377–392. https://doi.org/10.1109/TITS.2006.880641

20. Optical Recognition of Motor Vehicle License Plates / P. Comelli [et al.] // IEEE Trans. Veh. Technol. 1995. Vol. 44, No 4. P. 790–799. https://doi.org/10.1109/25.467963

21. Jiao, J. B. A Configurable Method for Multi-Style License Plate Recognition / J. B. Jiao, Q. X. Ye, Q. M. Huang, // Pattern Recognit. 2009. Vol. 42, No 3. P. 358–369. https://doi.org/10.1016/j.patcog.2008.08.016

22. Горитов, А. Н. Предварительная обработка изображений в системах технического зрения / А. Н. Горитов // Доклады ТУСУР. 2018. Т. 21, № 4. С. 70–82.