An Algorithm for License Plate Recognition Applied to ITS

An algorithm for license plate recognition (LPR) applied to the intelligent transportation system is proposed on the basis of a novel shadow removal technique and character recognition algorithms. This paper has two major contributions. One contribution is a new binary method, i.e., the shadow re- moval method, which is based on the improved Bernsen algorithm combined with the Gaussian filter. Our second contribution is a character recognition algorithm known as support vector machine (SVM) integration. In SVM integration, character features are extracted from the elastic mesh, and the entire address character string is taken as the object of study, as opposed to a single character. This paper also presents improved techniques for im- age tilt correction and image gray enhancement. Our algorithm is robust to the variance of illumination, view angle, position, size, and color of the license plates when working in a complex environment. The algorithm was tested with 9026 images, such as natural-scene vehicle images using different backgrounds and ambient illumination particularly for low-resolution images. The license plates were properly located and segmented as 97.16%and 98.34%, respectively. The optical character recognition system is the SVM integration with different character features, whose performance for numerals, Kana, and address recognition reached 99.5%, 98.6%, and 97.8%, respectively. Combining the preceding tests, the overall performance of success for the license plate achieves 93.54% when the system is used for LPR in various complex conditions ### 车牌识别算法在智能交通系统中的应用 #### 摘要 本文提出了一种基于新颖阴影去除技术和字符识别算法的车牌识别（LPR）算法，该算法旨在为智能交通系统提供技术支持。该文的主要贡献在于提出了两种新技术：一是改进的伯森算法与高斯滤波器相结合的新型二值化方法——阴影去除法；二是支持向量机（SVM）集成的字符识别算法。此外，文中还介绍了图像倾斜校正和灰度增强技术的改进方案。本算法具有较强的鲁棒性，在复杂环境下对车牌的光照、视角、位置、大小和颜色的变化均能有效应对。 #### 关键技术解析 ##### 阴影去除技术 阴影去除技术是本文提出的一种新的二值化方法，其核心是结合了改进的伯森算法与高斯滤波器。伯森算法是一种局部阈值化方法，适用于处理具有非均匀光照条件的图像。通过调整阈值，伯森算法能够有效地区分前景和背景。然而，原始的伯森算法在处理阴影区域时效果不佳。因此，作者对其进行了改进，并结合高斯滤波器来进一步提高阴影区域的处理能力。这种方法可以更准确地识别出车牌区域，从而提高整体的识别率。 ##### 支持向量机（SVM）集成 支持向量机是一种监督学习模型，用于分类和回归分析。在车牌字符识别中，SVM被广泛采用。本文提出的SVM集成算法有两大特点： 1. **特征提取**：从弹性网格中提取字符特征。弹性网格是一种变形模板匹配方法，它允许一定程度的变形，从而适应不同的字体和书写风格。 2. **整体识别**：将整个地址字符串作为研究对象，而非单个字符。这种方式可以利用上下文信息提高识别准确性。 ##### 图像处理技术 除了上述主要技术外，文中还介绍了一些图像处理技术的改进： - **图像倾斜校正**：通过对图像进行预处理，纠正车牌在图像中的倾斜角度，提高识别率。 - **灰度增强**：改善低光环境下的图像质量，使得字符更加清晰可辨。 #### 实验结果 本算法在复杂条件下对9026张不同背景和环境光照的自然场景车辆图片进行了测试，包括低分辨率图像。实验结果显示： - 车牌定位准确率达到97.16%，分割准确率为98.34%。 - 在SVM集成算法的支持下，数字、片假名和地址的识别准确率分别达到99.5%、98.6%和97.8%。 - 结合上述测试结果，本算法在各种复杂条件下的车牌识别整体成功率达到了93.54%。 #### 总结 本文提出的车牌识别算法结合了先进的阴影去除技术和SVM集成字符识别方法，以及一系列图像处理优化手段，有效地提高了在复杂环境下的车牌识别性能。这些成果对于推动智能交通系统的发展具有重要意义，特别是在无人值守停车场、安全控制等应用场景中具有广阔的潜力。