بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
جداسازي خودروهاي موجود در تصوير و تشخيص پلاک آن ها با استفاده از عمليات مورفولوژي و لبهيابي
خلاصه
تشخيص پلاک خودرو يکي از زير شاخههاي سيستم هاي هوشمند است که در پارکينگ ها براي کنترل تردد و در بزرگراه ها براي کنترل ترافيک کاربرد بسيار دارد. يک سيستم تشخيص پلاک شامل دو مرحله است : ١. تشخيص محل پلاک خودرو ٢. جداسازي و شناسايي کاراکترهاي پلاک. در اين مقاله روشي ساده ، سريع و کارآمد براي جدا کردن خودروها در تصوير و سپس استخراج پلاک آن ها معرفي ميشود. در الگوريتم پيشنهادي ابتدا ناحيه پس زمينه٤ تصوير مشخص شده و در نتيجه محل خودروها مشخص ميگردد، سپس با استفاده از عمليات لبهيابي، مورفولوژي و نسبت هاي هندسي اشياء داخل تصوير محل پلاک را استخراج مي کنيم . روش پيشنهادي را روي پايگاه داده اي شامل ٣٠٠ تصوير مختلف از نظر فاصله و شرايط نوري ، مورد آزمايش قرار داده و نرخ استخراج صحيح پلاک را ٩٥ درصد به دست آورديم .
کلمات کليدي : پلاک خودرو، لبهيابي ، آستانهگيري ، مورفولوژي
١. مقدمه
يکي از مسائل مهم و سختي که امروزه در حيطهي کنترل ترافيک مطرح است ، جدا کردن خودروها و تشخيص پلاک آن ها در تصاوير ضبط شده توسط دوربين هاي کنترل ترافيک ميباشد. يستم اتوماتيک تشخيص پلاک خودرو با استفاده از پردازش تصوير خودروهاي عبوري از يک مکان ، شماره پلاک آن ها را استخراج ميکند. اين سيستم با استفاده از دوربين هاي مخصوص ، از خودرو در حال عبور تصويربرداري ميکند و آن تصوير را جهت پردازش توسط نرم افزار تشخيص پلاک خودرو به رايانه ارسال ميکند.
در سيستم تشخيص اتوماتيک شماره پلاک خودرو، ابتدا شناسايي محل پلاک خودرو٥ در يک تصوير ديجيتال صورت ميگيرد و سپس خواندن شماره پلاک انجام ميشود. تاکنون روش هاي گوناگوني براي تشخيص مکان پلاک خودرو ارائه شده است . روش ارائه شده در [١] از يک پنجره با ابعادي نزديک به اندازه پلاک استفاده ميشود. اين پنجره از انتهاي گوشه سمت چپ بالاي تصوير با قدم هاي پنج پيکسلي تا انتهاي تصوير حرکت ميکند. سپس با اعمال تبديل فوريه٦ روي هر کدام از پنجره ها يک سري ويژگيها را از آن ها استخراج و در نهايت به کمک مدل آماري قانون بيز٧ احتمال پلاک بودن هر کدام از پنجره ها را بررسي ميکند. محاسبات طولاني و پيچيده ، از جمله معايب اين روش است . روش ارائه شده در [٢] شامل استفاده از الگوريتم واريانس ميزان روشنايي ٨ و الگوريتم چگالي لبه١ براي افزايش کنتراست ٢ تصوير در ناحيه پلاک و مقايسهي اين رو ها مي باشد. اشکال اين روش اين است که تنها پلاک يک خودرو در تصوير را تشخيص مي دهد. روش ارائه شده در [٣] از آرم پرچم که در ناحيه پلاک قرار دارد و همچنين از اطلاعات رنگ MNS٣ استفاده کرده و پلاک را از بين نواحي کانديدا استخراج مي کند. البته اين روش نسبت به تغييرات نور بسيار حساس بوده و پايدار نيست . روش ارائه شده در [۴] شامل استفاده از هشت الگو از عملگر ٤ براي کشف لبه مي باشد، سپس نواحي کانديدا با استفاده از هيستوگرام ٥ پرويت عمودي و افقي ، ويژگي هاي بافت ناحيه پلاک و نسبت هاي هندسي استخراج مي شوند. روش تحليل هيستوگرام نيز براي تصاوير نويزي و تصاويري که پلاک در آن ها کمي چرخيده باشد مفيد نيست . روش ارائه شده در [٥] از آناليز اطلاعات لبه استفاده مي شود؛ به اين صورت که ابتدا لبههاي با ارتفاع کمتر از حد آستانه تعيين شده حذف مي گردند، سپس پنجره اي مستطيل شکل و تقريبا هم اندازه با پلاک روي تصوير حرکت داده مي شود و تعداد پيکسل هاي لبههاي زير اين مستطيل براي نواحي مختلف شمارش مي شود. در نهايت ناحيهاي که بيشترين تعداد پيکسل هاي لبه را دارد به عنوان پلاک در نظر گرفته مي شود. زمان اجرايي اين الگوريتم بسيار بالا مي باشد. روش ارائه شده در [٦] از فيلتر Bottom-Hat براي بهبود تصوير استفاده مي شود. سپس عمليات حد آستانه آتسو٦، برچسب زدن ٧ نواحي و عملگرهاي بسته٨ روي تصوير اعمال و محل پلاک استخراج مي شود. دقت اين روش در مقايسه با روش هاي ديگر تشخيص پلاک کمتر است . روش ارائه شده در [٧] ابتدا نواحي کانديدا با استفاده از عمليات لبه عمودي سوبل ٩، حد آستانه آتسو و هيستوگرام استخراج مي شوند، سپس نواحي کانديدا را برچسب گذاري مي کند. در نهايت ناحيهاي که بيشترين تعداد برچسب را دارد به عنوان پلاک استخراج مي شود. اين روش نيز قادر است تنها پلاک يک خودرو در تصوير را تشخيص دهد. در [٨] ابتدا رنگ هشت همسايه هر پيکسل به يک شبکه عصبي پرسپترون ١٠ چند لايه داده شده است تا رنگ هر پيکسل در يکي از هشت دسته رنگ مشخص شده دستهبندي شود. سپس تصوير خط به خط اسکن مي شود و ناحيهاي که در آن دنباله رنگي پيکسل ها داراي ويژگي خاصي باشند به عنوان ناحيه پلاک مشخص مي گردد. اين روش نيز تنها قابل پياده سازي روي پلاکهاي با رنگ هاي خاص مي باشد.
در روش پيشنهادي اين مقاله، ابتدا ناحيه پس زمينه تصوير مشخص شده و در نتيجه محل خودروها مشخص مي گردد؛ سپس روش ترکيبي لبهيابي ١١ و مورفولوژي ١٢ براي استخراج پلاک خودروهاي جدا شده از تصوير استفاده مي شود. هدف ، ارائه راه حلي مناسب براي جدا کردن خودروها در تصوير و يافتن محل پلاک خودروها مي باشد.
در اين مقاله، ابتدا روش يشنهادي شامل استخراج تعداد خودروها، بهبود تصوير، لبهيابي و عم يات مورفولوژي را معرفي کرده و در ادامه نتايج به دست آمده را مورد بررسي قرار مي دهيم .
٢. روش پيشنهادي
مراحل مختلف روش پيشنهادي در شکل ١ نمايش داده شده است .
تصوير ورودي تخمين پس زمينه جداسازي خودروهاي درون تصوير
شکل ١- مراحل مختلف روش پيشنهادي
١.٢ جداسازي خودروها از پس زمينه
در اين قسمت از روش پيشنهادي ، استخراج خودروها که خود شامل تخمين پس زمينه، تعيين حد آستانه و دودويي کردن تصوير است ، انجام مي شود.
١.١.٢ تخمين پس زمينه
تمام تصاوير مورد استفاده در اين مقاله از روي پل هوايي که هم ارتفاع دوربين هاي کنترل ترافيک هستند و از هر دو طرف جاده ، در شرايط متفاوت آب و هوايي و در ساعات مختلف روز تهيه شده اند. به منظور تعيين خصو يات پس زمينه، ابتدا تصاوير پس زمينهي مربوط به ساعات مختلف روز را تهيه نموده و با ميانگين گيري از اين تصاوير، تصاوير پس زمينه نهايي مربوط به دو طرف جاده را به دست مي آورديم . سپس جهت افزايش سرعت عمليات پردازش ، تصاوير پس زمينهي حاصل را به سطح خاکستري ١ تبديل مي کنيم . شکل ٢ (الف ) تصوير پس زمينه مربوط به طرف راست جاده و شکل ٢ (ب ) تصوير پس زمينه مربوط به طرف چپ جاده را نشان مي دهد.
شکل ٢- تصاوير پس زمينه(الف ): طرف راست جاده ، (ب ): طرف چپ جاده
٢.١.٢ تعيين حد آستانه و باينري کردن تصوير
به دليل خصوصيات شهودي و سهولت پياده سازي ، آستانهگيري ٢ داراي جايگاه مناسبي در مسائل قطعهبندي ٣ تصوير مي باشد [٩]. يک روش براي استخراج اشياء از زمينه تصوير، انتخاب حد آستانه T براي جداسازي سطوح شدت آن ها از هم مي باشد. يک راه عملي براي تعيين حد آستانه، استفاده از روش آستانهگيري آتسو مي باشد. براي هر تصوير ورودي شکل ٣ (الف )، تصوير پس زمينه مربوط به آن را در نظر گرفته (شکل ٢ (ب )) و با محاسبه اختلاف اين دو تصوير و اعمال حد آستانهي آتسو تصوير دودويي شکل ٣ (ب ) حاصل مي شود.
تصوير دودويي حاصل را با استفاده از عمليات مورفولوژي برچس گذاري مي کنيم . سپس به کمک ميزان سطح کوچکترين خودروي موجود در تصاوير قبلي ، در ميان نواحي برچسب گذاري شده ، نواحي که يزان سطح آن ها از سطح کوچکترين خودرو کمتر است را حذف مي کنيم . نواحي باقي مانده را از تصوير خاکستري ورودي برش مي دهيم . در نتيجه با استفاده از اين عمليات تمامي خودروهاي موجود در تصوير ورودي را استخراج مي کنيم . شکل ٣ (ج ) خودروي اول و شکل ٣ (د) خودروي دوم موجود در تصوير ورودي را نشان مي دهد.
شکل ٣- (الف ): تصوير ورودي ، (ب ): تصوير دودويي ، (ج ): خودروي اول ، (د): خودروي دوم
بر روي هريک از خروجي هاي حاصل از اين مرحله عمليات هاي زير را انجام مي دهيم .
٢.٢ بهبود تصوير
پس از جدا کردن خودروهاي موجود در تصوير فيلتر گوسين ١ روي آن ها اعمال مي شود، تا نويزهاي احتمالي موجود درتصوير از بين برود. تابع گوسي به صورت زير تعريف مي شود:
که در آن مي باشد.
٣.٢ پيدا کردن لبههاي عمودي
لبه يک تغيير ناگهاني در شدت روشنايي تصوير است . پلاک خودرو به دليل اعداد و حروف نوشته شده روي آن داراي لبههاي عمودي زيادي مي باشد. از همين ويژگي براي يافتن محل پلاک در تصوير استفاده مي شود. روش ها و الگوريتم هاي مختلفي براي پيدا کردن لبه در پردازش تصوير مطرح شده است . در اين ميان عملگر سوبل به دليل سرعت بالا و حجم پردازشي کم در مقايسه با ديگر روش ها کارايي مطلوبي دارد. لبهيابي به روش سوبل در حقيقت استفاده از ماسک سوبل مي باشد. در حالت کلي سوبل داراي چهار ماسک تشخيص لبه افقي ، عمودي، اريب ۴۵ و ۴۵- درجه مي باشد. شکل ۴ (الف ) ماسک لبه عمودي و شکل ۴ (ب ) ماسک لبه افقي سوبل را نمايش مي دهد. در روش پيشنهادي چون اعداد و حروف داراي لبههاي عمودي زيادي مي باشند فقط از ماسک عمودي استفاده مي شود.
