دانلود رایگان پروژه متلب سیمولینک

دانلود پروژه رایگان تشخیص پلاک خودرو با MATLAB

دانلود پروژه رایگان تشخیص پلاک خودرو با MATLAB

در این پروژه تصویر ورودی خوانده شده، تبدیل به سیاه و سفید شده و هیستوگرام آن نمایش داده می شود، سپس عملگر تشخیص لبه تصویر Roberts (رابرت) اعمال شده تا لبه ها مشخص شوند. اشیای اضافی از تصویر حذف می شوند. بخش پلاک کمی از لبه های دیگر مشخص تر می شود و چون ناحیه پلاک به رنگ آبی است، به واضح کردن آن بخش می پردازیم و ناحیه پلاک خودرو را برش داده و نشان می دهیم.

 

دانلود رایگان فایلهای متلب

 

عکس 1

عکس 2

عکس 3

عکس 4

عکس 5

عکس 6

عکس 7


چكيده – در اين مقاله روشي به منظور تشخيص پلاك خودرو در تصاوير سطح خاكستري ارائه مي گردد. به دليل وجود اطلا عات قوي لبه
در محل پلاك ابتدا اقدام به استخراج لبه هاي عمودي از تصوير ورودي مي كنيم. نواحي با چگالي لبه ي زياد مي توانند جزو كانديداهايي
براي پلاك باشند. به منظور تشخيص چنين نواحي، چگالي لبه ها در يك همسايگي محلي محاسبه مي شود. اين كار با شمارش لبه هاي
موجود در همسايگي محلي هر نقطه تصوير صورت مي گيرد. بدين ترتيب ماتريسي به ابعاد تصوير اوليه ساخته مي شود كه ارزش هر
پيكسل آن چگالي لبه ها در محل متناظر در تصوير اوليه مي باشد. اين ماتريس را مي توان يك تصوير سطح خاكستري در نظر گرفت.
با در نظر گرفتن روشنايي پيكسلها نواحي با بيشترين روشنايي در اين تصوير به عنوان كانديد هاي محل پلاك انتخاب مي شود. در
نهايت ما تبديل IFTرا براي شناسايي مرز هاي دقيق پلاك در محل هاي كانديد اعمال مي كنيم. نتيجه بدست آمده مستطيل محاط
كننده پلاك مي باشد. نتايج پياده سازي روش مذكور روي تصاوير با شرايط تصوير برداري مختلف بيانگر توانايي روش ارائه شده در
تشخيص محل پلاك و استخراج دقيق مرزهاي آن مي باشد.
كليد واژه- آناليز لبه، پردازش مورفولوژي، تشخيص پلاك خودرو، تئوري گراف، تبديل IFT
-1مقدمه امروزه تشخيص پلاك خودرو به روشي كليدي در بسياري از سيستمهاي هوشمند نظير بررسي ترافيك خودروها در جاده ها و اتوبانها، پرداخت هوشمند عوارض در ورودي بزرگراهها، كنترل امنيتي مناطق ممنوعه، ورودي و خروجي پاركينگها، اعمال قوانين راهنماي و رانندگي و غيره نقش مهمي ايفا ميكند. از اينرو تحقيقات گسترده اي در زمينه تشخيص پلاك خودرو در دنيا در حال انجام است. دراكثر روشهاي موجود شرايط تصوير برداري بايد كنترل شده باشد لذا اين روشها با محدوديت مواجه مي باشند. بنابراين همواره دستيابي به روشهايي كه در شرايط تصويربرداري نامطلوب نيز نتايج قابل قبولي دهد مورد انتظار است. يك سيستم تشخيص پلاك عموما شامل سه بخش اصلي تشخيص محل پلاك، جداسازي كاراكترها و تشخيص كاراكترهاست].[2][1 در ميان اين مراحل تشخيص محل پلاك از حساسيت ويژه اي برخوردار است و يكي از مراحل دشوار اين پروسه شناخته شده است. اين امر به دليل وجود شرايط مختلف تصويربرداري نظير نور محيط، فاصله و زاويه پلاك با محور اپتيكي دوربين، كثيف و صدمه ديده بودن پلاك و پيچيده بودن پس زمينه و غيره مي باشد. از جمله روشهاي استفاده شده در اين زمينه مي توان به تبديل Houghاشاره كرد كه از ويژگي وجود خطوط راست در مرز پلاك بهره مي برد. رنگ نيز به عنوان يك ويژگي در تشخيص پلاك مورد استفاده قرار ميگيرد ] .[3اما اين ويژگي نسبت به تغييرات نور محيط بسيار حساس بوده و پايدار نيست. از جمله روشهاي ديگر در تشخيص محل پلاك مي توان شبكه هاي عصبي را نام برد ] .[4اما اين روش نيز تنها قابل پياده سازي روي پلاكهاي با رنگهاي خاص مي باشد. روشهاي تطبيق الگو نيز از جمله روشهاي ديگر قابل استفاده
كاربرد تبديل IFTدر سيستم شناسايي پلاك خودرو وحيد ابوالقاسمي و عليرضا احمدي فرد دانشگاه صنعتي شاهرود
ahmadyfard@shahroodut.ac.ir, vahidabolghasemi@yahoo.com 2 در اين زمينه است كه در تشخيص شيء نيز كاربرد دارند. البته استفاده از اين روش نيز به دليل كلي و عام بودن با خطا همراه است. از جمله روشهاي ديگر كه قابل استفاده در اين زمينه است مي توان به كوانتيزه گر برداري] ،[5تبديل موجك] [6و فيلترهاي گابور ] [7اشاره كرد. با اين همه روشهاي مبتني بر آناليز لبه به دليل وجود اطلاعات قوي لبه در محل پلاك همواره مورد توجه بوده اند. در اين مقاله روشي بر پايه آناليز لبه ارائه مي گردد. با بهره گيري از اطلاعات لبه هاي عمودي در محل پلاك، نواحي با چگالي لبه زياد انتخاب مي شود. اين كار از طريق تخمين چگالي لبه ها درهمسايگي معين هر نقطه انجام مي پذيرد. نتيجه اين تخمين يك تصوير جديد مي باشد كه ارزش هر پيكسل در آن برابر با چگالي لبه ها در موقعيت متناظر از تصوير اصلي است. در تصوير حاصل از اعمال اين روش، نواحي با چگالي لبه كم تضعيف شده اند. سپس نواحي قوي )روشنايي بيشينه( را با در نظر گرفتن همسايه ها، مورد بررسي قرار داده و يك ناحيه را به عنوان كانديداي پلاك معرفي مي كند. معيار اين تصميم گيري نحوه تغييرات چگالي لبه ها در جهت عمودي است. دليل استفاده از چنين معياري براي تصميم گيري نهايي، وجود ضعف شديد در ميزان لبه هاي عمودي بالا و پايين خارج پلاك و قوي بودن آن در داخل خود پلاك است. اين ويژگي كه در تصاوير گرفته شده از پلاك خودروها مشاهده مي گردد ،به ندرت در ساير نقاط تصوير وجود دارد. مرحله بعد، اتصال لبه هاي ناحيه انتخاب شده به منظور پردازش بعدي است. اين كار با اعمال عملگر مورفولوژيكي
closingروي اين تصوير باينري لبه صورت مي گيرد. در نهايت ناحيه انتخابي كه بخش كوچكي از كل پلاك مي باشد از تصوير اصلي جدا شده و در مر حله بعد با اعمال الگوريتم ، IFTمرز پلاك با دقت بالايي تشخيص داده مي شود. به دليل معلوم نبودن ابعاد پلاك واقع در تصوير، ناحيه مورد مطالعه در اين پروسه تقريبا دو برابر پلاك ابعاد پيش فرض پلاك مي باشد. بايد اين نكته را متذكر شد كه گرچه روش IFTنسبتا” پيچيده مي باشد ولي چون تنها بخش كوچكي از تصوير ورودي در اين الگوريتم در گير مي شود )ناحيه احتمالي پلاك( سرعت اجراي اين مرحله نسبتا” بالا است. اين برتري روش پيشنهادي را به روشهاي مشابه نشان مي دهد. در بخش بعد اين مقاله به بيان روش پيشنهادي در تشخيص پلاك مي پردازيم. در بخش سوم نتايج پياده سازي الگوريتم بر روي تصاوير پلاك ارائه مي گردد. نهايتا در بخش چهارم به نتيجه گيري و جمع بندي خواهيم پرداخت.
-2الگوريتم تشخيص محل پلاك به دليل وجود اعداد فارسي با رنگ تيره در پلاكهاي جديد ايراني كه روي زمينه روشن قرار گرفته اند، اطلاعات لبه هاي عمودي در محل پلاك قوي به نظر مي رسد. اين لبه ها داراي چگالي بيشتري نسبت به ساير نواحي هستند. البته نكته جالب توجه در اينجاست كه اين چگالي زياد موجود در محدوده پلاك با حركت در راستاي عمودي شديدا كاهش مي يابد. در حالي كه چگالي با همين شدت كه در ساير نواحي )مثلا درختها( وجود دارد به طور پيوسته تا نواحي اطراف گسترش مي يابد. اين حالت اكثرا” در ناحيه پلاك اتفاق مي افتد. بنابراين استفاده از اين ويژگي جديد به همراه ساير ويژگيهاي پلاك مي تواند در تشخيص دقيقتر محل پلاك موثر باشد.
-1-2استخراج لبه هاي عمودي يكي از مناسب ترين روشها براي بدست آوردن تصوير گراديان و در نهايت تصوير باينري لبه، استفاده از عملگر ساده و دقيق sobelميباشد )رابطه .(1به دليل اينكه ما تنها به لبه هاي عمودي نياز داريم، از عملگر عمودي sobel مطابق رابطه 1استفاده مي كنيم.
-1 0 1
h= -2 0 2
-1 0 1
⎡ ⎤
⎢ ⎥
⎢ ⎥
⎢ ⎥ ⎣ ⎦ (1) پس از اعمال اين عملگر و نهايتا انتخاب آستانه مناسب به تصوير باينري كه نشان دهنده لبه هاي عمودي مي باشد مي رسيم. انتخاب آستانه همواره يكي از دشوارترين مراحل در باينري كردن تصاوير بوده است. انتخاب آستانه بالا احتمال از دست دادن لبه هاي مهم تصوير را دارد، در صورتي كه آستانه خيلي پايين نيز توليد لبه هاي ناخواسته زيادي مي كند كه الگوريتم را دچار خطا مي كند. شكل )1الف( نمونه اي از تصوير يك خودرو و لبه هاي عمودي استخراج شده به ازاي دو آستانه بالا و پايين را نشان مي دهد شكل )1ب( و )1ج( به ترتيب تصاوير باينري حاصل از انتخاب آستانه بالا و پايين مي باشند. يكي از 3 ويژگيهاي الگوريتم ارائه شده در اين مقاله عدم حساسيت آن به انتخاب مقدار آستانه مي باشد. در حاليكه بسياري از الگوريتمهاي موجود در آناليز لبه براي كاهش حساسيت نسبت به اين پارامتر از روشهايي مثل آستانه محلي و يا تطبيقي استفاده مي كنند، روش ارائه شده در اين مقاله از يك آستانه عمومي با مقدار پايين استفاده مي كند. استفاده از يك آستانه عمومي، ساده ترين و سريعترين روش در توليد تصوير باينري است. به طوري كه جايگزيني روشهاي پيچيده با اين روش در افزايش سرعت سيستم تشخيص پلاك موثر است. براي حذف لبه هاي غير مرتبط با پلاك، تصوير باينري به دست آمده در مرحله بعد فيلترمي گردد.
-2-2اندازه گيري چگالي لبه ها وجود لبه هاي عمودي با چگالي زياد در محل پلاك يكي از ويژگيهاي مناسب در تشخيص محل پلاك خواهد بود. از اين رو براي استفاده از اين ويژگي و نزديك شدن به محل احتمالي پلاك ،مي بايست تصويري كه بيانگر چگالي لبه ها باشد ايجاد كرد. براي تخمين چگالي لبه در همسايگي هر نقطه تعداد لبه هاي عمودي در تصوير باينري شمارش مي گردد. توضيح اين روش به ترتيب زير است. ماسكي با ابعاد كمي كوچكتر از پلاك پيش فرض انتخاب كرده، سپس آنرا روي تصوير باينري لبه )شكل ) 1ج(( مي لغزانيم. در هر لغزش، ارزش پيكسلهاي متناظر با ماسك با هم جمع شده و حاصل جمع در ماتريس جديدي كه تصوير خروجي اين مرحله را مي سازد قرار داده مي شود. از طرفي به منظور كاهش پيچيدگي محاسباتي، لغزش ماسك به گونه اي صورت مي گيرد هيچ همپوشاني بين پيكسلها در محاسبه حاصل جمع وجود ندارد. در واقع گام حركت ماسك روي تصوير با مركزيت پيكسل Pبرابر به n 2در راستاي عمودي و m 2در راستاي افقي است. كه nو m به ترتيب ابعاد ماسك در راستاي عمودي و افقي است. شكل ) 2الف( نتيجه تخمين چگالي در تصوير شكل 1را نشان مي دهد. روشنايي هر ناحيه در اين تصويري بيانگر ميزان چگالي لبه هاي واقع در آن همسايگي مي باشد. با بررسي دقيق تر شكل 2الف مي توان دريافت كه ناحيه پلاك در تصوير داراي ويژگي منحصر به فرد مي باشد. نواحي بالا و پايين ناحيه پلاك در شكل 2الف، داراي روشنايي كمتري نسبت به خود پلاك هستند، در حالي كه ساير نقاط مثل درخت، جدول، بدنه خودرو و غيره فاقد اين ويژگي هستند. به بيان ديگر ما بايد به دنبال توالي نواحي با شدت روشنايي كم-زياد-كم در راستاي عمودي تصوير چگالي لبه )شكل 2الف( باشيم. در عمل تنها تعداد معدودي از نواحي تصوير اين ويژگيها را دارا مي باشند. نقاط براي كانديدا براي پلاك به ترتيب زير آشكار مي شوند. به ازاي هر ناحيه مستطيلي در تصوير چگالي لبه )شكل 2 )الف(( ويژگي فوق را بررسي مي كنيم. در صورتي كه پيكسلهاي واقع در همسايه هاي بالايي و پاييني روشنايي كمتر از روشنايي مستطيل مورد بررسي را داشته باشند اين مستطيل مي تواند كانديدايي براي محل پلاك باشد. براي تقويت اين ويژگي در اين ناحيه و متقابلا” تضعيف ساير نواحي غير كانديدا، از اختلاف روشنايي بين مستطيل مذكور و دو همسايه فوقاني و تحتاني آن استفاده مي كنيم. بطوري كه مقدار اين اختلاف در روشنايي مستطيل مركزي ضرب الف ب
شكل :2الف( تصوير حاصل از محاسبه چگالي لبه ها ب( پس از
تقويت نواحي شبيه پلاك )ناحيه با روشنايي ماكزيمم بيانگر محل
پلاك است( الف ب ج
شكل :1الف( تصوير نمونه ورودي ب( لبه هاي عمودي با اعمال
آستانه بالا ج( لبه هاي عمودي با انتخاب آستانه پايين 4 مي شود. نتيجه حاصل از پياده سازي اين الگوريتم روي تمام نواحي مستطيلي، در شكل ) 2ب( به نمايش در آمده است. همانطور كه از شكل مشخص است وجود اختلاف قابل توجه در روشنايي بين مستطيل واقع در ناحيه پلاك و دو همسايه بالا و پايين آن باعث افزايش شدت روشنايي اين ناحيه شده است )احتمال وجود پلاك(. پس از مشخص شدن نقاط كانديدا بـراي پـلاك، تـشخيص مرز پلاك در مرحله بعد فقط در اين نواحي دنبال مي گردد. به منظور اطمينان از حفظ كـل ناحيـه پـلاك ، تـصوير در اطراف نقاط كانديد را )شـكل ) 2ب(( بـا ابعـادي بيـشتر از ابعاد پلاك مورد آناليز قرار مي دهيم. در اسـتخراج مرزهـاي پلاك از گراديان تصوير ورودي استفاده مي كنـيم. شـكل 3 )الف( تصوير نمونـه ورودي و )شـكل 3ج( گراديـان تـصوير اوليه را نشان مي دهد.
-3-2تشخيص مرز ناحيه پلاك در مرحله قبل روش استخراج مكان تقريبي پلاك )شـكل 2 )ب(( توضيح داده شد. براي جداسازي كامل پـلاك از پـس زمينه مي بايست منطقه كانديد به نحو موثري گسترش يابد تا به مرزهاي ناحيه پلاك دست يابيم. روشـهاي مختلفـي از جمله عملگرهـاي مورفولـوژي و هيـستوگرام و غيـره بـراي رسيدن به اين هدف ارائه شده اند. اما متاسفانه هـر كـدام از اين روشها مشكلاتي دارند كه دقت الگوريتم را كـاهش مـي دهند. به عنوان مثال استفاده از عمليات مورفولـوژي بـسيار حساس به فاصله پلاك از دوربين و زاويه ديـد اسـت و تنهـا براي فواصل و زواياي كنترل شده عملكرد مطلوبي دارد. در اين مقاله براي تشخيص مرزهاي پلاك از روشـي نـوين
IFTكه در تشخيص شـيئ و ناحيـه بنـدي تـصاوير ][9][8 مورد استفاده قرار مي گيرد بهره مي گيريم.
Image Foresting الگــــوريتم1-3-2
(IFT) Transform در اين الگوريتم، يك تصوير كه عموما تصوير گراديان اسـت ] [9با يك گراف مدل مي شود. پيكسلهاي تصوير گره هـا و معيار ارتباط پيكـسلها )همـسايه چهارتـايي هـشت تـايي و غيره( با كمانها در گراف معادل مي شوند. با انتخاب يك گره در درون شيء )كه در اين مقاله شـيء همـان پـلاك اسـت( شروع به حركت روي شاخه گراف ميكنيم. در طي اين مسير به هر شاخه ارزشي نسبت داده مي شود. در نهايت با اعمـال تابعي با نام تابع ارزش 1مسيرهاي با كمترين ارزش به عنوان مسير بهينه انتخاب مي شود. معيارهاي متفاوتي را مي توان در طراحي تابع ارزش به كار برد. از جمله مي توان به شدت روشنايي، رنگ، گراديان و موقعيت پيكسلها اشاره كـرد ]،[9 كه بسته به كاربرد مي تـوان معيـار مناسـبي را برگزيـد. بـا استفاده از تـابع ارزش، متنـاظر بـا هـر پيكـسل موجـود در تصوير گراديان يك پيكسل با ارزش جديد در تصوير ديگري با نام نقشه ارزشها 2قرار مي گيرد. ارزش اين پيكسل توسـط تابع ارزش تعيين مي شود. سپس مـسير هـاي بـا كمتـرين ارزش انتخاب شده و جدا مي شود. در حقيقت بـا ايـن كـار مجموعه اي از زيرگرافها كه مي توان آنها را درخت ناميـد از گراف اصلي جدا مي شود. در مواقعي كه جداسازي يك شي از پس زمينه مطلوب است )مثل مساله جداسازي پلاك( در نهايت گراف به دو زيرگراف شيء و پس زمينـه تبـديل مـي گردد. در اين مقاله به دليل قوي بودن اطلاعات لبه در محل پلاك از معيار گراديان در تشخيص مرز پلاك اسـتفاده مـي كنيم. تابع ارزش مورد استفاده به صورت زير بيان مي شود: (2)
1
-Cost function
2
-Cost map
الف
ب
شكل :3الف( برش ناحيه تشجيص داده شده به عنوان پلاك ب(
تصوير گراديان متناظر با شكل 3الف
الف ب
شكل :4الف( گراف تصويري با معيار همسايگي 8تايي اعداد
بيانگر ارزش پيكسلها و ناحيه خاكستري رنگ بيان كننده شيء
است. ب(نتيجه حاصل از اعمال IFT 5 در اين تابع منظور از ) ( h tارزشي است كه به اولين پيكسل مورد بررسي )بذر3ها يا پيكسل )هاي( كشف شده در مرحله قبـل( داده مـي شـود. ايـن ارزش همـان گراديـان پيكـسل مربوطه است. πمسير در حال بررسـي اسـت. و ) , ( w s t ارزش هر شاخه در گراف تصوير است. در تابع ، f maxبيشترين گراديان در بين پيكسلهاي همسايه ي tبه پيكسل متناظر با آن در جدول ارزش هـا اختـصاص داده مي شود. به دليل بالا بودن گراديان در لبه هاي پـلاك، شاخه هاي درخت ايجاد شده روي مرز متوقف مي شـود. در نتيجه شيء و پس زمينه از هم تميز داده مي شوند. نتيجـه حاصـل از تبـديل IFTبـرروي تـصوير گرراديـان نمونـه در شكل 4به نمايش در آمده است. همـانطور كـه در شـكل 4 )الف( مشخص است پيكسلهاي قرار گرفته روي مـرز ناحيـه خاكــستري رنــگ )شــيء( داراي گراديــان بيــشتري در آن همسايگي هستند بنابراين الگوريتم IFTروي آن متوقف مي شود. با بررسي دقيقتر شكل ) 4ب( مي توان ديد كـه تمـام پيكسلهاي موجود در داخل شيء، از پس زمينـه جـدا شـده اند غير از يك پيكسل با مختصات ) 6و .(8ايـن مـساله بـه دليل پايين بودن مقدار گراديان اين پيكسل نسبت به سـاير پيكسلهاي روي مرز شيء مي باشد. از اين پيكسل اصطلاحا به پيكسل نشتي 4ياد مي شود ] .[9دليل اين نامگـذاري در اين است كه اگر چشمه آبي از بذر )پيكسل مركـزي سـفيد رنگ در مركز تصوير( شروع به جوشش كند اولين جايي كه آب از داخل شيء به بيرون نشت مـي كنـد همـان پيكـسل نشتي است. در عمل ممكـن اسـت تعـداد بيـشتري از ايـن
3- Seed
4
-Leaking pixel پيكـسلها در مـرز اشـياء باشـند. در صـورت شناسـايي ايـن پيكسلها و سپس بريدن تمام شاخه هاي متصل به آنها مـي توان شيء و پس زمينه را با دقت بالايي از هم جدا ساخت.
-2-3-2ناحيه بندي با روش هرس درخت5 يكي ديگر از ويژگيهاي شـكل ) 5ب( ايـن اسـت كـه تمـام پيكسلهاي واقع در پس زمينه به پيكسل نشتي متـصل انـد. الگوريتم هرس درخت تعدادشاخه هاي متصل به هر گـره را شمرده و آنرا در تصوير جديـدي قـرار مـي دهـد )شـكل 5 )الف.(( فرايند شمارش، از پيكسلهاي موجود روي مرز تصوير شروع و به بذر خـتم مـي شـود. اولـين گـره اي كـه مقـدار ماكزيمم را در تـصوير شـكل ) 5الـف( دارد، همـان پيكـسل نشتي خواهد بود ] .[9بعد از شناسايي پيكسل نـشتي، كـل مسير طي شده از مرز به سمت اين پيكسل حذف مي شـود و در نهايت تصوير شكل ) 5ب( حاصـل مـي شـود. در ايـن تصوير درختي باقي مانده است كه نمايانگر شيء )پلاك( مي باشد. نتيجه حاصـل از پيـاده سـازي ايـن الگـوريتم بـرروي تصوير پلاك نمونه در شكل 6آمده است.
-3نتايج تجربي به منظور بررسي عملكرد الگوريتم ارائـه شـده در تـشخيص محل پـلاك بانـك اطلاعـاتي شـامل بـيش از 400تـصوير
5 -Tree pruning
در صد تشخيص
الگوريتم پيشنهادي
كل تصاوير پايگاه
اطلاعاتي
در صد تشخيص
براي تصاوير گروه 1
در صد
تشخيص براي
تصاوير گروه 2
فاصله دوربين تا پلاك > 3متر
% 89 %84
%88,5فاصله دوربين تا پلاك < 3متر
%85 %75
جدول- :1عملكرد الگوريتم براي مجومه تصاوير گروه 1و 2و كل
مجموعه
شكل :6تصوير پلاك پس از پياده سازي الگوريتم .IFT
الف ب
شكل :5الف( نتيجه حاصل از شمارش تعداد شاخه هاي متصل
به هر گره ب( درخت با قيمانده پس از حذف شاخه هاي اضافي 6 خودرو با پلاك جديـد ايرانـي بـه ابعـاد 640 x480جمـع آوري نموديم. تصاوير موجود داراي شـرايط مختلـف از نظـر پيچيدگي پس زمينه، شرايط نوري و آب و هـوايي متفـاوت، زواياي ديد مختلف و فواصل مختلف مي باشند. پس از اعمال الگوريتم پيشنهادي بر روي تصاوير موجـود در پايگاه اطلاعاتي داده، نتايج قابل قبـولي حاصـل گرديـد. بـه دليل ساده بودن، اين روش از پيچيـدگي محاسـباتي كمـي برخوردار است. تنها، قسمت پاياني يعني تشخيص مرز پلاك از پيچيدگي بيشتري نسبت به ساير مراحل برخوردار اسـت. البته به دليل اينكه ورودي الگوريتم تشخيص مرز پلاك تنها محدوده ي كوچكي از تصوير اصلي مي باشد، ايـن الگـوريتم نسبت به فعاليتهاي مـشابه ] [9برتـري دارد. از ديگـر نقـاط قوت الگوريتم تشخيص محل پلاك، حـساس نبـودن آن بـه زاويه ديد، چرخش و فاصه مي باشـد. درحاليكـه بـسياري از فعاليتهاي انجام شده تا كنون در تشخيص محل پلاكهاي بـا زاويه ديد غير صفر دچار خطا مي شـوند، ايـن الگـوريتم بـا دقت قابل قبولي محل اينگونه پلاكها را تشخيص مـي دهـد. جــدول 1كــارايي روش پيــشنهادي را در شــرايط مختلــف تصوير برداري ارزيابي مي كنـد. بـراي ايـن منظـور تـصاوير خودرو را به دو دسته ي تـصوير بـرداري بـا زاويـه كمتـر از 20درجه و بيشتر از آن تفكيك نموديم. هر دسته با توجه به فاصله دوربين تا پلاك به دو زير دسته فاصـله كمتـر از سـه متر و بيشتر از آن تقسيم شد. نتايج اعمال روش پيشنهادي تشخيص پلاك بر روي هـر كـدام از گروههـاي چهـار گانـه آزمايش شدو نتايج حاصل در جدول 1آمده اسـت. شـكل 7 دو نمونه از اين تصاوير را نشان مي دهد. از جنبه سرعت و پيچيدگي محاسباتي، الگوريتم پيـشنهادي را با ساير روشها كه جزء الگوريتمهاي سـريع محـسوب مـي شود مقايسه نموده ايم. براي اين منظور الگوريتم پيشنهادي و ساير روشها را به كمك نرم افزار Matlabپياده سازي و بـر روي كامپيوتر پنتيم 3.0 GHz 4اجرا نموديم. ايـن نتـايج در جدول شماره 2آمده است. با بهره گيـري از الگـوريتم هـاي برنامـه نويـسي مناسـب و ماشين هاي نسبتا” سريع مي توان آنرا براي كاربردهاي بـلا درنگ نيز مورد استفاده قرار داد. زمـان متوسـط مـورد نيـاز براي اجراي مراحل مختلف الگوريتم در جدول 3ارائه شـده است. همانطوريكـه از نتـايج آزمـايش ملاحظـه مـي گـردد صرفنظر از بخش پاياني يعني تشخيص مرز پـلاك ، سـرعت اجراي مراحل مختلف اين روش بالا است. البتـه بـالا بـودن دقت در تشخيص مرز پـلاك پيچيـده گـي ايـن قـسمت از الگوريتم را توجيه مي كند.
الگوريتم زمان سپري شده براي
تشخيص محل پلاك)(sec
Gabor Transform and Vector
~3 quantization [7]
Connected component
~4 Analysis[10]
Enhancement and Edge
~3 analysis [11]
روش پيشنهادي ~2
جدول :2مقايسه تعدادي از الگوريتمها
-4نتيجه گيري در اين مقاله روشي را جهت تشخيص محـل پـلاك خـودرو پيشنهاد داديم. در اين روش ابتدا لبه هـاي عمـودي تـصوير استخراج مي گردد. سپس در هر نقطه ي تصوير چگالي لبـه ها را تخمين زده و چگالي نواحي شبيه پـلاك تقويـت مـي كنيم. در نهايت ناحيه با بيشترين شباهت از لحـاظ چگـالي لبه به عنوان محل پلاك آشكار مي گردد. بـه عنـوان بخـش تكميلي، با استفاده از الگوريتم تبديل IFTمـرز پـلاك را بـا دقت بالامشخص مي كنيم.
الگوريتم پيشنهادي زمان )(ms
خواندن تصوير، تشخيص لبه و آستانه گذاري 1000
محاسبه چگالي لبه ها در همسايگي محلي 500
اعمال ويژگي پلاك و تقويت چگالي نواحي
مرتبط 300
تبديل IFTدر تشخيص مرز پلاك 2000
جدول :3زمان سپري شده براي مرحله اجراي الگوريتم پيشنهادي
الف ب
شكل : 7نمونه تصوير از الف( گروه اول با زاويه ديد بيشتر از 20
درجه ب( گروه دوم با زاويه ديد كمتر از 20درجه 7
مراجع
[1] Christos Nikolaos E. Anagnostopoulos, Ioannis E.
Anagnostopoulos, Vassili Loumos, Eleftherios Kayafas, “A
License Plate-Recognition Algorithm for Intelligent
Transportation System Applications, IEEE Trans.
Intelligent Transportation Systems,

دانلود رایگان فایلهای متلب

 

مقاله متلب,مطلب,متلب,مقاله برق,مقاله قدرت,مقاله مطلب,مقاله سیمولینک,دانلود متلب,دانلود مقاله متلب,مقالهmatlab ,آموزش متلب,مطلب,متلب,آموزش برق,آموزش قدرت,آموزش مطلب,آموزش سیمولینک,دانلود متلب,دانلود آموزش متلب,آموزشmatlab ,پروژه متلب,مطلب,متلب,پروژه برق,پروژه قدرت,پروژه مطلب,پروژه سیمولینک,دانلود متلب,دانلود پروژه متلب,پروژهmatlab ,

سعید عربعامری
من سعید عربعامری نویسنده کتاب 28 گام موثر در فتح متلب مدرس کشوری متلب و سیمولینک و کارشناس ارشد مهندسی برق قدرتم . بعد از اینکه دیدم سایتهای متعدد یک مجموعه کامل آموزش متلب و سیمولینک ندارند به فکر راه اندازی این مجموعه شدم
http://sim-power.ir

22 پاسخ به “دانلود پروژه رایگان تشخیص پلاک خودرو با MATLAB

  1. سلام وقت بخیر.من پروژه تشخیص انواع برگ رو نیاز دارم.ممنون میشم اگه برام ارسال کنید.
    من برای تمرین نهاییم به شدت به کداش نیاز دازم.با سپاس فراوان
    خیلی خیلییییییییی ممنون از سایت خوبتون.

  2. سلام وقت بخیر.من پروژه تشخیص انواع برگ رو نیاز دارم.ممنون میشم اگه دارین برام ارسال کنید.
    من برای تمرین نهاییم به شدت به کداش نیاز دازم.با سپاس فراوان
    خیلی ممنون از سایت خوبتون.

  3. سلام.وقت بخیر.چرا برای من دانلود نمیشه؟😩ممنون میشم برام ارسال کنید کل مقاله و کداشو.تمرینی که استادم بهم داده دقیقا همینه.با سپاس فراوان🙏🙏🙏

  4. با سلام. من آدرس ایمیل رو وارد کردم ولی ایمیلی برام فرستاده نشد
    ممنون میشم برام بفرستین.
    باتشکر

  5. من چندبار ادرس ایمیلمو وارد کردم ولی چیزی به دستم نرسید ممنون میشم بفرستید برام خیلی نیاز دارم بهش

  6. footBall=imread(‘football.jpg’);
    footBall=rgb2gray(footBall);
    imshow(footBall)
    PQ = paddedsize(size(footBall));
    D0 = 0.05*PQ(1);
    H = lpfilter(‘gaussian’, PQ(1), PQ(2), D0);
    F=fft2(double(footBall),size(H,1),size(H,2));
    LPFS_football = H.*F;
    LPF_football=real(ifft2(LPFS_football));
    LPF_football=LPF_football(1:size(footBall,1), 1:size(footBall,2));
    figure, imshow(LPF_football, [])
    Fc=fftshift(F);
    Fcf=fftshift(LPFS_football);
    S1=log(1+abs(Fc));
    S2=log(1+abs(Fcf));
    figure, imshow(S1,[])
    figure, imshow(S2,[])
    این کد فیلتر در چه حوزه ایی میباشد؟

  7. ببخشید در ایمیلی که به من فرستادید همون سایتی است که باز میکنم اما در اون سایت قسمتی وجود ندارد که بشود دانلود کرد کد های تشخیص پلاک خودرو را.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *