آشکار‌سازی پلاک خودروهای ایرانی مبتنی بر طبقه‌بندی‌کننده سلسله‌مراتبی

یک سامانه تشخیص پلاک خودرو شامل سه بخش: شناسایی پلاک‌(های) تصویر، استخراج کاراکترها و تشخیص نویسه‌ها است. اولین و مهم‌‌ترین مرحله در یک سامانه تشخیص پلاک، شناسایی ناحیه پلاک در تصویر است. در این مقاله یک روش کارا و مبتنی بر طبقه‌بندی‌کننده سلسله‌مراتبی برای شناسایی پلاک‌‌(های) خودروهای ایرانی در تصویر پیشنهاد شده و رویکردهایی جهت بهبود کارایی سامانه پیشنهاد شده است. در ابتدا با بازخورد‌گرفتن از نمونه‌های منفی (نواحی فاقد پلاک)، یک رویکرد آموزشی دو مرحله‌ای و سپس برای کاهش تعداد هشدار غلط و افزایش دقت شناسایی ناحیه، یک رویکرد آزمایش دو‌مرحله‌ای ارائه شده است. در‌نهایت روشی ترکیبی با ادغام دو رویکرد آموزش و آزمایش دو‌‌مرحله‌ای معرفی شده است. این سامانه بر روی تصاویر رنگی و خاکستری قابل اعمال است و توانایی شناسایی چند پلاک در تصویر، از نمای جلو و عقب خودرو، در شرایط نوری مختلف، در محیط‌های شلوغ و پلاک‌ها با مقیاس‌های مختلف‌ را دارد و به محل نصب پلاک و یا ناحیه خاصی از پلاک و همچنین رنگ پس‌زمینه پلاک حساس نیست. برای ارزیابی رویکردهای ارائه‌شده، مجموعه‌داده‌هایی از تصاویر پلاک‌های ایرانی در شرایط مختلف جمع‌آوری شده است. نتایج ارزیابی ها نشان می دهد که رویکردهای ارائه‌شده به‌خوبی توانسته است، نرخ بازیابی نواحی پلاک و دقت ناحیه یافته‌شده را بهبود داده و نرخ هشدار غلط را نیز به‌خوبی کاهش دهد.

Iranian Vehicle License Plate Detection based on Cascade Classifier

Automatic license plate recognition is widely used in intelligent transport systems to automatically and quickly read license plates of vehicles. A license plate recognition is a computer vision system containing three main steps: plate detection, character segmentation, and character recognition. The first and foremost step of this system is the plate detection stage where the plate is located from the input image. This step has many challenges, including lowresolution images, illumination change, complex background, multiple plates, and different plate sizes. The plate detection methods can be categorized into connected componentbased, colorbased, and classifierbased methods. The two first approaches are not reliable in realworld environments, and they are too sensitive to illumination change and plate sizes compared to the classifierbaed techniques. In this context, the Cascade classifier has successfully been applied to various object detection problems. This classifier sequentially combines several weak classifiers based on the AdaBoost Algorithm. In this paper, an effective Iranian vehicle license plate detection approach is developed based on a cascade classifier. A twophase training approach is proposed to enhance the cascade classifier by getting feedback from the negative data. Then, a new testing approach is suggested to reduce falsepositive detection and improve detection precision. We also collected an Iranian license plate dataset which is publicly available for research purposes. The dataset covers images in different realworld conditions. The proposed system evaluated on this dataset is able to be applied on gray as well as color images, in a way that can detect multiple plates at front or rear of the cars in different illuminations. Moreover, the proposed method is invariant to the size, position or where the plates are located in the image. The experimental results provided in different conditions show that the proposed approach can improve the precision and recall rate while reducing the falsepositive rate.