• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 32 №1

Содержание

  1. ИЗМЕНЧИВОСТЬ РАЗНЫХ ФУНКЦИОНАЛЬНЫХ ТИПОВ СИГНАЛОВ У AELIA ACUMINATA L. (HETEROPTERA, PENTATOMIDAE)
  2. РАЗМЕРЫ РЕЦЕПТИВНЫХ ПОЛЕЙ СПОНТАННО-АКТИВНЫХ ГАНГЛИОЗНЫХ КЛЕТОК СЕТЧАТКИ СЕРЕБРЯНОГО КАРАСЯ
  3. КОМПЛЕКСИРОВАНИЕ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ И ОПТИЧЕСКИХ СНИМКОВ В ВИДИМОМ И ТЕПЛОВОМ ДИАПАЗОНАХ С УЧЕТОМ РАЗЛИЧИЙ В ВОСПРИЯТИИ ЯРКОСТИ И ЦВЕТНОСТИ
  4. МОДЕЛИРОВАНИЕ ПРОЦЕССА НАВИГАЦИИ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА С ИСПОЛЬЗОВАНИЕМ ДВУХ БОРТОВЫХ КАМЕР, СМЕЩЕННЫХ ПО ВЫСОТЕ
  5. ВИЗУАЛЬНАЯ ЛОКАЛИЗАЦИЯ АЭРОФОТОСНИМКОВ НА ВЕКТОРНОЙ КАРТЕ С ИСПОЛЬЗОВАНИЕМ ЦВЕТОТЕКСТУРНОЙ СЕГМЕНТАЦИИ
  6. СРАВНЕНИЕ ОЦИФРОВАННЫХ СТРАНИЦ ДЕЛОВЫХ ДОКУМЕНТОВ НА ОСНОВЕ РАСПОЗНАВАНИЯ
  7. АЛГОРИТМ ОПРЕДЕЛЕНИЯ ПОЛОЖЕНИЯ ПУЧКА ЭПИПОЛЯРНЫХ ЛИНИЙ ДЛЯ СЛУЧАЯ ПРЯМОЛИНЕЙНОГО ДВИЖЕНИЯ КАМЕРЫ
  8. СЕГМЕНТАЦИЯ РЕГИСТРАЦИОННЫХ НОМЕРОВ АВТОМОБИЛЕЙ С ПРИМЕНЕНИЕМ АЛГОРИТМА ДИНАМИЧЕСКОЙ ТРАНСФОРМАЦИИ ВРЕМЕННОЙ ОСИ
  9. УСТАНОВЛЕНИЕ СООТВЕТСТВИЯ МЕЖДУ ЗАМКНУТЫМИ КОНТУРАМИ ОБЪЕКТОВ ПРИ ПРОЕКТИВНЫХ ИСКАЖЕНИЯХ
  10. АЛГЕБРАИЧЕСКАЯ РЕКОНСТРУКЦИЯ АППАРАТНОЙ ФУНКЦИИ СМАЗАННОГО ИЗОБРАЖЕНИЯ ПО ЯРКОСТНЫМ ПРОФИЛЯМ ГРАНИЦ ОБЪЕКТОВ
  11. АЛГОРИТМ ВЗВЕШЕННОГО ПОИСКА ПРОЕКТИВНОГО ОПТИЧЕСКОГО ПОТОКА, УСТОЙЧИВЫЙ К БЛИКАМ
  12. АЛГЕБРАИЧЕСКИЕ МЕТОДЫ РЕКОНСТРУКЦИИ В ЗАДАЧАХ ТОМОГРАФИИ
  13. КОЛИЧЕСТВЕННЫЙ АНАЛИЗ ДВОЕНИЯ ОПТИЧЕСКОГО ИЗОБРАЖЕНИЯ ТОЧЕЧНОГО ИСТОЧНИКА СВЕТА ПРИ ПОДВОДНОМ СТЕРЕОЗРЕНИИ

СЕГМЕНТАЦИЯ РЕГИСТРАЦИОННЫХ НОМЕРОВ АВТОМОБИЛЕЙ С ПРИМЕНЕНИЕМ АЛГОРИТМА ДИНАМИЧЕСКОЙ ТРАНСФОРМАЦИИ ВРЕМЕННОЙ ОСИ

© 2018 г. М. А. Поволоцкий, Е. Г. Кузнецова, Н. В. Уткин, Д. П. Николаев

Институт проблем передачи информации им. А.А. Харкевича РАН 127051 Москва, Большой Каретный пер., 19
mikhail.povolotskiy@iitp.ru

Поступила в редакцию 09.08.2017 г.

Предлагается быстрый алгоритм сегментации номерных знаков для системы автоматического распознавания номеров автомобилей, устойчивый к неточностям локализации четырехугольника номера, а также искажениям яркости изображений. Алгоритм использует априорную информацию о геометрии стандартных типов номеров и дополнительно уточняет расположение символов путем оценки и корректировки ошибки локализации. Построена модель ошибки локализации номера, оптимальные параметры которой быстро вычисляются на основе динамического программирования. Также предложена модификация алгоритма для одновременной сегментации и выбора оптимального типа (из априорно известного множества типов номеров). Приведены результаты вычислительных экспериментов, демонстрирующих эффективность предложенного подхода.

Ключевые слова: распознавание автомобильных номеров, сегментация автомобильных номеров, динамическое программирование

DOI: 10.7868/S0235009218010080

Цитирование для раздела "Список литературы": Поволоцкий М. А., Кузнецова Е. Г., Уткин Н. В., Николаев Д. П. Сегментация регистрационных номеров автомобилей с применением алгоритма динамической трансформации временной оси. Сенсорные системы. 2018. Т. 32. № 1. С. 50-59. doi: 10.7868/S0235009218010080
Цитирование для раздела "References": Povolotskiy M. A., Kuznetsova E. G., Utkin N. V., Nikolaev D. P. Segmentatsiya registratsionnykh nomerov avtomobilei s primeneniem algoritma dinamicheskoi transformatsii vremennoi osi [Segmentation of vehicle registration plates based on dynamic time warping]. Sensornye sistemy [Sensory systems]. 2018. V. 32(1). P. 50-59 (in Russian). doi: 10.7868/S0235009218010080

Список литературы:

  • Кунина И.А., Гладилин С. А., Николаев Д.П. Слепая компенсация радиальной дисторсии на одиночном изображении с использованием быстрого преобразования Хафа. Компьютерная оптика. 2016. Т. 40. № 3. С. 395–403.
  • ABBYY Russia Best OCR software for Windows – ABBYY FineReader 14. URL: https://www.abbyy.com/finereader (accessed: 30.08.2017).
  • Du S., Ibrahim M., Shehata M., Badawy W. Automatic license plate recognition (ALPR): A state-of-the-art review. IEEE Transactions on Circuits and Systems for Video Technology. 2013. V. 23 (2). P. 311–325.
  • Gao Q., Wang X., Xie G. License plate recognition based on prior knowledge. 2007 IEEE International Conference on Automation and Logistics. 2007. P. 2964–2968.
  • Gosset W.S. The Probable Error of a Mean. Biometrika. 1908. V. 6 (1). P. 1–25. DOI: 10.2307/2331554.
  • Paliy I., Turchenko V., Koval V., Sachenko A., Markowsky G. Approach to recognition of license plate numbers using neural networks. Proceedings of 2004 IEEE International Joint Conference on Neural Networks. 2004. V. 4. P. 2965–2970.
  • Povolotskiy M.A., Kuznetsova E.G., Khanipov T.M. Russian license plate segmentation based on dynamic time warping. ECMS 2017 Proceedings. 2017. P. 285–291. DOI: 10.7148/2017-0285
  • Tian J., Wang R., Wang G., Liu J., Xia Y. A two-stage character segmentation method for Chinese license plate. Computers & Electrical Engineering. 2015. V. 46. P. 539–553.
  • Uddin M. A., Joolee J. B., Chowdhury S.A. Bangladeshi Vehicle Digital License Plate Recognition for Metropolitan Cities Using Support Vector Machine. Proc. International Conference on Advanced Information and Communication Technology. 2016.
  • Van Herk M. A fast algorithm for local minimum and maximum filters on rectangular and octagonal kernels. Pattern Recognition Letters. 1992. V. 13 (7). P. 517–521.
  • Viola P., Jones M.J. Robust real-time face detection. International journal of computer vision. 2004. V. 57 (2). P. 137–154.
  • Visillect service LLC Automatic number plate recognition – Visillect. URL: http://visillect.com/en/alpr (accessed: 30.08.2017).
  • Xia H., Liao D. The study of license plate character segmentation algorithm based on vetical projection. 2011 IEEE International Conference on Consumer Electronics, Communications and Networks (CECNet). 2011. P. 4583–4586.S