【正文】 訴訟 2020 年 IEEE 計(jì)算機(jī)上，體積學(xué)會(huì)會(huì)議： 1， 814， 頁 511518。 ICPR 10514651， 2020。 1995。 1995年， 9。 基于組件的場景影像中街車檢測。 IEEE 期刊。 IEEE 期刊。而是在查詢比較形象的每一個(gè)數(shù)據(jù)庫中的圖像功能，這將是有益的群集到同類群體，如轎車，越野車等，數(shù)據(jù)庫圖像和執(zhí)行階層式搜尋，以減少比較次數(shù)。如果改造的規(guī)模，剪切或翻譯參數(shù)閾值外，設(shè)置關(guān)鍵點(diǎn)的匹配 n到 0的數(shù)字。我們采用 SIFT 特征匹配的孕產(chǎn)婦死亡率問題如下： 1。 數(shù)據(jù)集 我們會(huì)自動(dòng)生成運(yùn)行在幾個(gè)小時(shí)的視頻數(shù)據(jù)檢測和跟蹤車牌和種植 400 220 像素周圍的每個(gè)跟蹤序列中 的車牌架固定窗口 的大小的汽車圖像數(shù)據(jù)庫。乙 39。 39。 這種 方法似乎效率不高，但是，認(rèn)識(shí)過程的一類二階 時(shí)的時(shí)間為 104 31 分辨率，我們 是 可以接受的 這一范圍的 。由于 是 車牌 有效的檢測，我們只需要運(yùn)行我們對(duì)每一幀探測器的每個(gè)檢測到的板塊，我們確定該檢測是一個(gè)新的板塊或?qū)嵗?。也許并不奇怪，其中有大 量從城市公交車，或穿梭 UCSD 的廣告文字 中獲得 。然后，對(duì)于 T = 1， ...， T 回合，每個(gè)薄弱 classi Pfier hj 為訓(xùn)練和它的誤差為 _t =我的 Wi putedd |黃建忠（ 11） 易 |。為了支持他們的假設(shè)， 他們執(zhí)行 了 他們的訓(xùn)練樣本的主成分分析（ PCA），發(fā)現(xiàn)約 150 個(gè)組件是需要捕獲百分之九十的變異，而在典型的 人 臉數(shù)據(jù)集，只有一小部分是必要的。 數(shù)據(jù)集 在 安裝在路燈俯瞰停車標(biāo)志桿 的 數(shù)碼相機(jī)拍攝的 培訓(xùn)和測試視頻數(shù)據(jù)視頻 中 。最常見的習(xí)慣做法 時(shí)用 現(xiàn)有的 LPR 光學(xué)字符識(shí)別系統(tǒng) 與 所使用的相關(guān) 模板 相 匹配 [16]，有時(shí)做了一組字符 [6]， 有時(shí) 相關(guān)是通過主成分分析（ PCA） [9]。 其次， 具有一定 性質(zhì)的 LPR 系統(tǒng) 可以 當(dāng)作 是 汽車的指紋車牌。 Louka Dlagnekov, Serge Belongie 附 件： ； 。然而，我們能夠 識(shí)別和記憶的汽車外觀， 即使當(dāng)汽車正在加速 離開我們。 目前 他們的 系統(tǒng)具有 高識(shí)別率， 所處理的 車牌圖像 同樣具有較高 高清 晰度，而且目前尚不清楚 能否應(yīng)用在我 們的方法 中，并應(yīng)用 在我們的數(shù)據(jù)集 來處理 低清晰度的圖像 。 2 車牌偵測 在任何物體識(shí)別系統(tǒng)中，有兩個(gè)需要加以解決的重大問題 即檢測到場景中的對(duì) ， 并且認(rèn)識(shí)它，檢測 是 一個(gè)重要的先決條件。因此，每個(gè)功能應(yīng)用在一個(gè)標(biāo)值的閾值函數(shù)。然后，我們采用了其中的兩個(gè)引導(dǎo)誤報(bào)從試驗(yàn)獲得的訓(xùn)練數(shù)據(jù)操作的順序是為再培訓(xùn)額外的反面典型的級(jí)聯(lián)使用，并 獲得 9948 額外反面典型。通過跟蹤我們使用了盡可能多的幀候選車牌區(qū)域 ， 這對(duì)我們 是 有利的。 字符識(shí)別 應(yīng)用二值化算法， 這是我們最初的意圖，如對(duì)尼布萊克算法的修改后的版本由陳和尤爾[5]用于提取牌照從我們的檢測器板的圖像，然后使用 商業(yè) 二元化的形象 OCR 的包 作為輸入 。這些序列中包含的 121 個(gè)字符必要的分布，形成了 360 例（ 26個(gè)字母和 10個(gè)數(shù)字）共計(jì) 10個(gè)字符的例子。的 }， {39。的， 39。 在收集這些圖片，我們手動(dòng)指定品牌，型號(hào)和年份標(biāo)簽的 1,140 張 圖片 中的 790。 （二）計(jì)數(shù)的 n 的成功匹配在描述號(hào)碼 d. 3。 當(dāng)查詢影像之間的匹配和數(shù)據(jù)庫圖像描述符的數(shù)量是相等的另一個(gè) 數(shù)據(jù)庫中的圖像，我們打破挑選較小的 L2之間的所有遠(yuǎn)程數(shù)據(jù)庫的整體形象的領(lǐng)帶 描述 符。黃線表示 SIFT 特征匹 配之間的對(duì)應(yīng)關(guān)系。 IECON 39。觸發(fā)。98會(huì)議程序。從規(guī)模不變的關(guān)鍵點(diǎn)鮮明的形象特征。麻省理工學(xué)院人工智能備忘錄， 1673 年（ CBCL 人備忘錄 180）， 1999。視頻谷歌： 一個(gè)文本檢索方法中的對(duì)象的視頻匹配。 6。 15（ 8）， 649654。 一種三維物體檢測的統(tǒng)計(jì)方法應(yīng)用到臉和汽車。觸發(fā)。 一種有效執(zhí)行的霍夫變換檢測車牌使用 DSP 的 。一個(gè)車牌識(shí)別系統(tǒng)。 檢測和閱讀在自然場景文本。 參考文獻(xiàn) [1]黃阿加瓦爾，答：阿萬和 。對(duì)制造和相應(yīng)的查詢與數(shù)據(jù)庫中的許多例子模型的結(jié)果，它是安全的假設(shè)，擁有品牌和型號(hào)，每類將提高識(shí)別率更多的例子。因此，我們采用了以下關(guān)鍵點(diǎn)修剪程序： ? 限制匹配的關(guān)鍵點(diǎn)之間的水平距離。因此，對(duì)我們個(gè)人的經(jīng)驗(yàn) 而言 ，他們依靠標(biāo)簽查詢汽車。請(qǐng)注意 ，有超過一半的測試集具有兩個(gè)或更少的錯(cuò)誤認(rèn)識(shí)。的 39。字符的群體 {39。 該算法可描述 如下 ： 對(duì)于 每個(gè)字符的例子，我們搜索在車牌圖像模板的圖像中所有可能的偏移量，并記錄前 N最佳匹配。 沙利文 [25]為追蹤的目的而使用一個(gè)相機(jī) ， 車輛通過 選擇跨越個(gè)別通道 來 定義感興趣區(qū)域（ ROI） 。 圖 3顯示了受試者工作特征（ ROC）曲線為我們的級(jí)聯(lián)探測器。 AdaBoost 訓(xùn)練 在其原來的形式， AdaBoost 的是用來提高 分類 的 ，形成了一套功能強(qiáng)大的 單一分類，如感知 分類精度。這種 有效的 分類器采用 AdaBoost 算法，因?yàn)樗鼈冎恍枰^ 50％的準(zhǔn)確 度 ， AdaBoost 的選擇最佳 的現(xiàn)象并 從弱分類設(shè)置，每一個(gè)單一的功能 都能用 弱分類器實(shí)現(xiàn) 。 [8] 而 汽車檢測 才是與 我們最密切相關(guān)的問題。 金等人。 1簡介 車牌識(shí)別 問題 （ LPR） 被廣泛認(rèn)為是與許多系統(tǒng)急待解決的問題 之一 。我們的提出的方法將提供 給 民間基礎(chǔ)設(shè)施 寶貴的信息，并提供以各種情境為執(zhí)法對(duì)象 的信息。 車牌識(shí)別系統(tǒng)采用了 角落的匹配 如 [11]模板的檢測方法和 霍茲 變換 [12] [27] ，與 各種直方圖為基礎(chǔ)的方法相結(jié)合。有趣的是，只處理 不穩(wěn)定因的的意見也許是因?yàn)槠噺囊粋€(gè)大的距離提供了更豐富的側(cè)面，因而更具有 片面性 。而實(shí)際上，這 種分類，我們 需要 一個(gè)強(qiáng)大的分類器， 存在 許多弱分類， 針對(duì) 于不同功能的專門牌照，從而使每一個(gè)更為準(zhǔn)確的 分辨出來 。當(dāng)作出 分辨 時(shí)車牌區(qū)域的 CCD 是比非車牌 區(qū)域 的 CCD 較大 為 ，反之亦然分類，而不是使用一個(gè)簡單的一維門檻。有了這些優(yōu)化，該系統(tǒng)能 夠處理在 640 480 像素每秒 10幀。該跟蹤器利用一個(gè)康萊特 哈瑞斯 角檢測器用來檢測好的特點(diǎn) 每到一個(gè)首次允許幀的相似性仿射變換 就 跟蹤感興趣的區(qū)域（我們的車牌）和措施。在我們的數(shù)據(jù) 中 ，分辨率太低可 依 靠分割字符以這種方式 解決 ，因此，我們決定采用模板匹配，而不是簡單的 匹配 ，它可以同時(shí)找到兩個(gè)位置的人物和他們的身份。字相等測試每當(dāng)編輯距離算法進(jìn)行了比較兩個(gè)字符。我 39。比較衡量不同數(shù)量的錯(cuò)誤。美國加利福尼亞州要求所有車輛超過三年以上才能通過煙霧檢查每二年。由于在數(shù)據(jù)庫中 是 以 確定關(guān)鍵點(diǎn)的匹配數(shù)為基礎(chǔ)， 其余應(yīng)該被忽略 。 SIFT 特征匹配的查詢大部分無法正確分 類有 5個(gè)或更少的條目類似的數(shù)據(jù)庫了。這可能需要 車的三維結(jié)構(gòu)的估計(jì)，可作為補(bǔ)充投入使用的混合算法。 [5]十，陳答：尤爾。 [9]全汗河德拉艾，答 Hegt。 [12] Kamat Ganesan。牌照斜板魯棒識(shí)別方法在不同的光照條件室外。 [21]閣下 Schneiderman，金出武雄噸。圖像與視覺計(jì)算。 皮斯卡塔韋，美國新澤西州，2020 年。觸發(fā)。 [20]三施洛瑟，學(xué)者 Reitberger 爾欣斯，自動(dòng)在高分辨率汽車檢測都市風(fēng)光一種自適應(yīng) 3Dmodel 基礎(chǔ)。 IJCV， 2（ 60） :91 110， 2020。 1998 年 IEEE 國際會(huì)議系統(tǒng)，人與控制論（目錄 ）。 ICCV， 2020。03。 除了搜索使用一些品牌和型號(hào)的描述和部分車牌，這也將是有益的，以便能夠搜索特定顏色的車的牌子和型號(hào)的信息可能是不完整的汽車監(jiān)測數(shù)據(jù)庫。這只發(fā)生在數(shù)據(jù)庫中的最佳匹配有一個(gè)或兩個(gè)匹配的描述，并運(yùn)用 七程序?qū)φw識(shí)別率影響不大。 240。我們無法標(biāo)簽其余 350 張 圖像由于我們與這些汽車不很熟悉的。239。E39。 其余的 758 板被用于光學(xué)字符識(shí)別率測試。我們發(fā)現(xiàn)，即使 我們嘗試 在 104 31 的 OCR 軟件包決議 也 產(chǎn)生了非常糟糕的結(jié)果。 那種情況先 只有那些具有平滑軌跡地區(qū)被視為有效。 結(jié)果 每幀掃描每一個(gè)可能的位置將 緩慢它的兩個(gè)關(guān)鍵優(yōu)化技術(shù)引進(jìn) 威爾勒 和瓊斯沒有積分圖像和級(jí)聯(lián)分類器 [26]。其中的部分功能見圖 2。我們 進(jìn)入 車牌檢測問題 則 作為一個(gè)文本提取的問題 [5]。 據(jù)我們所知， 錯(cuò)誤率 是 尚未 未開發(fā)的 問題。事實(shí)上，信息 記憶表現(xiàn)出這樣了一種跡象，首先 是汽車的品牌和型號(hào)，只有那么它的車牌號(hào)碼，有時(shí)甚至不是一個(gè)完整的號(hào)碼。 完成日期： 二零一一 年 四 月二十 日 《汽車識(shí)別》 作者： 羅卡戴朗科 ，塞爾 貝朗克 計(jì)算機(jī)系科學(xué)與工程 專業(yè) 美國加州大學(xué)圣地亞哥分校，加州 92093 號(hào) 摘要： 車牌 號(hào)碼 識(shí)別（ LPR）的研究是一個(gè)相當(dāng) 重要 的問題， 這一系統(tǒng) 已經(jīng)是 商業(yè)運(yùn)作系統(tǒng)的幾個(gè) 重要 組成部分 之一 。大多數(shù)的學(xué)術(shù)研究在這方面也需要高清晰度圖像或依賴于 特殊 地理位置 的車牌，并考慮下到這些地區(qū)的人和實(shí)物因素 ，甚至是一些 常見 的誤讀字符和 特殊字符。 [15]和 [3]，但很少用于設(shè)置 而且 背景雜波 的處理 有 很大 可能不是很 有效 。 通過自動(dòng)查找解決他們 幾百 個(gè) 訓(xùn)練的例子， 總結(jié)其中的 特點(diǎn) 和 功能， 在不同 汽車之間的 分辨存在偏差，因而采用了角落匹配。陳和尤爾認(rèn)為，雖然這種技術(shù)可能用 于 人臉檢測， 但 文本 與人臉沒 有什么共同之處 [5]。在初次分配不均導(dǎo)致重命名為 “ 非對(duì)稱 AdaBoost” 為此提高技術(shù)。 圖 4顯示了一個(gè)地區(qū)，我們的探測器錯(cuò)誤地在我們的測試數(shù)據(jù)集的車牌標(biāo)記的幾個(gè)例子。雖然這些跟蹤 方法可能曾在我們的應(yīng)用程序很好 的應(yīng)用 ， 但是 我們選擇了一個(gè) 在實(shí)踐中工作良好 更為簡單的做法。 N 是對(duì)車牌圖像分辨率的依賴性，應(yīng)當(dāng)選擇恰當(dāng)，并不是所有的 N 場比賽是在一個(gè)單一的字符相同的字 符時(shí)，多次出現(xiàn)在 圖像 里 ，所以，并非所有地區(qū)都可能處理。039。}， {39。這種方法也將是有益 品牌和型號(hào)的靜態(tài)影像，那里的分割問題是比較困難的。 SIFT 特征匹配 尺度不變特征變換（ SIFT）特征洛韋最近開發(fā)的 [14]是不變的規(guī)模，甚至部分不變旋轉(zhuǎn)和光照差異，這使得它們也適合用于識(shí)別物體。 ? 計(jì)算從查詢仿射變換在數(shù)據(jù)庫中的圖像時(shí)，有超過 3個(gè)匹配關(guān)鍵點(diǎn)。 存在幾種可能性，可能有助于在這方面。 一種多類形狀檢測粗到細(xì)的戰(zhàn)略。光學(xué)汽車牌照識(shí)別牌。 [10]二亮。出版社。 訴訟的 IEEE 神經(jīng)網(wǎng)絡(luò)，珀斯， 西澳大利亞州，民國 21852903 國際會(huì)議。觸發(fā)。 CVPR 2020。 2020。 [23] j， Tomasi，跟蹤好等特點(diǎn)。 [18] Teleghani，全德弗雷塔斯，學(xué)者和 。洛杉磯托斯，加州，美國。 碩士論文，麻省理工學(xué)院， 2020。在汽車技術(shù)，卷。 模式分析與機(jī)器智能， 26歲， 1606 年至 1621 年。 這是一個(gè)很有前途的方法適用于我們的情況是由 Sivic 和 Zisserman [24]最近的工作。 我們使用 Lowe 的執(zhí)行情況 [14]該算法的關(guān)鍵點(diǎn)定位的一部分。為每個(gè)圖像 D的數(shù)據(jù)庫和查詢影像 q時(shí)，執(zhí)行關(guān)鍵點(diǎn)定位和描述符的任務(wù)。這種方法產(chǎn)生的圖像，其中1,140 輛各品牌和型號(hào)的大小 都大致相同。 ， 39。240。 圖 5：字符識(shí)別結(jié)果顯示牌照號(hào)碼牌確認(rèn) 0， 1， 2， 3， 4， 5， 6和 7的錯(cuò)誤。 一個(gè)板塊已被跟蹤。那些 圖片 包含尾燈可以很容易地通過應(yīng)用顏色閾值 過濾。以最低的錯(cuò)誤 hj 為選中，更新權(quán)重根據(jù)： 如果 XI 是正確分類，不 作 修改，如果分類不正確。一共有 2400 生成的特征輸入到AdaBoost 算法。圖 1 顯示了一個(gè)典型的幀從相機(jī)拍攝。 聯(lián)系 其 他 [22]適用于 二值化圖像分割成分分析的特點(diǎn)，盡量 采取 減少自定義模板 與 人物 之間 距離 等 措施。換句話說，確定車輛的身份完全基于附帶的 車牌 。Recognizing Cars187。 我們也 不能 非常 容易的記憶所有字符。 [2] 而是 使車牌 分為 兩個(gè)字符識(shí)別檢測和 由 粗略 到 細(xì)致的分類 方法。使用這個(gè)視頻源，我們采樣，大約在同一地點(diǎn)交匯，這樣的車牌尺寸為 104 31 像素的 419 車的 圖像， 然后手動(dòng)提取這些圖像，圖像分割成 60 張圖片集測試集 。每個(gè)功能當(dāng)時(shí)就在一個(gè) 地區(qū)，其余地區(qū)的總和減去設(shè)定值的總和計(jì)算的變化。我們發(fā)現(xiàn)，這 比 只使用 實(shí)例 產(chǎn)生了 單標(biāo)記的區(qū)域，當(dāng)然，在操作時(shí)，探測器是車牌的 位置更好的結(jié)果，許多地區(qū)發(fā)射了約一個(gè)車牌，我們實(shí)際上作為一個(gè) 質(zhì)量指示 從而 產(chǎn)生負(fù)面的例子，我們選擇了從已知不包含在每一個(gè)積極的框架，這導(dǎo)致 10,052 每套 28車牌地區(qū)，隨機(jī)車牌大小的圖像。 跟蹤 往往從我們的車牌檢