【正文】 生了非常糟糕的結(jié)果。 除非在閱讀文字手寫的形式 ,然后對(duì)分割圖像進(jìn)行識(shí)別 ， 這 是 與 OCR 軟件來分割共同的特點(diǎn) 。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(jiǎn)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。的搜索是通過使用標(biāo)準(zhǔn)化互相關(guān)（ NCC）的，以及關(guān)于評(píng)分 閾值的位置，然后才考慮一個(gè) 可能匹配 的 應(yīng)用。一旦所有的模板已檢索，發(fā)現(xiàn)每個(gè)地區(qū)的特點(diǎn)是從左向右形成一個(gè)字符串。 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 。 結(jié)果 用于字符識(shí)別訓(xùn)練和測(cè)試數(shù)據(jù)，得到 通過運(yùn)行幾個(gè)小時(shí)的視頻檢測(cè)器和我們的車牌每個(gè)跟蹤提取車牌圖像序列。其中，隨機(jī)抽取 121 人，形成一個(gè)字母字符的培訓(xùn)。 其余的 758 板被用于光學(xué)字符識(shí)別率測(cè)試。由于某些字符與其他人很容易混淆甚至人類一樣，我們采用了 39。字相等測(cè)試每當(dāng)編輯距離算法進(jìn)行了比較兩個(gè)字符。214。 39。 39。39。q39。E39。f39。我 39。T39。139。乙 39。839。Z39。239。圖 5 顯示了牌照號(hào)碼牌的閱讀和不使用 39。比較衡量不同數(shù)量的錯(cuò)誤。 品牌和型號(hào)識(shí)別 由于與車牌識(shí)別問題，探測(cè)車的第一步，品牌和型號(hào)進(jìn)行識(shí)別（ MMR）。相反，我們決定使用作為存在和一個(gè)視頻流中車輛的位置顯示檢測(cè) 到的車牌位置，并為作物識(shí)別汽車的投資回報(bào)率。 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(cè)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。該作物窗口位置，這樣的車牌是在底部的第三個(gè)中心的 外形 。如果我們?yōu)橹行牡能嚺瓶v向和橫向的汽車， 車牌 裝在他們的保險(xiǎn)杠會(huì)在圖像中出現(xiàn) 道路 的圖像 。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。該網(wǎng)站允許用戶輸入 檢查汽車 號(hào)碼檢測(cè) 是否已通過最近的煙霧檢查 。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。 我們分成查詢?cè)O(shè)置 1,140 標(biāo)記圖像和數(shù)據(jù)庫設(shè)置。我們?cè)u(píng)估在數(shù)據(jù)庫中找到的查詢每個(gè)圖像的最佳匹配的識(shí)別方法每場(chǎng)演出。我們采用 SIFT 特征匹配的孕產(chǎn)婦死亡率問題如下： 1。 2。如果沒有這樣的科威特第納爾存在，檢查下克勤 的理論不成立 。 240。 討論 我們發(fā)現(xiàn)，幾種類型的特征點(diǎn)匹配算法，從上述結(jié)果并沒有作出貢獻(xiàn)的一個(gè)最好的選擇。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 。這有助于去除異常點(diǎn) ，估計(jì)的查詢和數(shù)據(jù)庫圖像之間的 仿射變換。 ? 不要讓多個(gè)查詢相匹配的關(guān)鍵點(diǎn)到同一個(gè)數(shù) 據(jù)庫關(guān)鍵點(diǎn)。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。不像在 Lowe 的執(zhí)行情況，查詢的關(guān)鍵點(diǎn)描述進(jìn)行了比較與數(shù)據(jù)庫中的每個(gè)關(guān)鍵點(diǎn)的形象描述。此外，修改從 發(fā)布的代碼出現(xiàn)的閾值 （這是更接近在洛的文件提出的建議）增加了匹配的數(shù)量，但對(duì)整體識(shí)別率影響不大 誤判車使用一種方 法是正確歸類與在其他不同的錯(cuò)誤分類代價(jià)。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。對(duì)于在集合測(cè)試一些疑問識(shí)別結(jié)果顯示在圖 6。 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。 5 總結(jié)和結(jié)論 我們已經(jīng)提出了一個(gè)有用的框架，承認(rèn)車，結(jié)合 LPR 和 錯(cuò)誤 率兩個(gè)子問題，我們 擁有 非常有前途的識(shí)別率，可以作為一個(gè)重要的基礎(chǔ)，基于查詢的車輛監(jiān)控系統(tǒng)。我國 分辨 率的解決方案也非常準(zhǔn)確的，但是，需要進(jìn)一步研究，使其實(shí)時(shí) 有 效 。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)。他們制訂為文本檢索問題，這本身已證明是非常有效的基于互聯(lián)網(wǎng)搜索引擎與我們?nèi)粘５慕?jīng)驗(yàn)對(duì)象的識(shí)別問題。 圖 6： 20個(gè)查詢圖像測(cè)試集和數(shù)據(jù)庫中的前 7場(chǎng)比賽識(shí)別結(jié)果。 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(cè)數(shù)據(jù)庫。在我們 的工作 中 ，我們還沒有探索汽車構(gòu)成的變化 超出通常發(fā)生在我們的場(chǎng)景 。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。 通過學(xué)習(xí)來檢測(cè)稀疏，部分代表 性的圖像對(duì)象。 [2]華阿米特，四杰曼，十番。 IEEE 期刊。 2020。 工業(yè)電子學(xué)會(huì)， 2020。03。 Blobworld：顏色和紋理的圖像分割使用 EM andits應(yīng)用到圖像查詢和分類。 [5]十，陳答：尤爾。 CVPR。 [6]頁 Comelli，體育 Ferragina，米 Granieri，樓穩(wěn)定的。 IEEE 期刊。 44，第 4，第 790799， 1995。選擇的對(duì)象類識(shí)別尺度不變部分。 ICCV， 2020。學(xué)習(xí)超的視覺識(shí)別功能。 [9]全汗河德拉艾，答 Hegt。光學(xué)學(xué)報(bào)機(jī)密。 1998。 基于組件的場(chǎng)景影像中街車檢測(cè)。 [11] Hegt，河德拉艾，全汗。 SMC39。 1998 年 IEEE 國際會(huì)議系統(tǒng)，人與控制論（目錄 ）。部分第 5 卷， 1998年， 62 第 5卷。 [12] Kamat Ganesan。 實(shí)時(shí)技術(shù)與應(yīng)用研討會(huì)（目錄）。芯片。 1995年， 9。 [13]光金，光榮，以及色彩紋理的目標(biāo)檢測(cè) J. Kim的：一對(duì)車牌定位中的應(yīng)用。 [14]四洛韋。 IJCV， 2（ 60） :91 110， 2020。電機(jī)及電子學(xué)工程師聯(lián)合會(huì) T，請(qǐng)?jiān)O(shè)在 TECHNOL 49（ 6）： 2309 年至 2319 年 2020 年 11 月。牌照斜板魯棒識(shí)別方法在不同的光照條件室外。對(duì) IEEE / IEEJ / JSAI國際智能交通系統(tǒng)，第 697702,1999。車牌與神經(jīng)網(wǎng)絡(luò)和模糊邏輯車牌識(shí)別。 1995。一個(gè)推動(dòng)粒子過濾器：多目標(biāo)檢測(cè)與跟蹤， ECCV， 2020。一個(gè)可訓(xùn)練的目標(biāo)檢測(cè)系統(tǒng)：車輛在靜態(tài)圖像檢測(cè)。 [20]三施洛瑟，學(xué)者 Reitberger 爾欣斯，自動(dòng)在高分辨率汽車檢測(cè)都市風(fēng)光一種自適應(yīng) 3Dmodel 基礎(chǔ)。電機(jī)及電子學(xué)工程師聯(lián)合會(huì) / ISPRS 研討會(huì) “及以上城市的遙感領(lǐng)域的數(shù)據(jù)融合 ”。 [21]閣下 Schneiderman，金出武雄噸。電機(jī)及電子學(xué)工程師聯(lián)合會(huì) CVPR， 2020。跨國公司車牌識(shí)別系統(tǒng)：分割和分類。 ICPR 10514651， 2020。觸發(fā)。 計(jì)算機(jī)視覺與模式識(shí)別（ CVPR94） [24] j Sivic，答 Zisserman。觸發(fā)。 [25]克沙利文。圖像與視覺計(jì)算。 [26]，米瓊斯。計(jì)算機(jī)視覺和模式識(shí)別 承認(rèn)， 2020 年。訴訟 2020 年 IEEE 計(jì)算機(jī)上，體積學(xué)會(huì)會(huì)議： 1， 814， 頁 511518。 [27]Yanamura，米藤，西山四，米索加，谷閣下，閣 下佐治。 電機(jī)及電子學(xué)工程師聯(lián)合會(huì) IV2020 智能車輛研討會(huì)。 皮斯卡塔韋，美國新澤西州，2020 年。 detection being an important requisite. We approached the license plate detection problem as a text extraction problem [5]. The detection method can be described as follows. A window of interest, of roughly the dimensions of a license plate image, is placed over each frame of the video stream and its image contents are passed as input to a classifier whose output is 1 if the window appears to contain a license plate and 0 otherwise. The window is then placed over all possible locations in the frame and candidate license plate locations are recorded for which the classifier outputs a1. In reality, this classifier, which we shall call a strong classifier, weighs the decisions of many weak classifiers, each specialized for a different feature of license plates, thereby making a much more accurate decision. This strong classifier is trained using the AdaBoost algorithm, and the weak classifiers are considered weak since they only need be over 50% accurate. Over several rounds, AdaBoost selects the best performing weak classifier from a set of weak classifiers, each acting on a single feature. Figure 2: Types of features selected by AdaBoost. The sum of values puted over colored regions are subtracted from the sum of values over noncolored regions. Feature Selection The features to which the weak classifiers respond are important in terms of overall accuracy and should be chosen to discriminate well between license plates and nonlicense plates. Viola and Jones use Haarlike features, where sums of pixel intensities are puted over rectangular subwindows [26]. Chen and Yuille argue that, while this technique may be useful for face detection, text has little in mon with faces [5]. To support their assumption, they perform principal ponent analysis (PCA) on their training examples and find that about 150 ponents are necessary to capture 90 percent of the variance, whereas in typical face datasets, only a handful would be necessary. A total of 2,400 features were generated as input to the AdaBoost algorithm. These were a variation of the Haarlike features used by Viola and Jones [26], but more generalized, yet still putationally efficient. A scanning window was evenly divided into between 2 and 7 regions of equal size, either horizontal or vertical. Each feature was then a variation on the sum of values puted in a set of the regions subtracted from the sum of values in the remaining set of regions. Therefore, each feature applied a thresholding function on a scalar value. Some of these features are shown in Figure 2. The values of the regions of each window were the means of pixel intensities, derivatives, or variance of derivatives. None of the features actually selected