توضیحات
OCR-based Chassis-Number Recognition using Artificial Neural Network
تشخیص کاراکترهای شاسی اتومبیل با استفاده از شبکه های عصبی چند لایه
با توجه به گسترش روزافزون سیستم های حمل و نقل و افزایش تعداد خودروها نیاز به یک سیستم جمع آوری داده برای تمامی اتومبیل ها احساس می شود.
از این رو کارهایی در زمینه ساخت پایگاه داده بر مبنای پلاک آن ها صورت گرفته است که از نظر نویسندگان مشکلات زیادی داشته است.
از جمله این مشکلات قابل تغییر بودن پلاک ها، جابجایی آن ها و متفاوت بودن فرمت آن هاست. بدین منظور در این مقاله از کاراکترهای شاسی اتومبیل برای جمع آوری یک پایگاه داده استفاده می شود.
الگوریتم پیشنهادی به چهار مرحله تقسیم می گردد.
- پیش پردازش
- تقطیع کاراکترها
- نرمالیزه سازی کاراکترها
- استخراج ویژگی ها
- طراحی شبکه عصبی
که در ادامه به توضیح هر یک از مراحل خواهیم پرداخت.
پیش پردازش :
در این مرحله عملیاتی در جهت بهبود تصویر، حذف نویز و لبه یابی انجام می گیرد.
ابتدا تصویر خاکستری موجود به صورت باینری در می آید.
این کار به این دلیل صورت می گیرد که اطلاعات موجود در تصویر به سطوح خاکستری تصویر وابسته نبوده و صرفا به وجود و عدم وجود پیکسل های سیاه رنگ وابسته است.
برای باینری کردن تصویر از روش Otsu استفاده می گردد. در این الگوریتم آستانه برابر مقدار زیر می باشد :
ω0 جرم نرمالیزه کلاس صفر و ω1 جرم نرمالیزه کلاس 1 است.
جرم نرمالیزه برابر تعداد پیکسل های موجود در کلاس تقسیم بر تعداد پیکسل های تصویر است.
1µ و 2µ نیز میانگین سطح خاکستری برای هر کلاس است.
در صورتی که مقدار یک پیکسل از این مقدار آستانه بیشتر بود به عنوان پیکسل سفید و در غیر این صورت به عنوان پیکسل سیاه در نظر گرفته می شود.
نمونه ای از اجرای این الگوریتم در شکل1 نشان داده شده است.
شکل 1
در ادامه برای حذف نویز از یک فیلتر میانه 5×5 استفاده می گردد. نتیجه خروجی این فیلتر در شکل 2 نمایش داده شده است.
شکل 2
اکنون ماسک سوبل را به تصویر اعمال می نماییم. این ماسک که در شکل 3 نشان داده شده است لبه های تصویر را جدا می کند و برای قسمت تقطیع کاربرد دارد.
شکل 3
نتیجه خروجی این ماسک در شکل 4 نمایش داده شده است.
شکل 4
…
تقطیع کاراکتر ها:
در این قسمت با استفاده از روش پروجکشن قادر خواهیم بود کاراکتر ها را از یکدیگر جدا نماییم. روش پروجکشن بدین صورت است که تعداد پیکسل های سیاه در هر ستون شمرده می شود و سپس نواحی ای که دارای مقدار کمی پیکسل سیاه نسبت به سایر نقاط هستند به عنوان مرز در نظر گرفته می شوند.
تصویر پروجکشن در شکل 5 نشان داده شده است.
شکل 5
نرمالیزه سازی کاراکتر ها:
در این مرحله کاراکتر های به دست آمده از مرحله قبل به اندازه استاندارد در می آیند. مقدار هر پیکسل در تصویر جدید با توجه به پیکسل های همسایه آن به دست می آید. اکنون تمامی کاراکترها به سایز برابر در آمده و ویژگی های آن ها استخراج می گردد. سایز مورد نظر برای پایگاه داده ما 50×70 می باشد. شکل صفحه بعد کاراکتر های تقطیع شده را نشان می دهد.
شکل 6
…
استخراج ویژگی ها:
در این قسمت برای هر تصویر و به ازای هر بلوک 10×10 عددی به یک ویژگی نسبت داده می شود. این عدد برابر تعداد پیکسل های سیاه تقسیم بر صد است. بنابر این به ازای یک تصویر 50×70 ، 35 ویژگی به صورت اعدادی بین صفر و یک استخراج می گردد.
در شکل زیر ویژگی های به دست آمده از عدد 8 به تصویر کشیده شده است.
شکل 7
این 35 ویژگی به عنوان ورودی شبکه عصبی می باشند.
…
شبکه عصبی :
ویژگی های گفته شده در قسمت قبل به عنوان ورودی به شبکه عصبی داده می شود. یک شبکه عصبی چندلایه با ابعاد 9×10×10 که برای آموزش از روش پس انتشار خطا استفاده می کند.
…
تصویر خروجی به صورت زیر است:
شکل 8
کلید واژه : شبکه عصبی، پردازش تصویر , Vehicle Identification Number (VIN), Optical Character Recognition (OCR), Artificial Neural Network (ANN)
شبیه سازی مقاله OCR-based Chassis-Number Recognition using Artificial Neural Network
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،. با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.