2015 http://excel.fit.vutbr.cz
´ ı registracn´ ˇ ı znacky ˇ Detekce a rozpoznan´ vozidla pro analyzu ´ dopravy ˇ ´ Bc. Tereza Cern a*
Abstrakt ´ prace ´ je detekce registraˇcn´ıch znaˇcek vozidel. Zakladn´ ´ C´ılem teto ım pˇr´ıstupem pro detekci je vyuˇzit´ı ´ ´ klasifikatoru. ´ ´ je rozdelena ˇ kaskadov eho Prace do tˇr´ı hlavn´ıch kapitol – popis datove´ sady, detekce ˇ ´ znaˇcek a diskuze v´ysledku. ı mesta Brna pˇr´ımo pro uˇ ˚ Datova´ sada byla poˇr´ızena na uzem´ ´ ´ cely teto ´ ´ ´ ı prace. Nasb´ırana´ data byla pouˇzita pro pˇr´ıpravu pozitivn´ıch a negativn´ıch vzorku˚ pro trenov an´ ´ ´ je popsano ´ ´ ´ ı kaskadov ´ ´ detektoru registraˇcn´ıch znaˇcek a klasifikatoru znaku. trenov an´ eho ˚ V praci ´ eˇ ´ ˇ snost detekce znaˇcek byla vyhodnocena na klasifikatoru pro detekci registraˇcn´ıch znaˇcek. Usp ´ ´ eˇ se autorka zab´yva´ rozpoznan´ ´ ım dvou datov´ych sadach s v´ysledky 100 % a 98.47 %. Aktualn znaku˚ a sestaven´ım registraˇcn´ı znaˇcky. ´ ´ ˇ a´ slova: Detekce registraˇcn´ıch znaˇcek vozidel — Klasifikace znaku˚ — Kaskadov´ Kl´ıcov y klasifikator — MSER ´ ´ Pˇriloˇzene´ materialy: Zdrojove´ kody *
[email protected],
[email protected], Faculty of Information Technology, Brno University of Technology
´ 1. Uvod Detekce registraˇcn´ı znaˇcky vozidla a jej´ı rozpozn´an´ı je kl´ıcˇ ovou technikou v mnoha aplikac´ıch souvisej´ıc´ıch s anal´yzou dopravy jako je odcizen´ı vozidel, sledov´an´ı silniˇcn´ıho provozu, kontrola rychlosti vozidel aj. Proces rozpozn´an´ı registraˇcn´ıch znaˇcek se skl´ad´a ze dvou hlavn´ıch f´az´ı: 1) hled´an´ı registraˇcn´ı znaˇcky auta a 2) rozpozn´an´ı znak˚u znaˇcky. V obou f´az´ıch lze zvolit mnoho pˇr´ıstup˚u. Metody detekce registraˇcn´ıch znaˇcek jsou postaveny na porovn´av´an´ı v´yˇrez˚u p˚uvodn´ıho obrazu se sˇablonami [1], detekci MSER region˚u [2], detekci hran [3] za pouˇzit´ı vlnkov´e transformace [4] nebo fuzzy logiky [5], kombinaci houghovy transformace a anal´yzy kontur [6]. Jin´e metody jsou zaloˇzeny na komponent´ach a konstruuj´ı podm´ınˇen´a n´ahodn´a pole [7] nebo extrahuj´ı pˇr´ıznaky SIFT [8].
Metody rozpozn´an´ı znak˚u jsou cˇ asto zaloˇzeny na extrakci znak˚u a jejich porovn´an´ı s pˇreddefinovan´ymi sˇ ablonami [9]. Dalˇs´ı metody jsou zaloˇzeny na derivac´ıch j´adra [10], tr´enov´an´ı SVM a jin´ych detektor˚u [11] nebo na neuronov´ych s´ıt´ıch [12]. Tato pr´ace pojedn´av´a o pouˇzit´ı kask´adov´eho klasifik´atoru pro vytvoˇren´ı detektoru registraˇcn´ıch znaˇcek. Velk´a cˇ a´ st pr´ace se vˇenov´ana pˇr´ıpravˇe dat pro tr´enov´an´ı detektoru registraˇcn´ıch znaˇcek a klasifik´atoru znak˚u. ´ esˇnost detektoru registraˇcn´ıch znaˇcek byla vyhodUspˇ nocena na dvou datov´ych sad´ach s v´ysledky 100 % a 98.47 %.
´ ´ 2. Kaskadov y´ klasifikator Kask´adov´y klasifik´ator slouˇz´ı pro robustn´ı a rychlou detekci objekt˚u v obraze. Tento pˇr´ıstup publikovali Viola a Jones [13] na pˇr´ıkladu detekce obliˇceje, ale lze jej pouˇz´ıt i pro jin´e objekty. Pouˇzit´ı kask´adov´eho klasifik´atoru poskytuje velkou sn´ımkovou rychlost. Je zde pouˇzita reprezentace obrazu zvan´a integr´aln´ı obraz, kter´a umoˇznˇ uje velmi rychl´e vyhodnocen´ı funkce. Syst´em detekce pracuje se sadou Haarov´ych obd´eln´ıkov´ych pˇr´ıznak˚u (viz obr. 1).
´ Obrazek 1. Uk´azka haarov´ych pˇr´ıznak˚u
Klasifik´ator je zkonstruov´an v´ybˇerem mal´eho poˇctu d˚uleˇzit´ych rys˚u algoritmu AdaBoost. V r´amci zajiˇstˇen´ı rychl´e klasifikace mus´ı proces uˇcen´ı vylouˇcit vˇetˇsinu moˇzn´ych objekt˚u a zamˇeˇrit se na mal´y soubor z´asadn´ıch rys˚u. Celkov´a podoba procesu detekce je konstrukce rozhodovac´ıho stromu, kter´y je naz´yv´an kask´ada (viz obr. 2). S´erie klasifik´ator˚u postupnˇe zpracov´av´a vˇsechna podokna vstupn´ıho obrazu. Inici´aln´ı klasifik´ator eliminuje velk´y poˇcet negativn´ıch podoken s velmi kr´atkou dobou zpracov´an´ı. N´asleduj´ıc´ı klasifik´ator odstraˇnuje dalˇs´ı negativn´ı podokna, ale vyˇzaduje delˇs´ı zpracov´an´ı. Po nˇekolika stupn´ıch kask´ady je poˇcet podoken radik´alnˇe sn´ızˇ en. Kask´adou projdou pouze pozitivn´ı podokna.
´ Obrazek 2. Schematick´y popis kask´adov´eho
klasifik´atoru Kask´adov´y klasifik´ator byl poprv´e pouˇzit pro detekci obliˇcej˚u v obraze. V´ysledn´y klasifik´ator pracoval s u´ spˇesˇnost´ı 93.9 %. Tento klasifik´ator um´ı pracovat nejen s Haarov´ymi pˇr´ıznaky, ale tak´e s pˇr´ıznaky LBP, HOG a dalˇs´ımi. LBP pˇr´ıznaky neboli pˇr´ıznaky m´ıstn´ıch bin´arn´ıch vzor˚u jsou z´ısk´any pro vˇsechny pixely v obraze. Pro kaˇzd´y pixel je spoˇc´ıt´an v´ahov´y souˇcet okoln´ıch pixel˚u po prahov´an´ı. Pˇr´ıznaky jsou zobrazeny na obr´azku 3. LBP pˇr´ıznaky
byly pouˇzity v t´eto pr´aci pro vytvoˇren´ı detektoru registraˇcn´ıch znaˇcek.
´ Obrazek 3. Uk´azka LBP pˇr´ıznak˚u
3. Datova´ sada 3.1 Poˇr´ızen´ı datove´ sady Pro dobr´y v´ysledek detekˇcn´ıch u´ loh je z´asadn´ı poˇr´ıdit ˇ ım vˇetˇs´ı datov´a sada, t´ım je velkou datovou sadu. C´ v´ysledn´y detektor robustnˇejˇs´ı. Datov´a sada pouˇzit´a v t´eto pr´aci byla z´ısk´ana v ter´enu na u´ zem´ı mˇesta Brna. Kamera byla um´ıstˇena: • na u´ rovni aut s m´ırn´ym u´ hlem k pruhu vozovky, • nad u´ rovn´ı aut (l´avky, mosty) pˇr´ımo proti pruhu vozovky a • nad u´ rovn´ı aut (l´avky, mosty) s m´ırn´ym u´ hlem k pruhu vozovky. Bylo natoˇceno 25 pouˇziteln´ych vide´ı, z nichˇz 23 bylo pouˇzito pro tr´enov´an´ı detektoru a zbyl´a 2 videa byla vyˇclenˇena pro vyhodnocen´ı u´ spˇesˇ nosti. Videa byla natoˇcena v d´elce od 30 s do 200 s. Pr˚umˇern´a d´elka jednoho videa byla 1 min 50 s. Jelikoˇz by byla pr´ace se vˇsemi sn´ımky nasb´ıran´ych vide´ı zbyteˇcn´a, tak z nich byl vyˇr´ıznut kaˇzd´y 25 sn´ımek, kter´y pak byl na vstupu uˇcen´ı detektoru. Ze z´ıskan´ych sn´ımk˚u byly vymaz´any ty, na kter´ych se nevyskytovalo zˇ a´ dn´e vozidlo. T´ım doˇslo k omezen´ı velmi shodn´ych sn´ımk˚u se stejn´ymi informacemi. ˇ ıch 3.2 Datova´ sada pro detekci registracn´ ˇ znacek Pro vytvoˇren´ı detektoru registraˇcn´ıch znaˇcek byl zvolen kask´adov´y klasifik´ator knihovny OpenCV. Tento detektor vyˇzaduje pro tr´enov´an´ı klasifik´atoru velkou sadu obr´azk˚u pozitivn´ıch a negativn´ıch pˇr´ıpad˚u a k nim odpov´ıdaj´ıc´ı seznamy s cestami k obr´azk˚um. Pro pˇr´ıpravu dat vznikly v r´amci t´eto pr´ace dvˇe aplikace: • training—find-LP – jednoduch´y detektor registraˇcn´ıch znaˇcek vyuˇz´ıvaj´ıc´ı detekci MSER region˚u, • training—prepare-data – pˇr´ıprava datov´ych soubor˚u pozitivn´ı a negativn´ı datov´e sady. Jednoduch´y detektor je zaloˇzen na detekci MSER region˚u [14] ve vstupn´ım sn´ımku. Pro kaˇzd´y region je zkontrolov´ana jeho velikost, pomˇer stran a u´ hel
sklonu vzhledem ke spodn´ımu okraji sn´ımku, cˇ ´ımˇz dojde k omezen´ı mnoˇzstv´ı region˚u. Nad zbyl´ymi regiony je provedena bin´arn´ı anal´yza pixel˚u, pˇri kter´e jsou seˇcteny poˇcty cˇ ern´ych pixel˚u ve vˇsech sloupc´ıch (viz obr´azek 4). V m´ıstech v´yskytu p´ısmen jdou vidˇet shluky cˇ ern´ych pixel˚u. V ide´aln´ım pˇr´ıpadˇe by mˇela anal´yza zobrazit 7 shluk˚u. Jelikoˇz m˚uzˇ e b´yt kvalita obrazu horˇs´ı, pak je v´yˇrez prohl´asˇ en za registraˇcn´ı znaˇcku, pokud obsahuje alespoˇn 3 tyto shluky.
jeho negativn´ı sady uloˇzena cel´a znaˇcka beze zmˇeny. Uk´azka negativn´ı sady znaku 1 je vidˇet na obr´azku 6.
´ Obrazek 5. Uk´azka vyextrahovan´ych znak˚u.
´ Obrazek 4. Uk´azka anal´yzy pixel˚u
Mezi z´ıskan´ymi v´yˇrezy se nach´az´ı registraˇcn´ı znaˇcky vozidel, ale tak´e obr´azky se sˇumem. Pro odstranˇen´ı tˇechto myln´ych znaˇcek je potˇreba, aby uˇzivatel ruˇcnˇe proˇsel adres´aˇr s obr´azky a smazal ty, kter´e nepˇredstavuj´ı registraˇcn´ı znaˇcky aut. N´aslednˇe jsou jiˇz pˇripraveny textov´e soubory pro tr´enov´an´ı klasifik´atoru. Je vytvoˇren adres´aˇr obsahuj´ıc´ı pozitivn´ı vzorky, do nˇehoˇz jsou uloˇzeny p˚uvodn´ı obr´azky z dopravy, a soubor se seznamem pozitivn´ıch vzork˚u v podobˇe: cesta-k-obr´ azku N x y ˇ s´ ıˇ rka v´ yˇ ska x y ˇ s´ ıˇ rka v´ yˇ ska ... kde promˇenn´e x, y, sˇ´ıˇrka a v´ysˇka urˇcuj´ı pˇresnou pozici registraˇcn´ı znaˇcky v obraze. Souˇcasnˇe je vytvoˇren soubor se seznamem cest k negativn´ım vzork˚um a adres´aˇr, do nˇehoˇz jsou uloˇzeny obr´azky s celou sc´enou, v nichˇz jsou na nalezen´e registraˇcn´ı znaˇcky zaˇcernˇeny. Zde je opˇet nutn´y z´asah uˇzivatele, kter´y mus´ı proj´ıt adres´aˇr s negativn´ımi sn´ımky a zaˇcernit zb´yvaj´ıc´ı viditeln´e znaˇcky, kter´e by u´ spˇesˇnost klasifik´atoru v´yraznˇe zhorˇsily. ´ ı znaku˚ 3.3 Datova´ sada pro rozpoznan´ Pˇred zaˇca´ tkem tr´enov´an´ı detektor˚u znak˚u bylo tˇreba opˇet zajistit pozitivn´ı a negativn´ı sadu znak˚u. Pro tento u´ cˇ el vznikla aplikace extract-letters. Vstupem t´eto aplikace je adres´aˇr obsahuj´ıc´ı obr´azky s vyˇr´ıznut´ymi registraˇcn´ımi znaˇckami. Znaˇcky jsou postupnˇe ukazov´any uˇzivateli, kter´y nap´ısˇe na kl´avesnici znaky z registraˇcn´ı znaˇcky. Uˇzivatel d´ale naklik´a myˇs´ı stˇredy znak˚u. Aplikace pot´e vyˇr´ızne jednotliv´e znaky a uloˇz´ı je do obr´azk˚u n´aleˇzej´ıc´ım dan´emu znaku. Vznikaj´ı tak sady pozitivn´ıch vzork˚u vˇsech znak˚u (viz obr´azek 5). Souˇcasnˇe vznik´a i negativn´ı datov´a sada. V aktu´aln´ı zobrazen´e registraˇcn´ı znaˇcce dojde k zaˇcernˇen´ı dan´eho znaku, napˇr. A. Tato znaˇcka je pot´e uloˇzena do negativn´ı sady n´aleˇzej´ıc´ı znaku A. Pokud se ve znaˇcce nˇekter´y ze znak˚u nevyskytuje, pak je do
´ Obrazek 6. Uk´azka negativn´ı sady znaku 1.
Kvalita nˇekter´ych znak˚u je velmi mal´a, proto byla vytvoˇrena aplikace sort-to-categories, kter´a roztˇr´ıd´ı znaky z obr´azku 5 do tˇr´ı kategori´ı: dobr´e, stˇredn´ı a sˇpatn´e. Rozd´ıl mezi kategoriemi je zobrazen na obr´azku 7. Pro tr´enov´an´ı budou pouˇzity nejdˇr´ıve znaky z kategorie dobr´e. Zbyl´e kategorie jsou nachyst´any pro experimenty.
´ Obrazek 7. Uk´azka roztˇr´ıdˇen´ych znak˚u dle kvality. Vlevo kategorie ”dobr´e”, vpravo kategorie ”ˇspatn´e”.
V tabulce 1 jsou zobrazeny poˇcty vyextrahovan´ych znak˚u z registraˇcn´ıch znaˇcek testovac´ı datov´e sady. Na u´ zem´ı mˇesta Brna se nepodaˇrilo nasb´ırat dostateˇcn´y poˇcet vˇsech p´ısmen abecedy. Pro tato p´ısmena nebude moˇzn´e natr´enovat kvalitn´ı klasifik´ator, a proto nejsou ani uvedena v tabulce. Znak 0 1 2 3 4 5 6 7 8 9 A B
Poˇcty znak˚u celkem dobr´e stˇredn´ı sˇpatn´e 969 1158 1154 1184 1300 1209 1095 1352 1111 1235 256 1531
441 680 536 573 642 705 483 580 489 783 124 683
365 383 266 289 317 175 314 358 275 118 49 409
163 95 352 322 341 329 298 414 347 334 83 439
Tabulka 1. Poˇcty vyextrahovan´ych znak˚u
ˇ ıch znacek ˇ 4. Detekce registracn´ ´ ´ ı detektoru registracn´ ˇ ıch znacek ˇ 4.1 Trenov an´ Pro detekci registraˇcn´ıch znaˇcek byl zvolen kask´adov´y klasifik´ator knihovny OpenCV. Pouˇzity byly dvˇe z´akladn´ı funkce opencv createsamples a opencv traincascade [15]. Pro tr´enov´an´ı byly pouˇzity obr´azky dopravy, v nichˇz je registraˇcn´ı znaˇcka rovnobˇezˇ n´a se spodn´ı hranou obr´azku, pˇr´ıpadnˇe s m´ırn´ym sklonem. V tabulce 2 jsou uvedeny poˇcty pouˇzit´ych sn´ımk˚u. Na zaˇca´ tku tr´enov´an´ı byly obr´azky negativn´ı datov´e sady rozsek´any na menˇs´ı podokna, kter´a se pouˇzila pro samotn´e tr´enov´an´ı. Pro tr´enov´an´ı byla pouˇzita datov´a sada popsan´a v kapitole 3.2. Poˇcet sn´ımk˚u pozitivn´ı sady 2745 Poˇcet sn´ımk˚u negativn´ı sady 236 Tabulka 2. Poˇcty vstupn´ıch soubor˚u
Prvn´ı funkce opencv createsamples vytvoˇrila pozitivn´ı vzorky z jednoho obr´azku cˇ i kolekce obr´azk˚u. Funkce byla spuˇstˇena s n´asleduj´ıc´ımi parametry: ./opencv createsamples -info /$PATH/pos-list.dat -vec /$PATH/samples.vec -w 60 -h 16 -num 2745 Samotn´e tr´enov´an´ı kask´ady probˇehlo spuˇstˇen´ım funkce opencv traincascade. Tr´enov´an´ı probˇehlo v deseti iterac´ıch, do kaˇzd´e iterace sˇ lo 1000 pozitivn´ıch a 1000 negativn´ıch vzork˚u. Pro tr´enov´an´ı byly pouˇzity pˇr´ıznaky LBP. Pouˇzit´y pˇr´ıkaz pro spuˇstˇen´ı: ./opencv traincascade -data /$PATH/classifier -vec /$PATH/samples.vec -bg /$PATH/neg-list.dat -numPos 1000 -numNeg 1000 -numStages 10 -w 60 -h 16 -featureType LBP V´ysledn´y detektor byl natr´enov´an na minim´aln´ı velikost registraˇcn´ı znaˇcky, ve kter´e z˚ustanou informace o jej´ıch znac´ıch, a to 60 × 16 pixel˚u. 4.2 Aplikace vyhodnocen´ı detektoru Pro vyhodnocen´ı u´ spˇesˇnosti bylo nejprve potˇreba vytvoˇrit soubor s anotacemi, kde se vyskytuj´ı registraˇcn´ı znaˇcky ve sn´ımc´ıch z dopravy. Pro tento u´ cˇ el vznikla aplikace create-annotation. Postupnˇe se ukazuj´ı obr´azky, ve kter´ych uˇzivatel oznaˇc´ı lev´y horn´ı roh a prav´y doln´ı roh textu na znaˇcce. Z´ıskan´e informace se vypisuj´ı na standardn´ı v´ystup termin´alu, kter´e lze pˇresmˇerovat do souboru. V´ystup aplikace je v podobˇe:
cesta-k-obr´ azku N x1 y1 x2 x2 ..., kde N je poˇcet RZ v obr´azku, x1 a y1 ud´avaj´ı souˇradnice lev´eho horn´ıho rohu znak˚u v RZ a x2 a y2 ud´avaj´ı souˇradnice prav´eho doln´ıho rohu. Samotn´e vyhodnocen´ı u´ spˇesˇnosti prov´ad´ı aplikace automatic-evaluation. Jej´ım vstupem je soubor s anotacemi a natr´enovan´y detektor. Aplikace porovn´av´a, zda anotace registraˇcn´ı znaˇcky odpov´ıd´a nˇekter´emu v´yˇrezu nalezen´emu detektorem. V pr˚ubˇehu zpracov´an´ı se poˇc´ıt´a celkov´e mnoˇzstv´ı registraˇcn´ıch znaˇcek v anotovan´em souboru a poˇcet spr´avnˇe nadetekovan´ych znacˇ ek. Tyto hodnoty jsou vyps´any na standardn´ı v´ystup termin´al˚u spoleˇcnˇe s procentu´aln´ım vyj´adˇren´ım u´ spˇesˇnosti.
ˇ ıch 5. Vysledky ´ detektoru registracn´ ˇ znacek V´ystup detektoru obsahuje vˇetˇsinu registraˇcn´ıch znaˇcek, ale tak´e spoustu chybnˇe nalezen´ych v´yˇrez˚u (FP - false positives). FP nen´ı tˇreba ˇreˇsit, protoˇze na z´ıskan´e v´yˇrezy vstupn´ıho sn´ımku bude puˇstˇen klasifik´ator znak˚u a ten tyto v´yˇrezy zam´ıtne. Vyhodnocen´ı u´ spˇesˇ nosti detektoru prob´ıhalo na dvou datov´ych sad´ach, kter´e byly poˇr´ızeny na r˚uzn´ych m´ıstech a jejichˇz registraˇcn´ı znaˇcky byly cˇ iteln´e. Datov´e sady se liˇsily i v dalˇs´ıch faktorech: • Dataset A – kamera sn´ımala zadn´ı cˇ a´ st aut z nadhledu pod u´ hlem 50◦ k vozovce, • Dataset B – kamera sn´ımala pˇredn´ı cˇ a´ st aut, byla um´ıstˇena na jejich u´ rovni pod u´ hlem 65◦ k vozovce. V´ysledky detektoru jsou zobrazeny v tabulce 3. V´ysledn´y detektor um´ı cˇ a´ steˇcnˇe naj´ıt registraˇcn´ı znaˇcky, kter´e jsou z cˇ a´ sti skryt´e za jin´ym autem, ale tyto cˇ a´ steˇcn´e detekce nebyly hodnoceny. Na obr´azku 8 jsou zobrazeny v´ystupy detekce registraˇcn´ıch znaˇcek. V zelen´ych r´ameˇcc´ıch jsou zobrazeny plochy, kter´e detektor povaˇzuje za registraˇcn´ı znaˇcky. Dataset A Dataset B Poˇcet sn´ımk˚u Poˇcet RZ Poˇcet nalezen´ych RZ Poˇcet nenalezen´ych RZ ´ esˇnost Uspˇ
75 96 96 0 100 %
103 131 129 2 98.47 %
Tabulka 3. V´ysledky detektoru registraˇcn´ıch znaˇcek
Srovn´an´ı v´ysledk˚u detektoru vytvoˇren´eho v r´amci t´eto pr´ace s pˇr´ıstupy nˇekter´ych metod zm´ınˇen´ych v u´ vodu pr´ace je zn´azornˇeno v tabulce 4.
´ Obrazek 8. Uk´azka v´ystupu detektoru registraˇcn´ıch znaˇcek.
Metoda
´ esˇnost Uspˇ
Detekce pouˇzit´ım NN [12] 98.51 % Kask´adov´y klasifik´ator 98.47 % Konstrukce CRF [7] 97.1 % Porovn´an´ı se sˇablonami [1] 96.6 % Detekce pouˇzit´ım MSER [2] 83.3 % Tabulka 4. Srovn´an´ı v´ysledk˚u detektoru s dalˇs´ımi
pˇr´ıstupy.
´ er ˇ 6. Zav C´ılem t´eto pr´ace bylo detekovat registraˇcn´ı znaˇcky ve vstupn´ım obraze ze silniˇcn´ı dopravy. V kapitole 2 byl pˇredstaven kask´adov´y klasifik´ator. Kapitola 3 se zab´yvala poˇr´ızen´ım datov´e sady a zpracov´an´ım vstupn´ıch sn´ımk˚u pro tr´enink detektoru registraˇcn´ıch znaˇcek a klasifikaci znak˚u. N´asleduj´ıc´ı kapitola hovoˇrila natr´enov´an´ı detektoru registraˇcn´ıch znaˇcek a jeho vyhodnocen´ı. Pˇredposledn´ı kapitola shrnuje dosaˇzen´e v´ysledky. Hlavn´ım pˇr´ıstupem t´eto pr´ace bylo vyuˇzit´ı kask´adov´eho klasifik´atoru. Jeho pouˇzit´ım pro detekci registraˇcn´ıch znaˇcek vznikl detektor, kter´y dosahoval u´ spˇesˇnosti 100 % a 98.47 % na dvou testovac´ıch datov´ych sad´ach. Budouc´ı cˇ innost bude zamˇeˇrena na vytvoˇren´ı SVM klasifik´atoru pro rozpozn´an´ı znak˚u a n´asledn´e sestaven´ı registraˇcn´ı znaˇcky. D´ale bude vytvoˇrena aplikace, kter´a spoj´ı detekci registraˇcn´ıch znaˇcek a rozpozn´an´ı znak˚u. Na z´avˇer probˇehne vyhodnocen´ı u´ spˇesˇ nosti cel´e aplikace.
Literatura [1] Amir Hossein Ashtari, Mohd Jan Nordin, and Seyed Mostafa Mousavi Kahaki. A new reliable approach for persian license plate detection on colour images. In ICEEI, pages 1–5. IEEE, 2011. [2] Wei Wang, Qiaojing Jiang, Xi Zhou, and Wenyin Wan. Car license plate detection based on MSER. In Consumer Electronics, Communications and Networks (CECNet), 2011 International Conference on, pages 3973–3976, April 2011. [3] Z. Musoromy, S. Ramalingam, and N. Bekooy. Edge detection comparison for license plate detection. In Control Automation Robotics Vision (ICARCV), 2010 11th International Conference on, pages 1133–1138, Dec 2010. [4] Z. Musoromy, F. Bensaali, S. Ramalingam, and G. Pissanidis. Comparison of real-time dsp-based edge detection techniques for license plate detection. In Information Assurance and Security (IAS), 2010 Sixth International Conference on, pages 323–328, Aug 2010. [5] Shyang-Lih Chang, Li-Shien Chen, Yun-Chung Chung, and Sei-Wan Chen. Automatic license plate recognition. Intelligent Transportation Systems, IEEE Transactions on, 5(1):42–53, March 2004. [6] Tran Duc Duan, Duong Anh Duc, and Tran Le Hong Du. Combining hough transform and contour algorithm for detecting vehicles licence
plates. In International Symposium on Intelligent Multimedia, Video and Speech Processing, pages 747–750, 2004. [7] Bo Li, Bin Tian, Ye Li, and Ding Wen. Component-based license plate detection using conditional random field model. IEEE Transactions on Intelligent Transportation Systems, 14(4):1690–1699, 2013. [8] Wengang Zhou, Houqiang Li, Yijuan Lu, and Qi Tian. Principal visual word discovery for automatic license plate detection. IEEE Transactions on Image Processing, 21(9):4269–4279, 2012. [9] P. Cika, M. Zukal, and M. Sebela. Detection and recognition of license plates of czech vehicles. In ElektroRevue, volume 2, December 2011. [10] Zhen Chao Zhang and Yuan Yan Tang. License plate recognition algorithm based on derived kernel. In Wavelet Analysis and Pattern Recognition (ICWAPR), 2012 International Conference on, pages 238–243, July 2012. [11] L. Neumann. Vyhled´an´ı a rozpozn´an´ı textu v obrazech re´aln´ych sc´en, diplomov´a pr´ace, Praha, ˇ CVUT, 2010 [cit. 2015-03-29]. [12] J.A.G. Nijhuis, M.H. ter Brugge, K.A. Helmholt, J.P.W. Pluim, L. Spaanenburg, R.S. Venema, and M.A. Westenberg. Car license plate recognition with neural networks and fuzzy logic. In Neural Networks, 1995. Proceedings., IEEE International Conference on, volume 5, pages 2232–2236 vol.5, Nov 1995. [13] Paul Viola and Michael Jones. Rapid object detection using a boosted cascade of simple features. In Accepted Conference on Computer Vision and Pattern Recognition, pages 511–518, 2001. [14] J. Matas, O. Chum, M. Urban, and T. Pajdla. Robust wide baseline stereo from maximally stable extremal regions. In In British Machine Vision Conference, pages 384–393, 2002. [15] Cascade classifier training. http: //docs.opencv.org/doc/user_ [cit. guide/ug_traincascade.html. 2015-03-16].
