تشخیص خودکار پلاک خودروهای شخصی ایران با استفاده از الگوریتم های ژنتیک و شبکه عصبی

در این مطالعه، روش جدیدی جهت استفاده از سیستمهای پلاک خوان با بهره گیری از الگوریتم ژنتیک و شبکه عصبی برای شماره پلاک خودروهای ایرانی ارائه شده است

تشخیص خودکار پلاک خودروهای شخصی ایران با استفاده از الگوریتم های ژنتیک و شبکه عصبی

چکیده

در این مطالعه، روش جدیدی جهت استفاده از سیستمهای LPR برای شماره پلاک خودروهای ایرانی ارائه شده است. افزایش میزان دقت مرحله ی تشخیص حروف و کاهش میزان آموزش در واقع از مزایای اصلی مدل ترکیبی جدید میباشند. K-NN به عنوان اولین روش طبقه بندی پیاده سازی شده است، چرا که ساده بوده، و در برابر مجموعه دادگان نویزدار مقاوم است و برای مجموعه دادگان بزرگ نیز با هزینهی آموزشی صفر موثر میباشد. مشکل سردرگمی مربوط به شباهت حروف در شماره پلاکها نیز با استفاده از مدل طبقه بندی الگوریتم ژنتیک چندکلاسی رفع شده است. الگوریتم ژنتیک عملکرد K-NN را در تشخیص حروف مشابه بهبود میبخشد تشخیص پلاک خودرو ( LPR) نقش مهمی در ITS ایفا میکند و به طور عمده در سیستمهای کنترل دسترسی مورد استفاده قرار میگیرد.
تشخیص پلاک خودروهای ایرانی که به طور اختصاصی صاحب خودرو هستند، هدف این پژوهش میباشد. سردرگمی به وجود آمده از شباهت حروف الفبای فارسی و کاراکترهای عددی، یکی از مشکلات سیستمهای LPR فارسی در مرحله ی تشخیص میباشد. در این رابطه، روشی با استفاده از مزایای KNN مبتنی بر الگوریتم ژنتیک به عنوان یک مدل ترکیبی در این پژوهش ارائه شده است تا بر مشکل فوقالذکر غلبه نماید الگوریتم ژنتیک تنها با حروف مشابه آموزش داده شده و مورد آزمایش قرار گرفته است، بدین ترتیب هزینه ی آموزشی برای الگوریتم ژنتیک به طور قابل ملاحظه ای کاهش یافته است. مقایسه ی نتایج به دست آمده از آزمایشهای انجام شده در این پژوهش با نتایج یک پژوهشی مشابه [23] نشان میدهد که مدل ترکیبی KNN-الگوریتم ژنتیک میزان تشخیص حروف را برای تمام موارد آزمایش شده از 94% به 97.03% به طور قابل توجهی بهبود داده است

کلیدواژه ها: کدینگ، تشخیص پلاک، ژنتیک، خودروی ایران

فهرست مطالب

فصل اول 1
1-1 بیان مساله: 3
1-2 سوابق تحقیق 5
1-3 فرضیه ها 7
1-4 اهداف تحقیق 8
فصل دوم 9
2-1 مقدمه 10
2-2 زمینههای بیولوژیکی 11
2-3 فضای جستجو 11
2-4 مفاهیم اولیه در الگوریتم ژنتیک 13
2-4-1 اصول پایه 13
2-5 شمای کلی الگوریتم ژنتیک 14
2-6 کد کردن Encoding 15
2-6-1 انواع کدینگ 15
2-7 روشهای کدینگ 15
2-7-1 کدینگ باینری 15
2-7-2 کدینگ جهشی 16
2-7-3 کدینگ ارزشی 16
2-7-4 کدینگ درختی 17
2-8 مسائل مربوط به کدینگ 18
2-9 کروموزوم 20
2-10 جمعیت 21
2-11 مقدار برازندگی Fitness Value 21
2-12 عملگر تقاطعی 22
2-13 عملگر جهشی 23
2-14 مراحل اجرای الگوریتم ژنتیک 25
2-15 همگرایی الگوریتم ژنتیک 31
2-15-1 برتریها و ضعفهای الگوریتم ژنتیک 32
2-16 مقدمه بر سیستم شناسایی پلاک خودرو و کاربرد های آن 33
2-17 کاربرد سیستم در دولت الکترونیک 34
2-18 کاربرد سیستم تشخیص پلاک خودرو در پارکینگ های عمومی 34
2-19 کنترل و اخذ عوارض ورود به محدوده طرح ترافیک 35
2-20 اخذ عوارض جاده ها و بزرگراه ها به صورت خودکار 35
2-21 شناسایی خودروهای مسروقه 35
2-22 کنترل ترافیک 35
2-23 سیستم های متحرک شناسایی پلاک خودرو 36
2-24 استفاده از سیستم شناسایی پلاک خودرو در پمپ بنزین 36
2-25 کنترل ورودی و خروجی در مناطق حفاظت شده 37
2-26 تاثیر شرایط اقلیمی و جغرافیایی 37
2-27 تاثیر شرایط دانش وفناوری 38
2-28 تاثیر شرایط قوانین و مقررات در رابطه با شکل ظاهری پلاک خودرو ها 38
2-29 قرار گرفتن نویسه های عدد و حروف در یک سطر 39
2-30 تاثیر رسم الخط مرسوم 39
2-31 سایر مشکلات 40
3 فصل سوم 41
3-1 الگوریتم پروژه 42
3-1-1 تنظیمات اولیه 42
3-1-2 تابع خواندن تصویر در متلب 43
3-1-3 تبدیل تصویر RGB به گری 44
3-1-5 سازه strel 47
3-1-6 تابع افزایش دهنده یا انبساط 48
3-1-7 تابع imopen 51
3-1-8 تابع imfill 51
3-1-9 تبدیل تصویر باینری به ماتریس برچسب 54
3-1-10 تابع regionprops 54
3-1-11 پیدا کردن ناحیه پلاک و بهینه کردن ناحیه مربوطه 55
3-1-12 برش دقیق پلاک 59
3-1-13 حذف آبجکتهای اضافی 62
3-1-14 تشخیص و جداسازی کاراکترهای پلاک 64
3-2 شبکه عصبی 70
3-2-1 ایجاد شبکه عصبی 72
3-3 محیط گرافیکی پروژه(gui) 76
3-3-1 ساخت gui 77
فصل چهارم: تحلیل اطلاعات 79
4-1-مقدمه 80
4-2-هدف از مطالعه 80
4-3-چارچوب مطالعه 81
4-4-پردازش تصویر 82
4-5-استخراج ویژگی 83
4-6-تشخیص حرف 84
3-4 نتایج آزمایشی به دست آمده از روش ترکیبی KNN-الگوریتم ژنتیک 86
فصل پنجم: نتیجه گیری وپیشنهادات 92
5-1-نتیجه‌گیری 93

بیان مساله:

با توجه به وجود این سیل عظیم از خودرو ها و سایر وسایل های نقلیه بدیهی است که نیروی انسانی به تنهایی و بدون استفاده از سیستم کامپیوتری قادر به کنترل و مدیریت چنین ترافیکی حتی در ابعاد کوچک مانند یک پارکینگ عمومی نمی باشد. همچنین هزینه استفاده از نیروی انسانی بسیار بالا بوده و بازدهی بسیار نازلی را نیز دارا میباشد. لذا نیاز به مکانیزه شدن در این حوزه بسیار پررنگ و قابل تعمل می باشد . در سیستم تشخیص اتوماتیک شماره پلاک خودرو هدف اصلی شناسایی محل پلاک خودرو در یک تصویر جهت خواندن شماره پلاک میباشد . مفهوم شناسایی خودکار پلاک خودرو در واقع چیزی بیشتر از خودکار سازی ورود داده ها به سیستم کامپیوتری نمی باشد . شناسایی خودکار پلاک خودرو جایگزین عمل دستی نوشتن شماره پلاک خودرو ها شده است.
بدیهی است که در یک سیستم شناسایی و تشخیص الگوهای تصویری با استفاده از روش های پردازش تصویر ، شرایط و درجه کیفیت تصویر تاثیر زیادی در نتیجه کار و دقت و سرعت پردازش دارا می باشد]1[ ]2[ به طور مثال شرایط اقلیمی و جغرافیائی ، سیاسی اقتصادی ، فرهنگی و اجتماعی ، دانش و فناوری ، قوانین و مقررات (مثلا در مورد طرح پلاک ) و رسم الخط مرسوم در منطقه و کشوری که فرد در آن زندگی می کند و نیز کاربردی که سیستم برای آن هدف ایجاد می شود و بسیاری پارامتر های دیگر در تعییین میزان پیچیدگی مسئله و الگوریتم های مورد نیاز و مناسب بسیار مهم و قابل توجه می باشد . متاسفانه در کشور ما ایران انواع مختلف و متنوعی ا زپلاک با طرح و رنگ های مختلف و با ترکیبات متفاوتی از از ارقام و حروف فارسی و انگلیسی وجود دارد که کار تحقیق در این زمینه را مشکل مواجه می کند. به علاوه، در کشوری مانند ایران با انواع و اقسام شرایط آب و هوایی و اقلیمی مانند آب و هوای شرجی و مرطوب ( مثلا در اطراف دریای خزر ) ، آب و هوای سرد و خشک و کوهستانی ( مانند آذربایجان ) ، آب و هوای بیابانی (مانند کرمان ) و غیره ایجاد یک سیستم کارآمد برای تمامی مناطق کاری بسیار سخت و دشوار بوده و نیازمند استفاده از الگوریتم ها ی بسیار کارآمدی می باشد. همچنین در پلاک های ایرانی آرم پرچم وجود دارد لیکن به علت کوچک بودن و شکل ساده مستطیلی آن و نیز ترکیب رنگ های خود و اطراف آن که همگی به ویژه در حالت سیاه و سفید رنگ های سیر و پررنگی می شود به جز سفید که به علل مختلفی مانند کثیفی ، افتادن سایه روی آن و نیز کوچکی آن در مقایسه با سایر قسمت ها در نظر گرفته نمی شود و اغلب به عنوان نویز حذف می گردد بنابراین عملا نمی توان از این آرم ویژه به درستی استفاده کرد . از آن گذشته، در پلاک های جدید ایرانی تمامی کاراکتر ها چه اعداد و چه حروف پشت سر هم و در یک سطر قرار گرفته است که اندکی کار در مرحله شناسایی کاراکتر های پلاک مشکل می سازد. بهتر بود که این کاراکتر ها به صورت مجزا و در قسمت ها ی متفاوتی از پلاک قرار می گرفت. به علاوه، وجود نقاط در هفده حروف الفبای فارسی ؛ وجود همزه روی حرف ک و علامت سرکش روی گ و بدتر از آن وجود حروف بدون نقطه، با یک نقطه ، با دو نقطه ، با سه نقطه و نیز محل های مختلف قرار گیری نقاط و نیز با توجه به این مطلب که نقاط جدا از بقیه شکل بوده و به علت کوچک بودن بیش از حد در مرحله نویزگیری ، همراه نویز ها حذف میشود .در نتیجه تشخیص حروف را با مشکل روبه رو می کند از طرفی وجود شباهت بیش از حد بین حروف فارسی بیش از حد زیاد است و این در حالی است که نقاط متمایز کننده حروفی مانند ب و ت حذف شوند بسیار حادتر می شود. از دیگر مشکلات موجود که در عمل و کاربرد پیش می آیند، می توان به اندازه ، موقعیت های مختلف پلاک در تصویر ، زوایای مختلف عکس برداری ، وجود چندین پلاک در تصویر ، شدت خیلی کم یا خیلی زیاد نور ، پلاک خیلی کثیف و آلوده و غیره را نام برد .
با عنایت به مطالب گفته شده و اشاره به این مطلب که روزانه صدها و شاید هزاران تخلف ترافیکی روی می‌دهد و توسط دوربینهای مخصوص، تصویر خودروی متخلف ضبط می‎شود. اگر قرار باشد تمام این تصاویر توسط انسان بررسی شده و شماره پلاک خودرو به صورت دستی وارد شود، زمان و نیروی انسانی زیادی تلف خواهد شد. لذا تشخیص خودکار پلاک خودرو و شناسایی شماره پلاک با دقت بالا اهمیت می‌یابد. همچنین مشهود است که مشکلاتی در این سیستم ها وجود دارد لذا در این پژوهش برای داشتن راندمان بالاتر، سعی داریم بدنه الگوریتم را برای مقاوم شدن دربرابر تداخل های ناخواسته مقاوم نماییم. همچنین با فراهم کردن دیتابیس جامع تر از کاراکترهای مختلف میتوان صحت خواندن پلاک در مرحله شناسایی کاراکترهای استخراج شده را بیشترنماییم. به علاوه تلاش می کنیم که عملیات را روی تصاویر رنگی انجام شود زیرا که این کار باعث میشود که برای پلاک های بین المللی بتوان نوع پرچم درج شده روی پلاک و ملیت آنرا تشخیص داد.
همچنین قابل ذکر است که در این تحقیق شناسایی پلاک خودرو در سه مرحله انجام می‌شود: مرحله اول تشخیص محل پلاک است . مرحله دوم تعدیل هیستوگرام برای بهبود کیفیت تصویر استفاده است. مرحله سوم اعمال الگوریتم های شبکه عصبی برای تشخیص محل پلاک خودرو با استفاده از چگالی گوش، مشخصات هندسی و تعداد قطعات تصویر و الگوریتم ژنتیک برای تشخیص حروف و اعداد می باشد. پیش بینی می شود ترکیب شبکه عصبی و الگوریتم ژنتیک به دلیل سرعت بالا و حجم پردازشی کم در مقایسه با دیگر روش ها، کارایی مطلوبی خواهد داشت.

مراجع

1. Nguwi YY, LimWJ.Number plate recognition in noisy image. In.Proc. 8th International Congress on Image and Signal Processing;2015. p.476-480.
2. Shaw C.Driving ambition.New Electronics2010; 43(18):18-20.
3.Nikolaos E, Ioannis E, Loumos V, Kayafas E. A License Plate-Recognition algorithm for intelligent transportation system applications. IEEE Transactions on Intelligent Transportation Systems 2006; 7(3):377-392.
4.Xiaolei Y, Yongrong S, Jianye L, Ling W, Yuan C, Jianfeng M. Key techniques for multi-satellite integrated navigation system modeling and controlling.In. Proc. 2ndSystems and Control in Aerospace and Astronautics; 2008. p.1-6.
5.Jianjun Z, Yukui H.Research on mutual interference evaluation method of global navigation satellite system.In.Proc. International Conference on Information and Automation. IEEE; 2013. p.291-296.
6.QiaoL, Liu J, Zheng G, Xiong Z.Augmentation of XNAV system to an ultraviolet Sensor-Based satellite navigation system.J Selected Topics in Signal Processing, IEEE2009;3(5):777-785.
7. Nguwi YY, Kouzani A.Detection and classification of road signs in natural environments. Neural Computation and Applications2008;17(3):265-289.
8.Nguwi YY, Cho SY.Two-tier self-organizing visual model for road sign recognition.In. Proc. International Joint Conference on Neural Networks, IEEE;2008. p.1-8.
9. NguwiYY, Kouzani AZ.Automatic road sign recognition using neural networks. In. Proc. International Joint Conference on Neural Networks; 2006. p.3955-3962.
10. Lee ChH,Leibiao Lim MS.The optimum configuration of car parking guide system based on wireless sensor network. In. Proc. International Symposium on Industrial ElectronicsIEEE;2009. p.1199-1202.
11.Jiang K, Seneviratne LD.A sensor guided autonomous parking system for nonholonomic mobile robots.In. Proc. International Conference on Robotics and Automation IEEE; 1999.p.311-316.
12. Rajabioun T, Foster B, Ioannou P. Intelligent parking assist.In.Proc. 21st Mediterranean Conference Control & Automation;2013. p.1156- 1161.
13. Chang S,Chen L, Chung Y, Chen SW. Automatic license plate recognition.IEEE Transactions on Intelligent Transportation Systems2004;5(1):42-53.
14. MohadesKasaei H, MohadesKasaei M. Extraction and recognition of the vehicle license plate for passing under outside environment. In Proc. European Intelligence and Security Informatics Conference; 2011.p.234-237.
15. Park SH, Kim KI, Jung K, Kim HI. Locating car license plates using neural network.IEEE Electronics Letters1999; 35(17):1475-1477.
16. Matas J, Zimmermann K. Unconstrained licence plate and text localization and recognition. In.Proc. Intelligent Transportation Systems, IEEE; 2005. p.225-230.
17. ViandAS, Seyedjavadi SHH, Rahmani AM.Enhancing automatic speed estimation systems performance using support vector machines.In Proc. 5th International Conference of Intelligent Computer Communication, IEEE;2009.p.185-188.
18. Kim KI, JungK, Kim J.Color texture-based object detection: An application to licence plate localization. In Lecture Notes on Computer Science, vol. 2388, S.-W. Lee and A. Verri, Eds. New York: Springer-Verlag; 2002, p.293-309.
19. Naito T, Tsukada T, Yamada K, Kozuka K, Yamamoto S. Robust license-plate recognition method for passing vehicles under outside environment.IEEE Trans. Veh. Technol.2000;49:2309-2319.
20. CowellJ, Hussain F. A fast recognition system for isolatedArabic characters.In.Proc. 6tl’ international conference on Information and Visualization, IEEE; 2002, p.650-654.
21. YuM, Kim YD. An approach to Korean licence plate recognition based on vertical edge matching.In Proc.International conference on Systems, Man and Cybernetics;2001. p.2975-2980.
22. Chang SL, Chen LSo, ChungYC, Chen SW.Automatic license plate recognition.IEEE Transactions on Intelligent Transportation Systems 2004;5(1):42-53.
23. Delforouzi A, Pooyan M. Efficient Farsi license plate recognition. In.Proc. 7th international Conference on Information, Communications and Signal Processing, IEEE; 2009. p.1-5.
24. Vehicle registration plates of Iran. ; 2016 [accessed 12.05.16].
25. Sulehria HK, Zhang Y, Irfan D. Mathematical Morphology methodology for extraction of vehicle number plates. Int J Computers 2007;3(1):70-73.
26. Bhardwaj D, Mahajan S. Review Paper on Automated Number Plate Recognition Techniques.IntJ Emerging Research in Management &Technology 2015;4(5):319-324.
27. Yan-qing Z, Dai-ping L, Shu-wen Z. License plate location based on combinatorial feature. In. Proc. Microwaves, Radar and Remote Sensing Symposium, IEEE; 2011. p.165-168.
28. Nguwi YY, Lim WJ.Number plate recognition in noisy image. In.Proc. 8th International Congress on Image and Signal, IEEE; 2015. p.476-
480.
29. Kwa􀄞nickaH, Wawrzyniak B. License plate localization and recognition in camera pictures. In.Proc. 3th Symposium on Methods of Artificial
Intelligence; 2002. p.243-246.
30. Bhatia N, Vandana. Survey of Nearest Neighbour techniques.Int J Computer Science and Information Security 2010;8(2):302-305.
31.Imandoust SB, Bolandraftar M. Application of K-Nearest Neighbor (KNN) approach for predicting economic events: theoretical
background.Int J Engineering Research and Application 2013;3(5):605-610.
32. Kim J, Kim BS, Savarese S. Comparing image classification methods:K-Nearest-Neighbour and Support-Vector-Machines. In. Proc. 6th
WSEAS international conference on Computer Engineering and Applications; 2012. p.133-138.
33. Mozaffari S, Parnia B. Farsi/Arabic handwritten from Machine-Printed words discrimination.In.Proc. International Conference on Frontiers
in Handwriting Recognition, IEEE; 2012.p.698-703.
34. Zanchettin C, Bezerra BLD, Azevedo WW. A KNN-الگوریتم ژنتیک hybrid model for cursive handwriting recognition. In.Proc. International Joint
Conference on Neural Networks, IEEE; 2012. p.1-8.
35. Karamizadeh S, Abdullah SM, Halimi M, Shayan J, Rajabi MJ. Advantage and drawback of Support Vector Machine functionality.In.Proc.
International Conference on Computer, Communications, and Control Technology, IEEE; 2014. p.63-65.
36. Kumar G, Bhatia PK. A Detailed Review of Feature Extraction in Image Processing Systems.In.Proc. 4thInternational Conference on Advanced Computing & Communication Technologies, IEEE; 2014. p.5-12.
نوری پروین ، زارع مریم پردازش تصویر_تشخیص اعدادهای پلاک خودرو [پژوهش]. – 1390
37-ابوالقاسمی وحید و احمدی فرد علیرضا کاربرد تبدیل ITF در سیستم شناسایی پلاک خودرو [پژوهش]. – 1386.
38-اشتری امیر حسین, فتحی محمود و امیری علی روش جدید شناسایی پلاک خودرو در تصاویر ثبت شده تخلف در بزرگراه ها [پژوهش]. – 1388.
39-اشتری امیرحسین و فتحی محمود روش جدید مکان یابی پلاک خودرو در تصاویر رنگی [پژوهش]. – 1389.
40-اشرفی خوزانی ندا و منجمی سید امیر حسن تشخیص ارقام پلاک های خودرو به کمک تکنیک های پردازش تصوبر تبدیل هاف [پژوهش]. – 1388.
41-چناقلو بهزاد و رحمتی محمد تشخیص بر خط مکان پلاک خودرو در تصاویر با پس زمینه پیچیده با استفاده از مورفولوژی ریاضی [پژوهش]. – 1389.
42-حیدری مهندس عبدارحمن پردازش تصویر در Mtlab [كتاب]. – پاییز 1389.
43-مک اندرو السدر پردازش تصاویر رقومی با استفاده از Matlab [كتاب] / مترجم رحمانی زاده آرش و سالمی موسی. – 2010.
44-مه آبادی امین اله, فتحی محمود و ناروئی عبداله تشخیص محل و خواندن پلاک فارسی خودرو [پژوهش]. – 1388.
45-یاسری عباس, ترابی سمیرا و باقری حمیرا تشخیص پلاک خودرو با تکنیک پردازش تصویر [پژوهش]. – 1387.