Dairesel şekil histogramı ile makine öğrenmesine dayalı plaka tanıma çalışması

Abstract

Bu çalışmada, dairesel şekil histogramı ile plaka karakterlerine ait özellik vektörleri oluşturarak yeni bir plaka tanıma yöntemi sunulmuştur. Öncelikle literatürdeki plaka tanıma yöntemleri, plaka karakterlerine ait özellik çıkarım yöntemleri ve bu yöntemler doğrultusunda karakterlerin sınıflandırılma yöntemleri tanıtıldı. Daha sonra sayısal görüntü histogram çeşitlerinden dairesel şekil histogram modelleri tanıtıldı. Söz konusu dairesel şekil histogramı ile plaka karakterlerinin özellik vektörlerinin oluşturulabilmesi için plaka görüntüleri üzerinde gerçekleştirilmesi gereken bazı ön işlemler vardır. Bu doğrultuda, plaka görüntüleri üzerindeki gürültüler azaltılarak, karakterleri farklı nesneler olarak inceleyebilmek için eşikleme ve bölütleme işlemleri uygulandı. Karakterlere ait özellik vektörlerinin elde edilebilmesi için dairesel şekil histogram modellerinden en uygun model tespit edildi. Elde edilen özellik vektörleri iki farklı yöntem ile sınıflandırıldı. Özellik vektörlerinin matematiksel olarak benzerliklerinin ölçüldüğü lineer yöntem ve yapay sinir ağı kullanılarak makine öğrenmesine dayalı yöntem ile karakterlerin tespit edilmesi sağlandı. Bu sayede mevcut özellik çıkarım yöntemlerine göre daha az eleman sayısına sahip özellik çıkarım yöntemi geliştirilmiştir.

In this study, a license plate recognition method is presented by constructing feature vectors of license plate characters with circular shape histogram. Firstly, plate recognition methods in the literature, property extraction methods of plate characters and classification methods of characters in line with these methods were introduced. Then, circular shape histogram models of digital image histogram types are introduced. There are some preliminary operations that must be performed on the plate images in order to generate feature vectors of the plate characters with circular shape histogram. Accordingly, the noise on the plate images were reduced and segmentation and thresholding operations were performed in order to examine the characters as different objects. In order to obtain the feature vectors of the characters, the most suitable model was determined from the circular shape histogram models. The obtained feature vectors were classified by two different methods. The characters were determined by linear method and the method based on machine learning with artificial neural network in which statistical similarities of feature vectors were measured. In this way, feature extraction method with less number of elements was developed compared to existing feature extraction methods.