基于澳大利亚现状的自动车牌识别识别

这是一个简单的车牌识别系统

基于澳大利亚现状的自动车牌识别识别 Leonard G. C. Hamey

Department of Computing

Macquarie University NSW 2109 Australia

len@ics.mq.edu.au

Colin Priest

Sigma Plus Consulting Pty Ltd

Colin_Priest@.au

摘要

我们考虑一下对于澳大利亚车牌（在其他国家注册的车牌也包括在内）的识别任务。一个用于澳大利亚车牌识别的系统必须应对车牌各种各样的外观。每一个国家都使用自己的一系列车牌的设计，这些设计都有丰富的字体变化。在一些重大事件发生时，通常会有一些特别设计的车牌发行，比如说悉尼2000奥林匹克运动会。同时，车主可能将车牌放置在玻璃框架下，或者使用一些非正式的材料制作车牌。这些各种各样的因素使得自动车牌识别系统很复杂，并造成现有的识别方法很难胜任。我们已经开发了一种包含了新颖的，由数字图像处理和人工神经网络技术组成的系统。它能够成功的定位并识别数字图像上澳大利亚的机动车车牌。该系统的商业化软件正在构思中。

1.介绍

自动车牌识别对于大量应用是很重要的，包括交通管理、防盗监控、通行控制和自动收费。交通管理应用包括超速限制【16】和交通流量监控【11】。一个好的防盗监控软件的服务涉及到对那些车主在自助加油站加油之后未付款的车辆追踪。车牌识别系统也可以应用在对停车场的通行控制和收费公路上机械的收费申请【7】。交通控制和自动收费通过减少人类的干预而从中受益。然而，在那些情况下自动车牌识别系统是不大成功的。专家们通过仔细检查每一张存储的图像并手动输入必要的信息做对比，事实验证通行控制系统需要更高的精确率来确

这是一个简单的车牌识别系统

保正确识别车牌以便不会拒绝车主的服务。防盗系统也一样，当然在必要时人类的干预是可能的。

自动车牌识别的复杂性在全世界是很不同的。在一些国家，诸如英国，它的车牌设计是很严格的按标准执行的，这样的设计使得在录像图像中可以很容易的检测并读取车牌。这样的话，现在的商业软件主要集中在那些有着很标准的车牌设计的国家也不这么大惊小怪了。这些地方的系统没有详细的说明书，也没有很尖端的技术。由于这个原因，现在的商业化的自动车牌识别系统很难在其他国家进行推广。澳大利亚车牌设计各个方面都很宽泛，这也就对自动车牌识别系统提出了更高的要求。

一个自动车牌识别方法通常会符合四个关键要素：

1.机动车存在性:机动车是否存在

2.车牌定位：在图像中，车牌在什么位置。

3.轮廓定位：车牌中字符的轮廓在什么位置。

4.光学字符识别（OCR）：车牌中的字符是什么。

上述每一个要素可以用不同的方法来实现【5】，而且一些方法可能会实现不止一种要素。

车辆的存在性可以通过机械的方法来实现，包括磁性循环检波器和光学超声传感器【24】。一个图像系统通过分析图像的变化也可以检测车辆的存在性【4，9，18】。

车牌定位通常是通过寻找数字字符的视觉特征来确定的，即那些有大量可视化条纹的区域。一个简单的边缘检测算法被首先应用到车牌图像中，而且通过寻找图像中包含高密度的纹理的区域对车牌进行了成功的定位【1，2，3，18，19】。数学形态学已经运用到车牌定位中，并通过运用数学形态学的开闭运算定位了包含高对比度、丰富细节的矩形区域【13】。其他的方法有自适应阈值分割，通过用Hough变换【10】、颜色和纹理特征【15】、空间频谱特性【22】和根据国家标志来动态定位车牌【14】的线条边缘检测。

一旦车牌被定位，为OCR做准备的确定各个字符轮廓也就成为了可能。通过对分割后的字符轮廓的分析【20】和轮廓间的空隙，已经可以把轮廓确定下来

【1，13】，或者OCR可以直接应用。Setchell【18】直接将OCR应用到车牌图

这是一个简单的车牌识别系统

像中，通过扫描得出了每一个可能是车牌轮廓的最佳匹配。Tyan和Neubauer【23】直接运用OCR到分割后轮廓图像中，同时将区域合并与分割应用到那些OCR最初并不成功的地方。

在车牌的OCR中，可以用到很多方法。各种各样的神经网络已经普遍使用

【8，15，18，20】。其他的一些模式匹配技术也应用到其中，包括模版匹配【18】、元胞自动分类机【1】和对于二值化图像的Hausdorff距离公制的应用【13】。

尽管在自动车牌识别方面有如此众多的资料与研究，但车牌说明书上的大相径庭和精确性不高促使该研究不断的发展下去。在本论文中，我们展示了在澳大利亚车牌识别上独有的挑战性，并为解决这些问题得出一个特殊的方法。

2.澳大利亚车牌的挑战性

即使在一个国家中，车牌的设计说明书也会有不同。每一个澳大利亚的州都使用了自己的一套设计，他们有不同的布局、颜色、字体风格和字体大小。一些车牌的设计是由诸如标志的一些非文字构成的。例如：如表一（a）显示的新南威尔士两百年纪念车牌由一个标志组成，而且发行的车辆登记号码是两行数字和数字上的字母组成的文本构成。然而大多数澳大利亚的车牌发行的车辆登记号码是单行的，并在数字和字母之间有一个分隔符或者是空隙，如表一（b-i）所示。一些车牌设计由嵌入或者说是包含在文本内的标志组成。例如，表一（b），该车牌中有一个2000悉尼奥运会的标志。

澳大利亚车牌的句法结构也是复杂的。大多数车牌由三个一组的字母和三个一组的数字组成，如表一（a，b，d，h，i）所示。由于需要更多的数字导致很多其他的车牌外观的出现。例如：表一（c）中的车牌就是由两个字母和四个数字构成的。一些新威尔士的车牌用一个字母代替了其中的一个数字，如表一（e-g）所示，然而其他一些州的车牌则在字母中添加了一个数字。一项最近的车牌设计是：一对字母，一对数字，然后 又是一对字母并且在各对之间有分隔符。一些特殊的车牌可能全部由字母组成而没有任何的句法结构，如表一（j）所示。这样的设计就在辨别一些相似的字符上出现一些问题，比如说字母“O”和数字“0”，字母“I”和数字“1”，这样就使得翻译这些数字或者是字母变的有点困难。如果观察员知道一些特殊的车牌设计，也知道它的句法结构，那么就可以正确的辨

这是一个简单的车牌识别系统

别出这些字符，这是很有用的，但是，这并总是可行的。

字体风格的不同也使得字符识别的任务复杂化。在一些车牌中，比如表一（a），字母“I”就是简单的一笔（即没有折线），而数字“1”在顶部则有一个折线；在其他的车牌中，字母“I”是有折线的，而数字“1”则是没有折线的，如表一（h）所示。因此，观察员必须认识这个字形以便他能这样一个特殊的字形到底是字母“I”还是数字“1”。这显然和车牌设计和字体的使用有着紧密的联系，因此车牌设计的识别再次起到了大作用。

澳大利亚车牌中使用的字体是固定宽度的，如表一（a，c，e，h）所示。所以不像马来西亚车牌一样，澳大利亚车牌中相邻字符之间是没有重叠的【20】。固定化的字体宽度使得能够在只有部分轮廓被正确定位下来的时候成功预测丢失轮廓的定位。

车主将车牌罩在一个框架下可以降低车牌识别的难度，如表一（g-h，j）。将车牌罩在一个上面刻有该车购买地方的塑料框内是很常见的。由于车牌所用的颜色和框内车牌的位置，车牌的轮廓和框架就融合在一起了，如表一（g，j）所示。这使得车牌轮廓的字符分割变得困难，特别是在当一个字符较长的笔画和邻近的框架融为一体时。表一（g）就是一个例子，图中数字“2”的水平笔画就和框架难于分辨。

除去框架之外，在澳大利亚还允许将车牌盖在一种透明的材料下。现在的一种流行的框架设计是一个上面有较细的黑色水平条纹的罩子。如果车牌用黑色字符的话，罩子上的线条看起来就好像和图像上的车牌区域融合在一起。如果车牌用黑色的背景，那些线条看起来就把车牌的轮廓分割开了。人们的眼睛当然是不受这些因素影响的，然而一个车牌的自动识别系统不得不首先考虑到如何处理这些情况。

一些澳大利亚人为暗示他们还只有一个临时的汽车驾驶执照而不得不展示一个包含字母“P”的车牌。这些“P”车牌经常是和数字车牌紧紧在一起的。这样就影响了车牌的正确识别，如表一（d，h）。车牌识别系统可以利用颜色和尺寸信息避免对图像的误解。然而特别的是，澳大利亚车牌的背景色的统一的，只是字符颜色是不断变化的。

破损车牌的识别也是自动识别系统的一个难题。破损的标志可能被误解为车

这是一个简单的车牌识别系统

牌字符的一部分，同时油漆的退化可能使得字符掉色甚至可能不可见。在表一（i）中，由于一块垂直的标记被破坏掉了，导致字符“o”被误解为字符“c”。同时，数字“8和“6”已经掉色。这样的损坏给车牌定位和OCR提出很多挑战。

基于以上的原因，澳大利亚的环境对自动车牌识别系统有极大的挑战性。和其他的国家相比，车牌设计的丰富性，字体风格和语法结构都大大提高了对系统的要求。

a 两百年纪念车牌

b 奥运车牌

c 白色车牌

d P车牌

表一 澳大利亚车牌 e 车牌车牌

f 彩色车牌

g 框架车牌

h P车牌

i 有破损的车牌

j 独特框架的车牌

这是一个简单的车牌识别系统

3.系统概述

我们的车牌识别系统由表二中的几个步骤组成。系统利用在车牌图像中背景的变化和前景颜色分析图像。系统处理原始的现场图像，定位并读取图像中的车牌。

这是一个简单的车牌识别系统

起初，基于边界的纹理特征分析应用到定位候选车牌区域。为了快速起见，图像首先在低分辨率下进行处理以确定潜在的车牌区域，然后在高分辨率进行处理，从而确定车牌区域。在每一个步骤中，Canny边界检测算子的颜色匹配都被应用到图像中。固定大小的矩形区域是需要考虑的。那些线条密度较低的区域应该淘汰，因为车牌有较高的线条密度。这就启发我们通过快速淘汰那些根本不相像的区域来提高处理速度。然后计算剩下的矩形区域的边界轮廓。每一个矩形区域的空间分布统计可以作为前向反馈的神经网络的输入以确定包含车牌的矩形区域。该神经网络自身在先前就已经训练了500个样本，其中有三分之一是车牌。为了避免过度训练，我们早早的就停止了训练。实验显示500个训练样本对于最佳效果来说已经绰绰有余。

因为车牌可能不止是一个矩形区域，所以一系列融合在一起的矩形区域就可能包含了候选的车牌区域。 从最可能的那个开始，按顺序分析每一个候选的车牌区域，直到车牌成功的定位下来，或者分析完每一个候选的车牌区域。通常情况下，实际的数字板是最佳的选择区域。

每一个车牌区域都首先通过带通滤波器（高斯系数不同【12】）将车牌字符线条的宽度调整到合适的程度进行分割。带通滤波器降低了光照差异的敏感度同时提高了对字符笔画的敏感度。

在车牌区域中应用边界检测算子以检测直线来确定车牌的边界。然后通过裁剪车牌、更正由视觉上引起的投影曲解来把车牌摆正。在对其进行分割前，必须矫正它。因为在进行裁剪时引入了高频噪声，如果不对其进行处理，将影响分割效果。

为了确定文本的线条，分割后的部分是按照颜色、尺寸和图像定位放在一起的。有时在特殊情况下，当车牌已经在损坏，初次分割的部分会将一个或者多个单独的字符放到一个可能包含诸如车牌框架的单独的区域中。聚集算法通过各块之间空间的联系识别以上的情况，并用一个设想的字体固定宽度来分割出各个字符。该算法同样可以将那些基于颜色、尺寸和位置的分开的块合并在一起。聚集算法在候选车牌中为每一个字符创造了一个包围盒子。

有时候找一个展现一行文本的块的聚簇是不可能的。这种情况是很有可能发生的。因为有的车牌的字符看起来是和框架连接在一起的，如表一（g，j）所示。

这是一个简单的车牌识别系统

去除框架算法是将字符从右框架的车牌中剥离出来。如果处理成功，再用聚集算法来定位文本行。如果没有发现或者去除框架，那么车牌读取器就考虑下一个候选车牌区域。

a 单候选区域

b 错误的位置

表三 车牌查找结果

一旦各个字符轮廓的区域确定，那么每一个车牌轮廓就按照固定大小进行重新调整，并将其转换为字符像素为0，背景像素为1的灰度图。然后OCR再对其进行处理。调整图像尺寸大小可以使得系统脱离车牌图像尺寸的束缚，还可以修改由视觉角度或者是由车牌字体引起的纵横比不同，如表一（f，i）。

这是一个简单的车牌识别系统

OCR中用到了前向反馈人工神经网络【17】。该神经网络可以处理固定大小的灰度图像。与之隔离的神经网络用一个包含有从现实图像中抽取的89312个车牌轮廓的数据库来训练。

由于计算机内存的限制，我们随机抽取20000个样本以降低数据量。然后将那些被神经网络误分类的样本添加到其中。这个过程对于那些看起来很相似的字符来说很重要。这导致最终的样本容量在25000和40000之间。贝叶斯定律可以预防神经网络的过度训练。神经网络的输入图像不是想要的图像时，神经网络只有0.05的概率得出结果，而输入正确时，得出结果的概率为0.95。当运用到OCR中时，有最强反应的神经网络就最有可能是灰度图像的解释。通过神经网络的训练可对在某些相似字符诸如字符“I”和“1”之间的模棱两可性进行标记，并通过训练之后的回应，进行更深一步的处理以消除歧义。我们发现，和模板匹配相比，OCR中的神经网络有更快的处理速度，对于控制字符变化、损坏的标记和破损区域更灵活。神经网络得出的是每一个字符的实际值。OCR的分析结果确定是否已经读取一个车牌。如果车牌已经获取到，就返回。否则系统将处理下一个候选车牌区域。

对于静止的车辆来说，在高分辨率图像中已读取的车牌定位可以用来核实结果。摄像机是电脑控制的。这些控制可以调整以获得一个封闭的车牌图像。这样的图像可以用同样一种算法来处理以适应更高的分辨率。算法只修改一些参数即可。例如，预想的字符的笔画宽度（用像素表示）在高分辨率的图像中会比较大，因此分割算法会用一个不同带宽的滤波器。这些额外的处理会改进处理结果的精度，特别是在分辨两个在低分辨率的情况下很难区别的相似字符时，比如“O”和“Q”。对高分辨率图像进行的分析对于摄像机的噪声来说更健壮。

a 原始图像

b车牌定位

c 车牌分割

这是一个简单的车牌识别系统

d 字符边框

e OCR的输入与识别结果

表四 奥运会车牌的识别

a 原始图像

b 初次分割 c 去除框架

d字符轮廓

e OCR的输入和识别结果 表五 去除边框

a 原始图像 b车牌分割

这是一个简单的车牌识别系统

c字符轮廓 d OCR的输入与识别结果 表六 错位的车牌框架

a 原始图像 b车牌分割

c 字符轮廓 d OCR的输入与识别结果

表七 带有歧义字符的白色字符车牌

a 原始图像 b车牌定位

c车牌分割 d字符轮廓

表八 低分辨率图像的车牌定位

这是一个简单的车牌识别系统

表九 其他类型车牌的识别结果

4.结论和探讨

表三显示了车牌查找算法的结果。在表中，候选的车牌区域用矩形框画了出来。最佳的候选区域用一个宽边的矩形圈了出来。表三（a）说明了一次车牌的成功认定。在表三（b）中，四个非车牌区域被认定为候选区域是因为他们有共同的纹理特征。在这个例子中，由神经网络分类的最佳区域包含了真实的车牌，所以算法将从这一区域读取车牌。如果在最佳区域中不包含车牌，那么算法就将选择其他的候选区域。表四显示了对一个包含2000悉尼奥运会标志的车牌的成功识别。如表四（b）所示，车牌查找算法首先会将注意力集中到车牌区域，因此接下来的一系列处理都将针对车牌区域进行。表四（c）显示的是用黑、白、灰所分割的车牌图像。该图像显示除了受框架影响的字符“A”和受州缩写“NSW”第一个字母影响的“V”之外车牌分割已经成功完成。在表四（d）中，以字符大小和所占空间为基础的字符的矩形分割已经去除了无关紧要的部分，同时为了匹配其他字母，字母“A”的高度和字母“V”都稍微做了调整。在表四（e）中，得出的车牌图像包含了车牌、车牌框架和标志部分。人工神经网络OCR可以正确的分辨出数字和非文本的矩形，得出一个正确的结果。表四显示的是从经过神经

这是一个简单的车牌识别系统

网络分类的车牌轮廓中提取的灰度图像，在其下方是每一个字符识别的结果。非文本的部分用星号（*）来代替了。在最终识别结果中，这些会忽略掉。

表五展示了对一个车牌中的字符和框架融合在一起的成功识别。如表五（b）所示，在初次分割中，黑色的框架和所有字符都相连，并形成一个较大的分割区域，然而其中没有字符可以单独的被识别。框架去除算法定义了一条将单个区域分割成多个区域的最佳分割的水平分割线。其将水平线的上下区域都裁掉以便将字符区域从框架中剥离出来。表五（c）显示，在得出的分割结果中每一个字符都有一个相连区域。车牌框架的一部分仍然在分割区域中。字符矩形确定了各个字符，还有代表州名的一团黑点“NSW”和框架的垂直边界。表五（e）显示，神经网络OCR给框架和州名部分打了很低的分数，从而对车牌字符进行了成功的识别。

在表六中，车牌周围的塑料框架几乎覆盖在了数字“9”之上。如表六（d）所示，在分割部分中，和框架相连的数字“9”形成了一个较大的分割区域。事实上澳大利亚车牌有规则的字符。始终如一的字符大小使得我们可以用字符矩形正确将数字“9”部分确定下来，因此车牌是可以成功读取的。

表七显示了对带有白色字符的车牌识别。在这个特殊的例子中，车牌字体的数字“1”是毫无修饰的垂直一笔。在表七（d）中，神经网络将此字符识别为字母“I”。这在先前我们已经讨论过了。这样显而易见的错误只有在以识别特别车牌的语法结构和认定字体为基础上才能纠正。这样的识别目前来说还有一定的挑战性。

在高分辨率图像中车牌识别是最容易的。在我们所使用的方法中，车牌首先是在低分辨率图像中定位的，然后摄像机在车牌位置进行放大，从而得到一个高分辨率的图像。为了证实低分辨率中的车牌图像，我们演示了在候选车牌区域中的OCR。我们发现，在低分辨率的车牌图像分割之前，通过放大图像可以实现更佳的分割效果。我们使用双线性插值将图像分辨率翻一番，这样就可以有效地获得子像素相对于原始图像的分割结果。

当这种技术应用到低像素的车牌图像中时，在大多数情况下都能得到令人满意的结果。例如在表八中显示的是对低分辨率图像的车牌查找、分割和OCR结果。车牌的分割在放大后的图像中已经实现。

这是一个简单的车牌识别系统

就像我们先前讨论的那样，在澳大利亚这样的环境中，车牌识别还面临着很多的挑战。表九显示的是其他的一些车牌图像和实际的识别结果。表九（a）显示的是对包含有多行文字车牌图像的成功识别。表九（b）显示的是在包含有文本区域的标志出现的情况下的成功识别。表九（c）显示的是对一个因为损坏的痕迹而造成字符掉色、缺损的车牌图像的成功识别。即使在这样的情况下，车牌分割的质量也是很好的，并且OCR人工神经网络识别车牌字符有0.95的成功率。表九（d）显示的是成功的对“P”车牌的处理。表九（e）显示的是即使车牌没有一个明显的外轮廓，车牌照样可以读取。这些处理结果显示我们在如此具有挑战性的环境下，我们的处理方法表现的是多么优秀。

5总结

我们已经讨论过了在澳大利亚这个环境中车牌识别的挑战性，并提出了一个可以满足这些要求的系统的框架。为了证明该方法的可行性，我们展示了一些结果。以后的工作就是处理其他的问题，重新定义和设计算法以便在澳大利亚能够提供一个商业化的、有用的车牌识别系统。

6参考文献

[1] G.Adorni, F. Bergenti and S. Cagnoni, “Vehicle License Plate Recognition by means of Cellular Automata”, IEEE International Conference on Intelligent Vehicles, pp 689-693, 1998.

[2] J.F. Alves, C.C. Reinhart and J.F. Frazier, Automated License Plate Locator and Reader, Patent CA2135240,1995.

[3] C.I. Attwood, Vehicle Licence Plate Recognition, Patent GB2344204, 2000.

[4] G.W. Auty, P.I. Corke, P.A. Dunn, I.B. MacIntyre, D.C. Mills, B.F. Simons, M.J. Jensen, R.L. Knight, D.S. Pierce and P. Balakumar, Vehicle Monitoring System, Patent US5809161, 1998.

[5] D.G. Bailey, D. Irecki, B.K. Lim and L. Yang, “Test Bed for Number Plate Recognition Applications”, Proceedings First IEEE International Workshop on Electronic Design, Test and Applications, pp 501-503, 2002.

[6] J. Canny, “A Computational Approach to Edge Detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 8, pp 679-698, 1986.

[7] P. Davies, N. Emmott and N. Ayland, “License Plate Recognition Technology for Toll Violation Enforcement”,Proceedings of IEE Colloquium on Image Analysis forTransport Applications, Vo. 035, pp. 7/1-7/5, 1990.

这是一个简单的车牌识别系统

[8] L. De Vena, “Number Plate Recognition by Hierarchical Neural Networks”,

Proceedings International Joint Conference on Neural Networks, vol 3, pp 2105-2108, 1993.

[9] L. Eikvil and R.B Huseby, “Traffic Surveillance in Real-Time Using Hidden Markov Models”, Proceedings 12th Scandinavian Conference on Image Analysis, Bergen, 2001.

[10] V. Kamat and S. Ganesan, “An efficient implementation of the Hough transform for detecting vehicle license plates using DSP's”, Proceedings Real-Time Technology and Applications Symposium, pp 58-59, 1995.

[11] K. Kanayama, Y. Fujikawa, K. Fujimoto and M. Horino, “Development of

Vehicle-License Number Recognition System Using Real-Time Image Processing and Its Application to Travel-Time Management”, Proceedings 41st IEEE Vehicular Technology Conference, pp 798-804,1993.

[12] D. Marr and E. Hildreth, Theory of Edge Detection, MIT AIM-518, 1979.

[13] F. Martín, M. García, and J.L. Alba, “New Methods For Automatic Reading of VLP’s (Vehicle License Plates)”,IASTED International Conference Signal

Processing,Pattern Recognition, and Applications, 2002.

[14] R.C. Gonzalez and J.A. Herrera, Apparatus for Readinga License Plate, Patent US4817166, 1989.

[15] J.A.G. Nijhuis, M.H. ter Bruegge and K.A. Helmholt,“Car License Plate Recognition with Neural Networks andFuzzy Logic”, Proceedings IEEE

International Conference on Neural Networks, vol 5, pp 2232-2236, 1995.

[16] D.J. Robertson, “Automatic Number Plate Reading for Transport Applications”, Proceedings of IEE Colloquium on Electronics in Managing the Demand for Road Capacity,Digest No. 1993/205, pp 13/1-13/4, 1993.

[17] D.E. Rumelhart, G.E. Hinton and R.J. Williams,“Learning Internal

Representations by Error Propagation”, in PDP, vol 1., pp 318-362, MIT press, 1986.

[18] C.J. Setchell, Applications of Computer Vision to Roadtraffic Monitoring, PhD thesis, Computer Vision Group,Bristol University, 1997.

[19] J.-M. Shyu, I.-M. Chen, T.-Q. Lee and Y.-C. Kung, Method and Apparatus for Automatically Recognizing License Plate Characters, Patent US4878248, 1989.

[20] Y.K. Siah, T.Y. Haur, M. Khalid and T. Ahmad,“Vehicle Licence Plate

Recognition By Fuzzy ARTMAP Neural Network”, World Engineering Congress (WEC'99),Kuala Lumpur, 1999

[21] K.-H. Sim, K.-D. Kim, B.-T. Chon, H.-S. Yun, H.-S.Lee, S.-M. Lee, K.-S. Park, W.-M. Choe and D.-H. Lee, CarNumber Auto-Recognition System, Patent

KR9706421, 1997.

[22] B.D.V. Smith, Detection of Vehicle Licence Plates,Patent GB2332322, 1999.

[23] J.-K. Tyan and C. Neubauer, Character Segmentation Method for Vehicle License Plate Recognition, Patent EP1085456, 2001.

[24] T. Wagner, P. Plankensteiner and N. Bauer, ParkedCars Licence Plate Detection System, PatentDE19650756,1997.

本文来源：https://www.bwwdw.com/article/oeiq.html