motorlu araç plaka görüntülerinden karakter - Yapay

IJCI Proceedings of International Conference on Signal Processing, ISSN 1304-2386, Volume:1, Number:2, September 2003
MOTORLU ARAÇ PLAKA GÖRÜNTÜLERİNDEN KARAKTER AYRIŞTIRMA VE
TANIMA
Mustafa Oral1
Umut Çelik2
e-mail: [email protected]
email:[email protected]
1,2
Mustafa Kemal Üniversitesi, Mühendislik Mimarlõk Fakültesi
Elektrik Elektronik Mühendisliği Bölümü, Antakya-Hatay
Anahtar Sözcükler:Plaka tanõma, görüntü işleme, karakter tanõma,yapay sinir ağõ
ÖZET
Motorlu araç plaka tanõma sistemleri, denetimli saha geçiş
kontrolü; paralõ otoyol ve köprü gişeleri, hastane, askeri tesis,
otopark girişleri vb., ve trafik denetleme; trafik õşõk ihlalleri, şerit
ihlalleri, hatalõ sollama vs., tespitinde uygulama bulan
otomasyon sistemleridir. Bu amaçla tasarlanan sistemler yüksek
ticari değere sahip olduklarõ için, literatürde sunulan bilgiler
oldukça kõsõtlõdõr. Genel olarak araç plakasõ tanõma işlemi iki
temel adõmda gerçekleştirilir; plaka yer tespiti ve plaka
üzerindeki karakterlerin tanõnmasõ. Bu çalõşma ikinci adõmõ
kapsamaktadõr. Türk sivil plaka standartlarõna uyan plaka
görüntüleri baz alõnarak sistem geliştirilmiştir. Çeşitli görüntü
işleme yöntemleri ve geriye yayõlõm algoritmasõ kullanan Yapay
Sinir Ağõ (YSA) kullanõlarak karakterler ayrõştõrõlmõştõr.
Ayrõştõrma işlemi için yatay ve düşey smearing algoritmalarõ
kullanõlmõş, mavi TR logosuna göreceli dizilmiş karakter
gruplarõ arasõndaki açõklõğa göre de karakter türü belirlenmiştir.
Ayrõştõrõlan karakter görüntüleri, 22 harf ve 10 rakam tanõmak
için eğitilmiş iki farklõ YSA’ya beslenmiş ve tanõma işlemi
sağlanmõştõr
I.GİRİŞ
Karayollarõnda kullanõlan motorlu taşõtlarõn sayõsõnõn hõzla
artmasõ beraberinde sorunlar getirmiştir. Denetimli geçişlerin
yapõldõğõ sahalarda (askeri üs, hastane, kamu kuruluşlarõ, paralõ
otoyol ve köprü geçişleri) trafik tõkanõklarõna yol açmadan
sürekli akõş sağlamak ve araçlarõn trafik akõşõ içerisinde
davranõşlarõnõ denetlemek (õşõk ihlalleri, hatalõ sollama, şerit
ihlalleri, vs.) için tam otomatik denetim sistemlerine ihtiyaç
duyulmaktadõr.
Otomatik Araç Tanõma konusunda ilk gelişme optik tarayõcõ
sistemlerin kullanõlmasõyla 1970’lerda ABD’de gerçekleşmiştir
[1]. Daha sonraki yõllarda mikro elektronikteki gelişmeler
çalõşmalarõ yoğunlaştõrmõş, indüktif döngü, radyo frekanslarõ,
kõzõlötesi ve mikrodalga sistemleri araç gözetleme ve trafik
kontrolünde kullanõlmõştõr.Araç tanõma teknolojisinin yol
ücretlendirilmesi için denenmesi ilk olarak Hong Kong’da 19831985 tarihleri arasõnda uygulanmõştõr. Önce gönüllü bir araç
grubu elektronik plakalarla donatõlmõştõr. Sonra bu plakalara
sahip araçlar yoldan geçtiğinde araçlarõn fotoğraflarõ kapalõ
devre TV ile alõnmõş ve kontrol merkezine iletilmiştir [2]. Araç
Tanõma Sistemine yönelik çalõşmalar özellikle Avrupa ve
Japonya’da devam etmektedir. “Prometheus” denen dokuz yüz
milyon dolarlõk altõ ülkeyi kapsayan bir proje hayata
geçirilmiştir. Bu program araçlarõ takip, elektronik ceza kesme,
plaka tanõma ve araç tanõmayõ içermektedir. Bununla güvenliği,
verimi ve konforu arttõrmak, ekonomik çözümler üretmek,
kirliliği azaltmak amaçlanmaktadõr [3]. Japonya’da da
“Prometheus”’a benzer bir program yapõlmõştõr. Programda
yapay zekaya daha çok önem verilmiş, otomatik şoför
denenmiştir. Hollanda ve Norveç’te de elektronik ücret
toplamaya yönelik araç tanõma sistemleri kurulmuştur [4].
Bu amaçla tasarlanan sistemler yüksek ticari değere sahip
olduklarõ için, literatürde, çok sõnõrlõ sayõda çalõşma bildirilmiştir
ve bu çalõşmalarõn ortak özelliği sunulan bilgilerin oldukça kõsõtlõ
olmasõdõr. Genel olarak araç plakasõ tanõma işlemi iki temel
adõmda gerçekleştirilir; plaka yer tespiti ve plaka üzerindeki
karakterlerin tanõnmasõ. Bu çalõşma ikinci adõmõ kapsamaktadõr.
Literatürde karakterlerin ayrõştõrõlmasõ ve tanõnmasõ işleminde
örnek eşleştirme [5-6], karakteristik tabanlõ tanõma [7] ve
ağõrlõklõ olarak da Yapay Sinir Ağlarõ (YSA) [8-12] kullanõldõğõ
bildirilmiştir.
II. MATERYAL VE YÖNTEM
Türkiye trafik denetleme kurumlarõna kayõtlõ yasal plakalar;
sivil, resmi, askeri, diplomatik vs. gibi değişik renk ve
biçimlerde olabilmektedir. Bu çalõşmada, Türk plaka
standartlarõna uyan sivil plakalar üzerinde karakter yer tespitinin
yapõlmasõ ve plakanõn tanõnmasõ amaçlanmõştõr. Bu plakalarõn
genel özelliği; beyaz zemin üzerine siyah karakterlerden
oluşmasõ, ilk iki karakterin şehir kodunu belirtmesi ve ondan
sonra gelen karakterlerin rasgele harf ve rakam dizisinden
oluşmasõdõr. Türk plaka standardõna göre sivil motorlu taşõt
plakalarõ 110mmX526mm yada 210X320 ebatlarõnda, tek veya
çift sõra dizilmiş 7 veya 8 karaktere sahiptir. Her iki plaka tipinde
de kullanõlan karakterler 77mm yüksekliğe ve 36 mm genişliğe
sahiptir. Karakterler arasõ açõklõk 10mm, karakter gruplarõ arasõ
açõklõk 77mm olarak verilmiştir. Trafikteki araçlarõn büyük bir
oranõ, plakalarõn resmi bir standardõ olmasõna rağmen,
standartlara uygun olmayan plakalara sahiptir. Buna ek olarak,
plakalar üzerinde çeşitli yabancõ maddelerin; damgalar,
çõkartmalar, fosforlar, pullar, vidalar ve çamur, varlõğõ da söz
konusudur. Şüphesiz, plakalarõn belirli bir standarda tam olarak
uymamasõ, yabancõ maddelerin plaka yüzeyini işgal etmesi,
kameradan elde edilen görüntülerin kalitesinin aydõnlatmaya
bağlõ olarak değişkenlik göstermesi plaka tanõma otomasyonunu
güçleştiren faktörlerdir
Karakter ayrõştõrma ve tanõma işlemi için önerilen sistemin akõş
diyagramõ Şekil 1’de görüldüğü gibidir. Araç görüntülerinden
koparõlmõş 263X55 piksel ebatlarõndaki plaka bölgeleri (Şekil
2.a) sisteme giriş olarak kabul edilmektedir. Bir dizi görüntü önişlem algoritmasõ; Histogram Eşitleme (Histogram Equalisation)
ile görüntüler iyileştirilir, Eşikleme (Thresholding) ile ikilik
453
IJCI Proceedings of International Conference on Signal Processing, ISSN 1304-2386, Volume:1, Number:2, September 2003
seviyeye çevrilir ve Smearing, kullanarak karakter boylarõ
hesaplanõr. Ardõndan Karakter Ayrõştõrma Modülü’nde (KAM)
plaka bölgesi gürültülerden arõndõrõlõr, karakter genişlikleri
belirlenir ve ayrõştõrma işlemi gerçekleştirilir. Ardõndan her bir
karakter bölgesi bir vektör olarak, iki farklõ YSA’yõ içeren
Karakter Tanõma Modülü’ne (KTM) sunulur. Vektör olarak
verilen karakter bölgesi ilgili YSA’da test edilir ve olasõ
karakterler KTM tarafõndan önerilir. Tüm karakterlerin
tanõnmasõndan sonra ASCII plaka bilgisi üretilerek kullanõcõya
sunulur.
III. GÖRÜNTÜ ÖN-İŞLEM
Plaka görüntülerinden karakter ayrõştõrma ve tanõma işleminin
ilk basamağõ görüntü ön-işlemdir. Günün değişen saatlerinde
alõnan plaka görüntülerinin õşõk yoğunluğu varyasyonlar
gösterebileceğinden,
görüntü
kontrastõnõn
otomatik
ayarlanabilmesi için Histogram Eşitlemesi kullanõlõr. Ardõndan,
ortalama õşõk yoğunluğuna bağõl seçilen bir eşik değeri ile,
Adaptif Eşikleme yapõlarak plaka görüntüsü ikilik (Binary)
seviyeye indirgenir ( Şekil 2.b).
uygulanõrsa, referans siyah renk sayõsõnda büyük bir sapma
görüldüğü, Yalt koordinatõ plaka karakterinin alt noktasõ olarak
hesaplanõr. Siyah sayõsõndaki ani artõmõn kontrole dahil
edilmesinin gerekçesi, bazõ plakalarda plaka karakterleri ile
plakanõn kenarlarõndaki siyah çerçevenin birleşmesi sonucunda
hiçbir beyaz bölgeye rastlamadan çerçeve ile karakterlerin
birbirine
girişmesinin
etkisinden
korunmaktõr.
Plaka
görüntüsünde Yalt ve Yüst, ile belirlenen sõnõrlar arasõndaki resim
bilgisi korunarak diğer tüm değerler art alan olarak yeniden
sõnõflandõrõlmaktadõr. Böylece plaka karakteri boyunda resim
bilgisi kalmakta diğer yerler silinmiş olmaktadõr. Bu karakter
boyundaki resim bilgisi koparõlarak yeni bir görüntü elde
edilmektedir (Şekil 2.c). Bundan sonraki işlemler bu koparõlan
bölge üzerinde yapõlmaktadõr.
(a)
Plaka Bölgesi
Karakter
Ayrõştõrma
Görüntü
Önişlem
Hist. Eşitleme/ Eşikleme
Karakterlerin Boyunu Bul
Gürültü Temizleme
Yabancõ Objeleri Yok Et
Genişlik Bulma
YSA ile Test
Plaka Oluşturma
(c)
İkilik Resme Çevir
Smearing
Rakam-Harf Ayõrma
Karakter
Tanõma
(b)
(d)
Şekil 2. a) Araç görüntüsünden koparõlan plaka bölgesi
b) Plaka bölgesi görüntüsünün ikilik resme çevrilmesi c) Plaka
üzerindeki yabancõ objelerin temizlenmesi d) Plaka karakteri
harici bölgelerin temizlenmesi
IV. KARAKTER AYRIŞTIRMA
Karakter Genişliği Bul
Görüntü ön-işlem ile elde edilen ve karakterlerin dõşõnda
istenmeyen objelerin de bulunduğu ikilik görüntü üzerinde
gürültülerin yok edilmesi, karakterlerinin genişliğinin
bulunmasõ, karakterlerin ayrõştõrõlarak YSA ünitesine
gönderilmesi Karakter Ayrõştõrma modülünde gerçekleştirilir.
Rakam ve Harfleri Ayõrt Et
Karakterleri Test Et
Gürültüleri yok edebilmek için, plaka bölgesinin başõndan
itibaren karakter boyunda dikey bir çizgi alõnarak kademeli
olarak plakanõn sonuna doğru kaydõrõlmaktadõr. Dikey çizginin
herhangi bir objeyi kesişmesi durumunda ilgili objeyi sõnõrlayan
zarf hesaplanarak, obje boyutlarõ belirlenmektedir. Obje
yüksekliği, görüntü ön-işlem aşamasõnda bulunan karakter
yüksekliğinden yeterince küçük ise gürültü olarak algõlanmakta
ve görüntüden silinmektedir. Böylece plaka üzerindeki vida,
çamur, çõkartma, vb. nesnelerden dolayõ oluşan gürültüler
elimine edilmiş olur (Şekil 2.c).
Harf ve Rakamlarõ Sõraya Diz
PLAKA
Şekil 1. Plaka karakterlerini tanõma algoritmasõ
Elde edilen ikilik görüntüden, plaka çerçevesi ile sõnõrlõ bölgede
plaka karakterlerinin bulunmasõ gerekmektedir. Bu amaçla, ilk
olarak smearing algoritmasõ tarafõndan karakter bölgeleri bloklar
haline getirilmelidir [13]. Ardõndan, plaka ağõrlõk merkezi
belirlenerek bu koordinattan sağa ve sola plaka genişliğinin
3/4’ü uzunluğunda hayali bir yatay çizgi alõnõp bu çizgi
üzerindeki siyah renk değerine sahip piksel sayõsõ
hesaplanmaktadõr. Bu değer referans alõnarak çizgi önce yukarõ
doğru kaydõrõlõr. Eğer siyah renk sayõsõnda hõzlõ bir düşme yada
yükselme görülecek olursa, bu noktanõn y koordinatõ, Yüst, plaka
karakterinin üst noktasõ olarak kabul edilmelidir. Daha sonra,
ağõrlõk merkezinin alt bölgesi için yukarõdaki işlem tersi yönde
Plakada şehir kodunu belirleyen ilk karakterin ve bu kodu takip
eden harf-rakam kümelerinin bulunmasõ işlemi içinse yine plaka
merkezinden düşey doğrultuda geçen çizgi sola, yani plakanõn
başlangõcõna, doğru kademeli olarak hareket ettirilir. Burada
amaç objeleri değil objeler arasõndaki genişlikleri bulmaktõr.
Yabancõ objelerin silinmesi sõrasõnda kullanõlan yöntemde
olduğu gibi obje sõnõrlarõ belirlenir. Objeler arasõ genişliğin en
büyük olduğu bölge eğer solunda iki ayrõ obje barõndõrõyor ise,
muhtemelen ulunan obje şehir kodunu belirleyen ilk rakamdõr.
Bu noktadan hareketle benzer yolla diğer harf ve rakam gruplarõ
bulunabilmektedir..Burada dikkat edilmesi gereken bir diğer
durumda Şekil 2.c’de görüldüğü üzere şehir kodunun yanõ
454
IJCI Proceedings of International Conference on Signal Processing, ISSN 1304-2386, Volume:1, Number:2, September 2003
başõnda TR logosunu barõndõran mavi bloğun yada plaka
çerçevesinden dolayõ oluşan düşey çizgilerinde birer karakter
olarak engellenmesinin gerekliliğidir. Bulunan her bir objenin
orijinal görüntüde boyutlarõ yeniden hesaplanõr. Eğer bu değerler
ortalama karakter yüksekliğinden daha yüksek ise bu objeler
nesne olarak sõnõflandõrõlmaz ve görüntüden silinirler (Şekil 2.d).
9
107
K
62
Y
32
L
66
Z
39
Karakter tanõma amaçlõ kurulan YSA’lar için 2924 eğitim örneği
oluşturulmuştur. Karakter eğitim setinde kullanõlan karakterler
ve sayõlarõ Çizelge 1.’ de verilmiştir.
VI. ARAŞTIRMA BULGULARI VE TARTIŞMA
Geliştirilen sistem, günün farklõ saatlerinde, 6m-9m mesafe
aralõğõnda çekilmiş araç görüntülerinden koparõlmõş 203 adet
araç plakasõ üzerinde test edilmiştir. Sistemin performansõ üç
kritere göre belirlenmiştir: karakter ayrõştõrma, karakter tanõma
ve plaka tanõma başarõsõ.
Sistemin karakter ayrõştõrma performans testi 203 plakayõ
oluşturan
1432
karakterden
yalnõzca
bir
tanesinin
ayrõştõrõlamamõş olmasõ ve bu plakalarda olmayan 4 adet
fazladan karakterin üretilmesi ile sonuçlanmõştõr. Bu durumda
sistem %99.7 oranõnda ayrõştõrma başarõsõ göstermiştir.
Şekil 3.1. Araç plakasõnõn tanõnmasõ
V. KARAKTER TANIMA
Sivil plakalarda, Türk alfabesine özgün karakterler hariç A’dan
Z’ye 22 karakter ve 0’dan 9’a 10 rakam toplam 32 farklõ
karakter kullanõlmaktadõr. Kimi harf ve rakam ikililerinin, 8-B,
0-D, 1-I vb, birbirlerine olan benzerlikleri sõnõflandõrma
hatalarõna yol açmaktadõr. Karakter tanõma işlemi için bir yerine
iki YSA kullanõlmasõ, rakamlar için ayrõ, karakterler için ayrõ,
benzeşmeden kaynaklõ hatalarõ azaltacaktõr. Karakter gruplarõ
arasõndaki büyük boşluklardan yararlanõlarak harf ve rakam
karakterlerini ayõrt etmek mümkün olduğuna göre, her karakteri
ilgili
YSA’na
besleyerek
karakter
tanõma
işlemi
gerçekleştirilebilir.
Sistem tasarõmõnda karakter tanõma işlemi için, rakam ve harf
tanõmak için eğitilmiş geriye yayõlõm algoritmasõ kullanan iki
farklõ YSA kullanõlmõştõr. Her iki YSA’da giriş vektörü olarak
15X32 ebatlarõndaki ikilik seviye karakter görüntüleri kabul
etmektedir. Dolayõsõyla kullanõlan YSA’lar 480 adet giriş
nöronuna, gizli katmanda 100 adet nöron ve rakam tanõma için
10, harf tanõma için 22 çõkõş nöronuna sahiptir. Yapay sinir
ağlarõnõn eğitiminde kullanõlan karakterler gerçek plaka
görüntülerinden görüntü ön-işlem ve karakter ayrõştõrma
modülleri tarafõndan ayrõştõrõlmõştõr. Bu plaka görüntüleri
yalnõzca eğitim amacõyla kullanõlmõş performans testlerine dahil
edilmemiştir.
Çizelge 1. YSA eğitiminde kullanõlan karakterler
Karakter Adet Karakter Adet Karakter
Adet
0
177
A
82
M
31
1
142
B
110
N
64
2
109
C
47
O
95
3
253
D
130
P
45
4
139
E
133
R
55
5
101
F
88
S
92
6
139
G
42
T
89
7
132
H
88
U
81
8
97
J
29
V
28
Çizelge 2. Plaka karakterlerinin tanõnma oranlarõ
Karakter Sayõsõ
Karakteri Doğru Tanõdõ
1385
Önerilen İlk Üçte
14
Doğru Tanõdõ
Karakteri Yanlõş Tanõdõ
32
Plakada fazladan
4
Karakter Buldu
Plakada Eksik
1
Karakter Buldu
Toplam
1434
Oran (%)
96.7
0.97
2.2
0.2
0.06
100
Karakter tanõma başarõsõ ise Çizelge 2.’de görüleceği üzere
%96.7 olarak belirlenmiştir. Bununla birlikte YSA çõkõşõnda
ilgili karakterin tanõnma hassasiyeti önceden belirlenmiş bir eşik
değerinin altõnda ise bu durumda sistem en ağõrlõklõ üç karakteri
test edilen karakter için önermekte bu durumda da %0.97’lik bir
performans artõşõ sağlanmaktadõr.
Çizelge 3. Karakter Tanõma Ünitesinde oluşturulan plakalarõn
doğruluk oranlarõ.
Plaka
Tanõndõ
Önerilen
İlk
Üç
Karakterlerle Tanõndõ
Tanõnmadõ
Toplam
Görüntü Sayõsõ
164
Oran (%)
80.7
12
5.9
27
203
13.3
100
Karakter tanõma ünitesi her plakadaki karakterleri sõrasõyla test
eder. Plakadaki karakterlerin tamamõ tanõndõktan sonra plakayõ
oluşturur. Önerilen plakanõn tüm karakterleri de doğru ise plaka
doğru olarak tanõnmõş sayõlmaktadõr. Plaka tanõma ünitesine
gelen 203 araç görüntüsünden tüm karakterleri doğru olarak
bulunan, önerilen ilk üç seçenekle beraber tüm karakterleri
doğru bulunan ve bir veya daha fazla karakteri yanlõş bulunarak
tanõnmamõş sayõlan plaka sayõlarõ Çizelge 3.’de verilmiştir. Buna
göre ünitenin plaka tanõma başarõsõ %86.6 olarak hesaplanmõştõr.
Ayrõca ünitede oluşturulan plakalardaki karakterlerin yanlõş
sayõlarõna göre dağõlõmõ Çizelge 4.’de gösterilmektedir.
Karakter tanõmada yaşanan en önemli sorun plaka karakterleri
arasõna vida, logo, çamur vs. gibi yabancõ objelerin denk
455
IJCI Proceedings of International Conference on Signal Processing, ISSN 1304-2386, Volume:1, Number:2, September 2003
gelmesinden yada kullanõcõnõn plakayõ yeniden yazdõrmasõndan
doğan sorunlardan dolayõ plaka üzerindeki karakterlerin
birleşmesinden
kaynaklanmaktadõr.
Karakter
ayrõştõrma
modülünde bir karakterin olamayacağõ kadar geniş bölgeler ikiye
bölünüp ayrõ ayrõ test edilmesine rağmen bazõ karakterlerin
özellikleri yok olmakta ve karakter yanlõş olarak
algõlanmaktadõr. Bu da sistemin performansõnõ olumsuz olarak
etkilemektedir.
Çizelge 4. Karakter Tanõma Ünitesinde tanõnan plakalarõn yanlõş
karakter sayõsõna göre dağõlõmõ.
Yanlõş Karakter Sayõsõ
0
1
Plaka Sayõsõ.
176
19
2
3
4 ve daha fazla
4
1
0
9.
10.
11.
12.
13.
VII. SONUÇ
Motorlu taşõt plakalarõndan karakter ayrõştõrma ve tanõma
işlemleri için bir dizi görüntü işleme algoritmasõnõn yanõ sõra
geriye
yayõlõm
algoritmasõ
kullanan
YSA’larõndan
yararlanõlmõştõr. Sistem performansõnõ belirlemek için üç
parametreye; karakter ayrõştõrabilme yeteneği, karakter tanõma
başarõsõ ve plaka tanõma kabiliyeti’ni ölçmeye yönelik testler
yapõlmõştõr. Sistemin karakter ayrõştõrma başarõsõ %99.7 olarak
belirlenmiştir. Karakter tanõma başarõsõ da %96.7 değerine
sahiptir ve oldukça yüksektir. YSA’larõnõn daha zengin bir
eğitim seti ile eğitilmesi ile bu başarõ oranõ daha da yukarõlara
çekilebilir. Karakter tanõma becerisinin arttõrõlmasõ %86.6 olan
plaka tanõma başarõsõnõ doğrudan etkileyecek ve sistemin pratik
olarak kullanõlabilirliğini arttõracaktõr.
VIII. KAYNAKLAR
1.
2.
3.
4.
5.
6.
7.
8.
R. A. Hauslen, The Promise Of Automatic Vehicle
İdentification. IEEE Transactions on Vehicular Technology
VT-Vol. 26, pp. 30-38, 1977.
J. A. L. Dawson and I. Gatling, Electronic Road Pricing İn
Hong Kong. Transportation Research A. Vol. 20, pp.129134, 1986.
W. J. Gillan, PROMETHEUS-Reducing Traffic Congestion
By Advanced Technology, In Roads And Traffic 2000,
International Road and Traffic Conference, Berlin, Vol. 1,
pp. 111-115, 2000.
H. J. Stoelhurst and A. J. Zandbergen, The Development Of
A Road Pricing System İn The Netherlands, Traffic
Engineering And Control, Vol. 31, pp.66-71, 1990.
P. Collomosse and M. A. Oliver, Recognition of Vehicle
Licence Plates from Real World Images. Final year project.
University of Bath, 2001.
D. Chanson and T. Roberts, License Plate Recognition
System, The 2001 International Conference on Imaging
Science, Systems, and Technology (CISST'2001), Monte
Carlo Resort, Las Vegas, Nevada. USA, 2001.
B. Üçüncü, Computer Based Identification of Car License
Plate, Master of Science Thesis in Middle East Technical
University, Ankara, 2000.
S. Draghici, A Neural Network Based Artificial Vision
System for Licence Plate Recognition, International Journal
of Neural Systems, Vol.8, pp. 113-126, no. 1, 1997.
456
K. S. Yap, Y. H. Tay, M. Khalid, T. Ahmad,. Vehicle
License Plate Recognition by Fuzzy Artmap Neural
Network, World Engineering Congress 1999 (WEC'99),
Universiti Putra Malaysia, 19-22 July, 1999.
M. M. M. Fahmy, Computer Vision Application to
Automatic Number-Plate Recognition, In Proceedings of
26th. International Symposium on Automotive Technology
and Automation, pp. 625-633, Aachen, Germany, 1993.
G. Auty, P. Corke, P. Dunn, M. Jensen, I. Macintyre, D.
Mills, H. Nguyen, B. Simons. An Image Aquisition System
for Trafic Monitoring Applications, SPIE: Cameras and
Systems for Electronic Photography and Scientific Imaging,
pp. 118-133, February 1995.
J. Setchell, Application of Computer Vision to Road-Traffic
Monitoring, PhD Thesis, University of Bristol, 1997.
U. Çelik, M. Oral, Motorlu Araçlar İçin Plaka Tanõma
Sistemi, Elektrik Elektronik-Bilgisayar Mühendisliği 10.
Ulusal Kongre ve Fuarõ, 17-21 Eylül 2003, İstanbul