TELKOM NIKA , Vol.11, No .11, Novemb er 201 3, pp. 6714 ~6 721   e-ISSN: 2087 -278X           6714      Re cei v ed Ap ril 8, 2013; Re vised J une 2 5 , 2013; Acce pted Jul y  27,  2013   Visualization of License Plate Recognition System      Zhiy i  Ruan 1 , Ying  Zou 2 , Dongming Ho ng 3 , Lurong Wu* 4   1,3, 4 Colle ge of Comp uter and  Information, F u jian A g ricu lture  and F o restr y   Univers i t y , F u z hou, Ch in a   2  Colle ge of Ma terial En gin eer i ng, F u jia n Agri culture a nd F o r e str y  Un iversit y , F u zho u , Chi n a   *Corres p o ndi n g  author, e-ma i l :  w u lur ong 1@ sina.com     A b st r a ct  T he imag e of the licens e p l ate is loc a ted  and  seg m ent ed by so me d i gital- i m a ge pr ocessi n g   techno lo gies  such as gr ay -scale pr oces sing, gr ay-sca le stretchi ng  and filt erin g, edg e det ectio n ,   mor p h o lo gica l process i ng, Ho ugh   transfor m a t ion etc.  Acco r d in g to  the  cha r acteristics  of the  lice n se  pl ate ,   bin a ry  matrix o f  character i m a ge sets th e fu zz y   matr ix, and  base d   o n   the p r inci p l e  of prox imity co mp utin g   space of clos e ness to get the fu zz y  pattern  recogniti on of  characters. On the bas is of the data of imag e   pixels, the sa mp les w h ich  are ran d o m ly  selecte d  und e r  noisy cond iti on an d w h ich  are treated by  mor p h o lo gica l  process i ng  are  rando mly sel e cted, and th en  the sa mpl e s ar e used to test the si mu latio n  a n d   ide n tificatio n   of Back Prop agati on (BP)  Neur al N e tw orks. W i th the math e m atic al  softw are-Matla b   progr a m min g , the l i ce nse  plat es are  reco gn i z e d .  T he  ai m  is  to dev el op th e  Visua l i z a t i o n  o f  user i n terface  in   Lice nse Plat e Reco gniti on Sy stem.     Ke y w ords :  lic ense p l ate rec ogn ition, i m a g e  processi ng, fuzz y  p a ttern rec ogn ition, BP ne ural n e tw ork, GUI         Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Lice nse plat e re cog n ition  system is a  sp e c ial com puter visi on  system  whi c h take s   licen se pl ate  for a spe c ific targ et, is the u s age  of comp uter vi sion  and p a ttern Recogni tion   techn o logy in  the field of Intelligent tra n s po rtati on, Li cen s e Plate  Re cog n ition  System is on e of  the most imp o rtant pa rt of Intelli gent Tra n sp ort Syste m , ITS, as a re se arch h o tspot in the fiel d of  mode rn tra n sportation, it p l ays an i m po rtant rol e  in t he man age m ent of turb an  tran spo r tatio n ,  high way, and  parki ng lot etc.  Automatic li cense plate  reco gnition te chn o logy [1,  2] ca n be  divided int o : radi o  freque ncy id entification t e ch nolo g y, bar code  recognition te ch nology an d vehicle li cen s e   recognitio n  te chn o logy. Th e form er two   techni que s  are a c curate  an d reliable,  but  it still n eed s t o   install  relate d  devices an d  to e s tabli s h  ba ckgr o und   manag eme n t in the  vehi cl e licen se  pla t e   recognitio n   system; Li cen s e plate  re co g n ition  syst em  is  ba sed  on   video te chn o l ogy ha rd wa re  so   that you can i dentify and monitor the veh i cle directly.  At the beginn ing of the 1980s, forei gn rese arche r s had wide  con c ern ab out the  license  plate re cog n i t ion technol o g y. In the 1 990 s,  along  with the developme n t of comp uter visi on   techn o logy a nd imp r ovem ent of the  co mputer  pe rfo r man c e, li cen s e pl ate reco gnition  syste m   has  bee n sy stemati c ally rese arche d . Ho wever,  th e syste m  ca n not re co gn ize the  Chi n ese  cha r a c ters i n  the  Chi nese  lice n se pl ate .  At pre s e n t, there  are  so me mo re  ma ture  pro d u c ts to  solve the i s sue of re co gn izing  Chin ese ch ara c te rs in  C h ina  suc h  as  HW  eye - th e  Ch in es e  Acade my of  Scien c e s  In stitute of Auto mati on HW  company, Hui guan g  plate numbe r  auto m atic  identificatio n  system -ASIA Vision T e ch nolo g y  L t d., some  relevant reco gnition p r od ucts  develop ed  by Shen zhe n  Ke An  Xing Indu strial  Com p any Limited  and th e  Sino- Chile an  traffic  Electroni cs  Comp any Li mited un der t he mini stry of  Chin a Info rm ation ind u st ry. In  addition, so me Universit y  Departm e n t s’ laboratori e s, su ch a s  ar tificial -intelli gen ce State Key  Labo rato ry o f  Tsing hua  University, Shang hai  Ji ao  Tong  Unive r sity comput er  sci en ce a n d   Enginee ring  Dep a rtme nt, the Depa rtm ent of aut omation of Zheji ang Unive r sity, have devoted   the sci entific resea r ch stre ngth into re co gnition  tech n o logy are a . What’ s  more, Zhiyong Liu, who   is from th e A u tomation In stitute of Chin ese A c ad em y of Science s , ha s al so p ublished  relat e d   article s , an d Aiming Hu, o ne of the re searche r s fro m  Beihang  University, dev elope d a lice n se   plate re cog n ition syste m  o n  the basi s  of  the te mplate  matchin g  techniqu e, and this sy stem can  be appli ed in  the toll stations.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Visuali z ation  of Licen s e Pl ate Re cog n ition Syst em  (Zhiyi Ruan )  6715 The stan dard - sm all ca rs h a ve a wide ra nge of us e r s in China  so th e aims of this article  are to re se arch the licen se plate re cog n ition sy stem  in Chine s e  standard-small  car, to reali z e  the imag e of  l i cen s e  plate  l o catio n   cuttin g , and  then  to ide n tify the  cha r a c ter by f u zzy mo del a n d   neural  n e two r k sele ctive co ncu r rent   o perations. Othe r types  of ca rs can   al so ch o o se   re co gniti on   databa se i n   accordan ce   with the li ce n s e  plate f eat ure s  a nd  sp e c ificatio ns, to  com p lete li cense   plate re cog n ition.      2. Summar y   of Licens e  Plate Re cogni tion Sy stem  2.1. Chinese  License Plate F eatures a nd Specifica tions   In Chin a, the  licen se  plate s  of  stand ard - sm all  cars  are white letters o n  blu e , 44 0mm in   width  and  14 0mm in  lengt h, Ratio  bet ween th e wi dt h  and  the h e ig ht is  about  3. 14:1. The r e  a r e   seven  ch ara c ters in th e license plate. T he first  cha r a c ter i s  a  Chin ese  ch ara c te r standi ng for t he  Abbreviatio n  of  all provin ces and   mu ni cipalitie s;  the  seco nd character i s  one  of the 24 cap i tal  letters ex cept  the letter "I" and "O", whi c h rep r e s ent s the  cod e  n a me of the i s suin g auth o rit y .  Those letters, from the third letter to the s e vent h, consi s t of 2 4   English  letters an d n u mbe r s.   Each cha r a c ter in Licen s e  plate is ce nte r ed in a wi dth  of 45mm and 90mm in he ight recta ngul ar  rang e. Th e  space b e twe e n  two  cha r a c ters i s  1 2 mm.  There i s  1 0 m m  interval  sy mbol " ● "  bet wee n   the second   and th e thi r d  ch aracte r,  so the  a c tual  interval  is  22mm. T he  gene ral  style  is  “ 某 A·12 345 ”.     2.2. The Co mposition of Licen se Plate Reco gnitio n  Sy stem  Lice nse pl ate  re cog n ition  system i s  ba sed  o n  vide o i m age  acqui si tion technol o g y, and   the system i s  using  com p u t er tech nolo g y  to sear ch a nd judg e vehi cle licen se pl ate. The thre e   main p a rts of  this recogniti on sy stem a r e lice n se plat e imag e lo ca tion, licen se  plate cha r a c ter  segm entation  and lice n se plate ch ara c t e r re co gnition .  Figure 7 sh o w s the  syste m  make s the  licen se plate  location  cutting on the im age for  use r  to  rea d .  Figure 8  sh o w s the  syste m  ma ke s fuzzy pattern re cog n ition o n  t he  cutting li cense   plate cha r a c ter a nd di spl a y results. Fig u re  9 sh o w s  t he sy st e m  id ent if ic ation re sults ba sed o n   use r  nee ds  to save text as txt format, and pr ov ides three result s for ea ch characte r in   accordance  with the size of  the possibility of fuzzy patte rn recognition, for example,  “E:\LPRS\Example1.jp g” i s  re cog n ized  to be t he license plate b y  the fuzzy pattern. The  first  c h ar ac te r  is   “ 豫吉 苏 ”;  the seco nd cha r a c ter  i s  “DQC”;  the  third  chara c te r is “V97”; the fo urth   c h arac ter is  “0QD”; the fifth c h ar ac te r is   “ 0 86 ” ;  the  s i xth   c h aracter is “085 ”; the  sevent h  cha r a c ter i s  “172”. Th us, the entire li ce nse pl ate is  most likely to  be “ 苏 D V 0 0 01” .        Figure 1. Flowchart of System Identifica t ion      3. Image Preproces sing   Image  enha ncem ent [3,  4] is on e  of the m o st  ba sic meth ods of di gital imag e   prep ro ce ssin g, which al so be co mes a quite valuabl e tech nology to b e  use d . Image  enha ncement  technol ogy is often used  to improve  th e gray level i m age qu ality, and to incre a se  the ratio of sign al and n o ise. Thi s  techn o l ogy ca n make som e  feature s  of the image be  recogni ze d e a sily.     3.1. Gra y   Image   Gray imag e is the basi c  st ep for the pretr eatme nt of license plate  images. The  original   image contai ns a large nu mber of color informati on  whi c h o c cupi es the sto r ag e spa c e. Diff erent   illumination i n tensity re sul t s in recognit i on pro b lem s , so gray pro c e ssi ng shou ld be made f o r  colo r imag es.  In the gray p r ocessin g ,  R ,  G ,  B  are give n dif f erent weight  values  R ,  G ,  B .  Lice nse pl ate  location  Char acter  se g m en ta ti on  Char acter  re co gn i t i on  Output  Lice nse pl ate   Input imag e   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  671 4 – 6721   6716 The gray value is   B G R B G R B G R I . In  gene ral, wh e n   299 . 0 R ,  587 . 0 G  and  114 . 0 B , we ca n  get the best gray imag e.    3.2. Gra y   Stretch   Gray st retch  is a kin d  of  image en ha ncem ent technolo g y. The  image g r ay  value is   mappe d to th e entire  ra ng e of gray lev e l by gray  stretch tra n sfo r mation in o r d e r to in crea se the   contrast  of th e imag e. Extendi n g  the  range  of gray level ma ke s the cha r a c te r featu r e s  m o re   obviou s  [5-7] and it i s  mo re  con d u c ive  to furthe r p r oce s sing. In  the imag e which th e pixe l is  n m , the histogra m  is   i h . Gray st retch tran sformati on functi onal form ulati on:       b x d b x b d b x a c a x a b c d a x x a c x f 255 255                                                             (1)    Get  a  which sa tisfies the sm allest po sitive  integral of   10 0 mn i h a i , and  b  values th e  large s t po sitive integral of   mn i h b i 10 9 0 ,  and set the value s  of  c  and  d .    3.3. Median Filtering   The o u tstan d i ng  merit  of M edian  Filterin g is th at it ca n not o n ly eli m inate n o ise  but al so   prevent bl urred edg es. M edian Filte r in g is  a ki nd  of pra c tical  non-li nea r im age smoothi ng   method, and  this method  has a goo d  effect on eliminating noi se in pro c e ssi ng licen se pl ate  image.   The ba sic p r i n cipl e of the median filter i s  to  sub s titute the averag e value of the variou s  points in an a r ea of the poi nt for the value of  point in digital seque nce, that is to say,  1 a , 2 a , , n a  are in de sce nding o r de r  n i i i a a a 2 1 .  And let   n a a a med b , , , 2 1 , then  b  is the average va lue of seq u ence. Two - d i me ns io na l s e qu e n c e   ij a  is  the gray valu e of ea ch im age p o int. Wi ndo w 2-d me dian filter   is    A r s a med b r j s i A i , , .      4. License Plate Extrac tio n   First  of all, license plate  lo cation  nee ds  to ma ke e dge  extractio n  fo r gray i m age  b y  usin g  Can n y, and then elimin ating noi se thro ugh mo rph o l ogy pro c e s sing, the two  pro c e s ses  are to   make th e im age s form a  conn ecte d a r ea. Acco rd in g to the ch a r acte rs and  spe c ification s  of  licen se  plate  and  ph otog raphi c angl e, given th at t he fa st  chan ge of f r eq ue ncy i s  in  ed ge   grap hics  of the li cen s e  pl ate, and  sel e cting   the l e ngth a nd  wi dth ratio  an d  the  size of  the   con n e c ted re gion at the sa me time, we extract lice n se plate bina ry image.    4.1. Binar y   OSTU threshold segm en tation is a very  cla s sic  automatic th resh old segm entation   algorith m . Its ba sic pri n ci ple i s  that th e hi stogr am i s  divid ed int o  two  group s from  a  cert ain  threshold.  When the va ria n ce  between  the two g r ou ps i s  the  max i mum then th e co rrespon ding   threshold  con s ide r ed to be  the best thresh old.  OST U  the thre sh old se gmenta t ion avoid so me  disa dvantag e s  such a s  lon g  co mputatio n time, low  effic i enc y , high c o s t. It is  very effec t ive way  in solving  sin g le thre sh old  segm entation  of gr ayscal e  image s. OST U  bin a ry is  b a se d on  OST U   threshold  seg m entation; it pro c e s ses th e image wi th  accordan ce t o  optimal thre shol d limits.    4.2. Edge De tec t ion   Edge d e tecti on ta ke s adv antage  of ed ge e nhan cive  ope rato r to  unde rline  the  edg e of   the pa rt of  th e ima ge. Afte r the  inten s ity of pixe l  ed ge  is defin ed, th e poi nt  set  ca n be  extra c te d   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Visuali z ation  of Licen s e Pl ate Re cog n ition Syst em  (Zhiyi Ruan )  6717 by the  set li mits. The  co mmon  dete c tion al gorith m s are  Canny  o perato r ,  Rob e rts ope rato r,  the  LOG  operator, Wallis oper ator, edge detection  me thods based  on fractal   theory etc. Based on  Can n y operator, the gra d ie nt and di re cti on Angle of b ound ary are:    y x G G f ,   x y G G y x arctan , , ( x f G x ,  y f G y )                                  (2)    Can n y op erat or i s  to  see k  l o cal  maximu m value  of th e ima ge  gra d i ent, so  to  sm ooth the   image i s  n e cessary.  Usi n g 5×5 Ga ussi an filter a nd t he Sigma  pa rameter  co ntrol the filter, a n d   usin g two thresh old se gm entation s  en han ce s  imag e segm entati on. Can n y method can be tter   balan ce  the  edge  dete c ti on a nd  noi se  su ppressio n . It is the  mo st effective  d e tection  met hod  provide d  by Matlab Imag e Processin g  Toolbox  function s. It is base d  on the optimization  algorith m  and  it is less susceptibl e  to no ise interfe r e n c e.     4.3. Mathem atical Morph o log y  Processing   Corro s io n an d inflation are  two of the mo st fundam en tal operatio ns in mathemati c al  morp holo g y [8]. They can  be define d  as:     A a b B b A a a B A , , ,  b a c B b A a c B A , ,                  (3)    The pro c e s s of Corro s ion befo r e  Inflation is calle d o pen ope rati on, which  can elimi nate  small obje c ts.  This  p r o c e ss  ca n  al so   sep a rate   th e boun dary of  object an d  can  smooth  obj ects  i n   del icate  pla c e s .  The pro c e ss of op eratio n inflation bef ore  Corro s i on  is call ed cl osed operation t hat can  fill  a  tiny  hollow of the  object. It not only  can   con n e c t the adjacent obje c ts but  can smooth  th e  b ound ary of t he o b ject,  which  ena ble  the  fractu re of co ntour line to b e  made up.       5. License Plate Chara c te r Segmenta ti on  5.1. Hough T r ansformatio n   After the li cense pl ate i m age  is lo cated,  it som e times  ha s different deg ree   of  tilt  phen omen on.  In su ch  ca se, it need s to  make ge om etric  co rrectio n  on th e plat es by  cla s sical  Hou gh tran sform. In th e  Hough, th e  curve or  strai ght  line  with give n shap e in th e ori g inal  ima g e   spa c e is  conv erted into a p o int in the Hough sp ac e. Hough is to tra n sfor m the de tection proble m   of curve o r  st raight line in  the Origin al image  spa c e  to the peak p o int of the transfo rm spa c e.  Hou gh tran sform lin ea r po lar e quatio n i s  exp r e s sed  as  sin cos y x ,  x y arctan .   ,   refers to  pola r  coordinate s  vector  pe rpe ndicular to th e line,   is the  length  of the  vector,   is  the angle b e twee n the vector and the ax is po sitive direction.     5.2. Vertical Projection M e thod   In fact, the q uality of the origin al imag e,  the ca mera angl e, the  effect of the  Hou g h   transform and  other  factors will  cause a  certai n  degree of influence on th e divided  character.  In   the image p r oce s sing, the  noise  can n o t be com p le te ly eliminated. So it is more effe ctive to   detect the ch ara c ter p o siti on with vertical proje c tion  method.   After image  prep ro ce ssi ng, licen se  plate locat i on and ext r actio n , and  rotation   transfo rmatio n, the image of licen se plat e is tr eated b y  morphol ogy  processin g . Then it need s to  record the  vertical  p r oje c tion of the  value  of the  binary i m ag e  col u mn  hig h lights in tu rn.  Acco rdi ng to the prio ri kn o w led ge of the  licen se plate  area a nd p r o j ection m e tho d s, the lice n se  plate is  scan ned b a sed o n  a certain t h re shol d.  After the  previo us p r o c e ss,  we  che c k th e  begin n ing  an d the  end  po sition  of ea ch  ch ara c te r.  T he ave r ag e o f  each  cha r a c ter wi dth i s  u s ed   to be the  wid t h of cha r a c t e r an d to red u ce  noi se im pact. Fin a lly, the seve n ch ara c ters a r e  got  throng  cutting  from the start of the chara c ter to  the en d of the avera ge width of th e cha r a c ter.         Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  671 4 – 6721   6718 6. License Plate Chara c te r Reco gnitio n   6.1. Chara c ter Template   This a r ticle ta ke s a 24 x 4 8  JPG format  cha r a c ter im age a s  templ a te ,then re spectively  set up Chi n e s e characte rs ( the color  chara c te r im ag e as sh own in Figure 2), English letters  (as  sho w n in Fig u re 3 ) , and th e Arabi c num eral (as  sho w n in Figure 4) characte r dat aba se.         Figure 2. Chi nese Ch ara c t e rs        Figure 3. English Alpha beti c  Ch ara c te rs        Figure 4. Ara b ic Nume ral  Cha r a c ters      6.2. Fuzzy  Pattern Chara c ter  Reco gni tion   Fuzzy patte rn re co gnition , it is mai n l y  cla ssified   by dire ct m e thod s a c cording to  maximum me mbershi p  prin ciple fo r indiv i dual ide n tification. For the  grou p model , it is identified  by indire ct method s and i s  classified a c co rding to "ch oose the nea rly principl e".  Whe n  the id entified obje c t is not a sp ecific  p a ttern,  but is a fuzzy set of do main. the  identificatio n  probl em b e comes a  pro b lem of  solv ing  close d e g ree  bet wee n  the fu zzy set   .Obviously, set cha r a c ter t e mplate a s  a  catego ry, an d awaitin g  re cog n ition cha r acte r a s  obj ect,  the ch ara c te rs may b e  u s ed to dete r m i ne a fu zzy  matrix. Then,  based o n  th e prin cipl es  of  cho o si ng ne a r ly, the close ness is  comp uted and  cate gori z ed.   Acco rdi ng to  the characte r feature s , givi ng  ea ch  calculated p o int o f  binary im ag e some   weig ht (as  sh own in Fig u re  5 to provisio n fuzzy matri x  collectio ns,  and the form ula is:           1 , 1 1 , 1 1 , 1 1 , 1 05 . 0 , 1 , 1 1 , 1 , 1 . 0 , 4 . 0 , ~ j i BW j i BW j i BW j i BW j i BW j i BW j i BW j i BW j i BW j i A                    (4)          Figure 5. Fuzzy Matrix Cal c ulatio n Wei g ht Diagram       Providing that  i A ~  refers t o  kno w n  cat egory fu zzy  sub s et withi n   the universe of  discou rse, if  obje c t to be identified meet the Formula  ~ ~ 1 ~ ~ , max , B A N B A N j t j k , then we   con s id er that   ~ B  is  c l os es t to   k A ~ ,  ~ B  is cla s sif i ed t o   k A ~  pattern. Combined  with fuzz y matrix   formula by u s ing the hamm i ng app roa c h  degree s its calcul ation formula is:        n j m i k k j i B j i A mn B A N 11 ~ ~ ~ ~ , , 1 1 ,                                                         (5)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Visuali z ation  of Licen s e Pl ate Re cog n ition Syst em  (Zhiyi Ruan )  6719 6.3. Neural Net w o r k Ch ar acte r  Re cog n ition  The appli c ati on of neural netwo rk [9] in  im age re cog n ition acco rdi ng to data proce s sing  type can be  divided into the neu ral n e t work alg o rith m based on  pixel data an d feature d a ta.  Neu r al net wo rk recognition  technolo g y base d  on the image pixel d a ta take s the high dime nsi o n   of the original  image data a s  a neu ral net work trai ning  sampl e s.    Some algo rithm, su ch a s  forward feedb ack  ada ptive neural network, Hopfiel d  ne ural net work,  RAM  neu ral  n e twork, SO FM ne ural  network,  cell ular  neural n e twork,  are  ba se d  on  the  pixel to identify image s. First,  to construct a training sampl e  set whi c h  also  con s titutes th e inp u t ve ctor and  the  targ et vecto r  of  th e trai ning  re q u ired.  Acco rdi ng to  the  nee ds  of identificatio n to, the image pixel is pro c e s sed  by bi nary figure, random  n o ise interferen ce a nd  morp holo g ica l  pro c e ssi ng.  The imag e pixel value is  0 or 1, as n eural  netwo rk input vector  to  establi s h  corresp ondi ng training  set.Secon d, to esta blish a th ree - layer fee d -fo r wa rd n e two r k.  The feed fo rward an d ba ckwa rd BP n eural  network  is teste d  on  the ba sis  of the inp u t and  the  target ve ctor formed  by training  sam p l e s.Thi r d,  to t e st the  re cog n ition of cha r acter data b a s e   plus n o ise image, then to realize the re c ognition of ch ara c ter of po sitioning cutting.      7. Visualizati on of Identi fication Sy stem  Grap hical  User Interfa c e s  (GUI ) [10 - 12] is a  wa y of huma n -comp u ter int e ra ction  operation p r o v ided by the Matlab. It not only can  facilitate the user' s  ope ratio n , but also can  gene rate exe c utabl e file wi thout installin g Ma tlab ru nn ing on Wi ndo ws o perating  system s.   Interface of  lice n se pla t e re cog n itio n sy stem  consi s ts of t he ima ge, p o sitioni ng  segm entation  and pattern reco gnition th ree pa rts.  It provides im age  and di splay  whi c h the u s ers  sele ct to reco gnize, image  licen se plate  positio ning segmentatio n, and fuzzy pat tern re co gniti on   and ne ural in terface  netwo rk  re spe c tively. The recog n ition re sult s can b e  outp u t as sho w n  in   Figure 6, the initial interface.          Figure 6. Initial Interface of  Recognitio n  Syst em  Figure 7. The  Positioning  Cutting Interf ace of  Lice nse Plate Recognitio n  System      Figure 8. Re cognition Syst em Interface   Fi gure 9. The  Result Saving Interface of  Re cog n ition System  Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA  Vol. 11, No . 11, Novemb er 201 3:  671 4 – 6721   6720 Figure 7 sh o w s the  syste m  make s the  licen se plate  location  cutting on the im age for  use r  to  rea d .  Figure 8  sh o w s the  syste m  ma ke s fuzzy pattern re cog n ition o n  t he  cutting li cense   plate cha r a c ter a nd di spl a y results. Fig u re  9 sh o w s  t he sy st e m  id ent if ic ation re sults ba sed o n   use r  nee ds  to save text as txt format, and pr ov ides three result s for ea ch characte r in   accordance  with the size of  the possibility of fuzzy patte rn recognition, for example,  “E:\LPRS\Example1.jp g” i s  re cog n ized  to be t he license plate b y  the fuzzy pattern. The  first  c h ar ac te r  is   “ 豫吉 苏 ”;  the seco nd cha r a c ter  i s  “DQC”;  the  third  chara c te r is “V97”; the fo urth   c h arac ter is  “0QD”; the fifth c h ar ac te r is   “ 0 86 ” ;  the  s i xth   c h aracter is “085 ”; the  sevent h  cha r a c ter i s  “172”. Th us, the entire li ce nse pl ate is  most likely to  be “ 苏 D V 0 0 01” .      8. Conclusio n   In this pap er, it just pays attention to t he licen se  plate of the stand ard - sma ll cars.   Thro ugh  digi tal image  te chn o logy  su ch  as  the  i m age  gray  level, the e dge  dete c tio n ,  morp holo g ica l  pro c e ssi ng  and  Hou gh transfo rm, to  realize the im age of li cen s e plate lo cati on   and  cha r a c te r segme n tation. Using th e data of   ch ara c ter te mpl a te and  sel e ctively opera t e   con c u r rently betwe en fuzzy model  an d neu ral net work to reco gnize Chi n e s e, English, a nd  English  and  numbe rs  of the licen se  plate re sp e c tively. To make li ce nse plate lo ca tion,  segm entation  and  re co gni tion expe rim ents  by 16  i m age s  colle cted, but b e cause of th e  big  differen c e i n   backg rou nd i m age, the r e   are  one  cann ot po sitioning , 2 pie c e s   po sitionin g  mi stake,   and the re st of the image is able to su cce ssfully  loca te and cut. We just get the cha r a c ters after   the fuzzy patt e rn recognitio n  and the cha r acte rs are  wi thin the three  results p r ovid ed.  For  other types of moto rs, th e reco gnition  syste m  ca n al so  reali z e  lice n se  plate   positio ning cutting, and specifi c ation s .  In acco rdan ce with the licen se plate  chara c te risti c s and  cho o si ng the  corre s po ndi ng ch ara c te r databa se, the lice n se pl ate can al so  completely  be   recogni ze d. For some othe r types of ca r su ch as th e licen se pl ate of the coa c he s “ 某学 A·123 4 ” ,   A large cont ainer trucks licen se plate  “ 某挂 A·123 4 ”  licen se plat e licen se pla t e of consul ate  “ 某 领 O·123 4 ” ,  we ju st need  to identify the spe c ific characters in diffe ren c e s .  As the  syste m  discu s sed  in this p ape r  can  not only  realize the im age s of licen se pl ates  positioning, segmentation,  but  also  can facilitate the recogniti on of  Chi n ese c haracter. What’s  more  after a m ende d, the  system  can  also  a c hiev e the  cha r a c ter po sitioni n g , cutting  an d   recognitio n   cutting and  re cog n ition of li cen s e  pl ate i n  Ja pan ese  and  Ru ssi an,  by aiming  at  the   licen se pl ate spe c ification s  spe c ific imp r ovem ent syst em in Jap an, Ru ssi a and ot her count rie s .      Ackn o w l e dg ement  The resea r ch  wo rk  wa s j o intly sup p o r ted by  Fujia n province Innovation P r actice of  Und e rg ra duat e in Chin a (G rant No. 11 1Z C12 60).       Referen ces   [1]  Shan  Di ng. T he R e se arch  of Lic ense  Pl ate  C haracter  Reco gn ition   Based  on  Ne ural  Net w o r k   Ensemb le. Ma ster' s  degree t hesis of Sha n d ong N o rmal U n iversit y . 2 0 1 1 : 1-5 (in C h in ese ) .  [2]  Xi ao jin g Z h ang . Rese arch  of  Vide o B a sed  V ehicl e Detecti o n  a n d   Lic ens e Plate Rec ogn iti on  S y stem .   Master' s  degre e  thesis of T a i y uan U n ivers i t y   of  T e chnol og y.  2011: 1-6 (i n  Chin ese).   [3]  Ibaa Jama l, M Usman Akra m, Anam T a ri q.  Retina l Image Prepr ocess i ng: Backgr o u nd an d No i s e   Segmentation.  T E LKOMNIKA Indon esi a  Jour nal of Electric al  Engin eeri ng.  2 012; 10( 3): 537 -543.   [4]  Xi ng hua H e , Yuan yu a n  Z h o u , Ji y a ng W a ng, etc.  Image Processi ng  abo ut MAT L AB7.X. Bei jin g:   Peop le' s  Posts and T e lecom m unic a tions Pr ess. 2006 (i n C h in ese).   [5]  Yongc ha o Ch e n .  T he Rese ar ch of Lice nse  Plat e Rec o g n it ion Bas ed o n   Digita l  Image  Processi ng.  Master' s  degre e  thesis of W uhan U n ivers i t y   of  T e chnol og y.  2006: 9-1 0  (in  Chin ese).   [6]  Jingj ia o L i , Li h ong Z h ao, Ai xi a W ang. P a ttern Rec o g n itio n .  Beiji ng: Pu bli s hin g  Ho use  o f  Electronic s   Industr y .  2 0 1 0  (in Chi nes e).  [7]  Jinmin g S u , Y ong li W a ng. G r aph ic Imag e  abo ut MA T L AB. Beiji ng: P u blish i n g  H ouse  of Electro n ics   Industr y .  2 0 0 5  (in Chi nes e).  [8]  Pei y o u  Ha n, Gui y un D o n g . Image T e chnol og y. Xi’a n: No rth w e s tern Po l y tec hnic a l U n i v ersit y  Pr ess.   200 9 (in Ch in e s e).  [9]  Patricia Me lin,  Victor Herrer a , Dan n ie la R o mero , etc. Genetic Optim i z a tion  of Neur a l  Net w orks fo r   Person R e cog n itio n base d  o n  the Iris.  T E LKOMNIKA Indon esia Jo urn a l  of Electrical  Engin eeri n g .  201 2; 10(2): 30 9-31 8.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Visuali z ation  of Licen s e Pl ate Re cog n ition Syst em  (Zhiyi Ruan )  6721 [10]  Cha o  Ch en. A pplic atio n E x a m ples S u ccinc tl y  a b o u t MAT L AB: Image P r ocessi ng a n d  GUI Desig n .   Beiji ng: Pu blis hin g  Hous e of Electron ics Ind u str y . 20 11 (in  Chin ese).   [11]  Z heng jun  L i u.  Scie ntific C o mputin g a n d   Simulati on  a b out MAT L AB. Beiji ng: P u b lis hin g  H ous e of  Electron ics Ind u str y . 20 04 (in  Chin ese).   [12]  Hua n ji n Li u, Hui W ang, Pe ng  Li , etc. N  T i ps about MAT L AB. Beijin g:  Beij i ng Un iversit y  o f  Aerona utics   and Astron auti cs Press. 2011  (in Chi nese).   Evaluation Warning : The document was created with Spire.PDF for Python.