TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.4, April 201 4, pp. 2724 ~ 2 7 3 4   DOI: http://dx.doi.org/10.11591/telkomni ka.v12i4.4307          2724     Re cei v ed Au gust 14, 20 13 ; Revi sed O c t ober 2 2 , 201 3; Acce pted  No vem ber 1 2 ,  2013   License Plate Recognition Model Research Based on  the Multi-Feature Techn o logy      Li Ju-xia  Coll eg e of Information Sci enc e and En gi neer ing, Sha n x i Agr i cultur al Un iver sit y   T a igu, Shan xi  030 80 1, Chin a   email: li j x sn@ 1 26.com       A b st r a ct   Due to the i m pact of poll u ti on, envir on me nt and so  on  in actua l  scen e , it is difficult for the   traditio nal si ng l e  feature rec o g n itio n mod e l to  obtai n a  hi gh er  accuracy of th e lice n se p l ate  recog n itio n. T he  pap er pr op ose d  a  new  lic ens e pl ate  imag e  recog n itio n  mo del. F i rst, the s t ructural fe atur es a nd  gray  le ve l   features  of the  lice n se  pl ate,  such  as  the  contour  a nd st roke  order   ar e  extracted. T h en, the  pr inci p a l   compo nent a n a lysis is use d  to carry out the fusi on, di me nsio nal ity redu ction an d redu nda ncy re mov a l   process i ng for  the tw o kinds  of features, a n d  a fu zz y  fu si o n  mod e l for d i fferenti a ted fe atures is i n trod u c e d   to ens ure  min i mal  loss f o r t he fe ature  in   fusion. F i nal ly, the fi nal  res u lt of th e l i ce nse  plate  i m a g e   recog n itio n is  a c hiev ed  in  acc o rda n ce w i th  hi gh d egr ee  of c onfid enc e crite r ion w h en th e  slop e i n terfere n ce   of the licens e  plate is co nsi d ered ful l y. Simulati on re su lts show  that the licens e pl ate i m a ge rec o g n iti o n   mo de l bas ed  o n  multi-fe ature  combi nat io n ca n solv e the pr o b le m  of the si n g le fe ature rec ogn ition  mod e l ,   improve  the  ac curacy  of lic en se p l ate r e co g n itio n w h ic h  is   up to  9 9 %. Mo reover, th e  mo del  has  a  faste r   recog n itio n spe ed an d can b e  app lie d to  the actual l i cens e  plate rec o g n itio n.     Ke y w ords : lic ense p l ate rec ogn ition, struct ural featur es, g r ey scale featu r es, princi pal c o mpo nent a nal ysis    Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   With the in crea se in th e  numbe r of  vehi cle s , in telligent traffic control  pl ays an  increa singly i m porta nt rol e  in the d e vel opment  pro c ess of the  transportatio n   indu stry [1]. Car  licen se  plate  re co gnition   is a n  im po rtant ele m ent   in  th e s t ud y o f  in te lligent traffic   c o ntrol,  esp e ci ally in compl e x environm ent [2].  Automatic license plate re cog n ition is  a cl as si c t w o - cla s s pro b le ms,  inclu d ing  licens e  plate image  acqui sition,  the image  automatic l o catio n , lice n se plate s  feature extra c tion   sep a ratio n  a nd licen se pl ate re cog n itio n. The a c curacy an d spe ed of lice n se  plate re co gn ition   rep r e s ent th e entire pe rf orma nce me rits of t he a u tomatic lice n se pl ate re cog n ition sy ste m .  Lice nse plate  recognitio n   model i s  ba si cally ba sed  o n  the structu r al ch ara c te ristics of the  bin a ry  image  with a d vantage s of  high  re cogniti on spee d an d   feature extra c tion,  etc.  wh ose preci s ion   is  high u nde r n o rmal  circu m stan ce s [3]. Actually, the  licen se  plat e photo  sh o o t in a com p le x  environ ment  is differe nt from the a c tua l  licen se  pl ate image s, su ch a s  the li cense plate  was  slud ge shelte red,  licen se plate  ru st ca use d   by  lon g  useful life,  shooting i n  no n-ide a l weath e r  con d ition s  (to rre ntial rain,  clou dy, high tem perature,  and the stro ng su nshine ), and there a r e   even big  differen c e s   bet wee n  licen se  plate ima g e s  shot at ni g h t and  duri n g the d a y [4, 5].  Therefore,   ori g inal  li ce nse plate conve r sion with   tradit i onal bina ry model will  l e ad  to a se rio u s  loss of ima g e  informatio n  and lo w  re co gnition  a c cu racy [6]. Later sc hola r s hav e propo se d the  gray featu r e  of licen se pl a t e image  can  be u s ed to  co mpletely re se rve the initial  informatio n a nd  achi eve the a u tomatic li ce nse pl ate re cognition [7 ]. But the feature dime nsi o n  of the model  get  is too high  and the co m putational co mplexity  is increa sed ex pone ntially which ma ke s  th e   recognitio n  time too long  can not meet  the real -time  intelligent traf fic mana gem ent req u ire m ent.  In addition, th e identify effect is n o t sup e r ior to th e structural cha r a c teri stic s of the bina ry ima ge.  Therefore, h o w  to imp r ove  t he accu ra cy of licen se pl a t e recognitio n  remai n s  an  open  pro b le m- s o lving [8].  To thi s  e n d ,  a licen se  plate i m ag e recognitio n  mo del  ba sed  on  mul t i-feature   combi nation,  whi c h integ r a t es the adva n tage s of  both stru ctural feature a nd grey level feature,  is pro p o s ed i n  this pap er.  First, the structural  features an d gray  level  feature s  of the license  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Lice nse Plate Recognitio n  Model Resea r ch Ba se d on  the Multi-Fea t ure Te chn o lo gy (Li  Ju -xi a )  2725 plate, such   as th e conto u r a nd  stro ke order a r e  extracted.  Th en, the p r in cipal comp on ent  analysi s  is u s ed to carry out the fusi on, dimen s io nality redu ction and  red u ndan ce remo val  pr oc es s i ngs  f o r  the tw o k i nd of featur es , and a fu zzy fus i on model for   differ entiated features  is   introdu ce d to  ensure  mini mal loss fo r the featur e in fus i on. Finally, the s t ruc t ural featur e   recognitio n  m odel  and  gre y  level feature re co gniti on  model  a r e e s tabli s he d re spe c tively u s i ng  the sup port  vector ma chi ne, and the  final resu lt of the license  plate image  recognition  is  achi eved in   accordan ce   with the  high  deg ree  of  confiden ce  criterion. Sim u la tion re sult s  show  that the licen se plate reco gnition a c curacy of t he mo del is up to 9 9 % and re co gnition time is less  than 1.55m s.      2.  License Plate Reco gnitio n  Principles  The li cen s e  plate recognit i on p r inci ple  can  be  d e scribed a s : Fi rst ,  the lice n se   plate is  automatically extracted from an  imag e. Then ima ge feature is  extracted. F i nally, the license   plate is  re cog n ize d  which realizes i n telligent  vehi cle  monitori ng a n d  mana gem e n t. Known fro m   the licen se  p l ate re cog n ition pri n ci ple, licen se  pl ate  cha r a c ter pl ays vital role  in recognitio n   accuracy. Structural ch ara c teri st ics and  the image gray feature of  the traditional  sepa rate ima g e   can o n ly describ e frag me nt informatio n in a lice n se  plate whi c h  can not fully reflect the lice n se   plate catego ry [9]. Multi-feature  com b in ation lic e n se  plate re co gnit i on sy stem is a good  sol u tion   to the defect of traditional identificatio n, mainly  inclu d e  four part s : Structu r al fea t ure extra c tio n ,  the gray -scal e  feature  extraction, P C A dimen s ion a lity redu ctio n treatme nt, sup port ve ctor  machi ne mult i-cla s sificatio n . The pro c e s s is sho w n in  Figure 1         Figure 1. Lice nse Plate Re cog n ition Flo w  Ch art with  Multi-feature Combi nation       Multi-feature  combin ation  licen se plat e re cognitio n  model first  extracts th e binary  stru ctural ch ara c teri stics  and g r ay scale ch aracte ri stics of th e  licen se  plat e, red u ces t he  dimen s ion  of  the extract f eature  to  eliminate  d upli c ate informati on b e twe en f eature s  t h ro u g h   Princi pal Co mpone nt  An alysis (PCA ),  and sele ct s the feature  most h e lpfu l to improve  the  licen se pl ate  recognition  accuracy. Th en lice n se pl ate stru ctural  feature s  cla ssifi cation m odel  and lice n se p l ate gray feature cl assification model  a r e  establi s hed  sep a rately by  Support Vect or  Machi ne (SV M ) with nonl inear a nd int e lligent ca pa bilities. Finall y , the discri m ination re sult  corre s p ondin g   to highe r de gree   of co nfid ence  from  th e  two  mod e ls i s   sele cted  a s   a licen se  plat e   final re co gniti on result. Th e mod e l ta ke s a d vantag e  of high  pe rfo r man c e  an d  simpli city of the   stru ctural feature s , the adv antage  of, at the sam e  time makes u p  the losi ng info rmation d e fects  cau s e d  by t he bi nary  conversion  fo r the  st ru ct u r al cha r a c teristics  by usi ng  of grayscale   cha r a c teri stics, effectively  redu ce s th e f eatur e  dim e n s ion  after PCA pro c e s sing  and  ha s  hig h   pre c isi on, less time-con su ming advanta ges.         Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2724 – 2 734   2726 3.  License Plate Reco gnitio n  Model  w i th Multi-feature Combination   3.1. License  Plate Struc t ural Feature s  Extrac tion    (1) Lic e nse p l ate image binariza tion   The licen se  plate st ru ctural f eature s  in clud e outlin e  feature s  a n d  stro ke fe atures  with  the adva n tag e s  of si mple  extraction  an d excell ent re cog n ition perf o rma n ce whi c h are   no rma lly  extracted  fro m  the bin a ri zation imag e  of the plat e chara c te rs.  F o r  u s ual plate image s,  they are   binari z e d  first  in which the y  are tran sfe rre d to  the grey model wit h  black/white  two colo rs. By  histog ram t r a n sform meth o d , the imag es can  be tr an sferred to bi na rization im age s fast  and  wit h   high qu ality.  The tran sfe r red bina rizatio n  image is  sh own in Fig u re  2.            Figure 2. Binarized Li cen s e Plate Image      (2) O u tline fe ature s  ex tra c tion    The outline f eature of the  binari z ation  im age s ca n well de scrib e  the cha r acte r frame   informatio n whi c h ha s two types-int ernal a nd ex ternal outlin e  features. Th e internal ou tline  feature s  (I NL ) defin e the  amount s of i n ternal  bl a c k pixels, n a me ly amount s o f  pixels fro m   the  first white - bl a ck j o int point  to black-whit e join t point;  the external  outline featu r es (OUL)  defi n e   amount s of p i xels from th e image o u tside to t he first white pixel .  When  com pute the outli ne  feature s  of the binari z e d  image, first th e cha r a c te r i m age is divid ed into nH su b-ima g e s  fro m  row  dire ction. n H    intern al outli ne featu r e s  a nd n H   exte rn al outline  feat ure s   can  be  o b tained f r om l e ft  and  right  sid e s   whi c h a r e  totally 4*n H  o u tline f eatu r e s . The n , the  whol e bin a ri zed ima ge  ca n  be  segm ented  to  nK su b-im ag es from row  dire ction.  Sim ilarly, nK inte rnal  outline f eature s   and  nK  external o u tline features  can be o b tain ed from  u p  a nd do wn di re ction s  whi c h  are 4* nH  outline  feature s . Totally 4*(n H+ n K ) outline fea t ur es of the  whole imag e can be obtai ne d.     3.2. License  Plate Principle Image Fea t ures Ex tra c tion  PCA is  a  ki nd of hi gh  efficient  statistical  analy s i s  meth od fo r featu r e di mensi o n s   redu ction in  whi c h an opti m al  feature subset includi ng small  am ount of unrel ated synthe si ze d   factors i s   used to  re pla c e  the initial  m u ltiple f eatu r e  facto r s. It  ca n p r e s erve  th e initial fe atu r e  informatio n to the maxim u m extend in  orde r to  sim p lify the initial feature set and remove t h e   redu nda nt inf o rmatio n am ong initial  fe ature s  [10,  1 1 ]. For th e d a ta set with  N  sampl e s,  and  feature s  of  x (i =1, 2, …., N), the princi pal  comp one nt selectio n pro c edure is a s  follows.   First, the mea n  value m of each feature  i n  the data set  is obtaine d [12-1 4 ].     1 1 N i i mx N                                                                                             (1)    After the mea n  of each feat ure sampl e  is obt ained, the  covaria n ce matrix of the data set  is gen erate d .      1 1 () N T i i R xm N                                                                                   (2)    Then, the  Ja cobi metho d  is use d  to solv e P feature v a lue s   1 > 2 >… > p (after so rting   pro c e s s)  whi c h a r e l a rger than 0 fo r t he featu r e fu nction  || 0 RI . The  co rre sp ondi ng   feature vecto r s for ea ch fea t ure value j  are  as follows.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Lice nse Plate Recognitio n  Model Resea r ch Ba se d on  the Multi-Fea t ure Te chn o lo gy (Li  Ju -xi a )  2727 () () () () 12 ( , , ..., , ) , ( 1 , 2 , . .., ) jj j j p CC C C j p                                                        (3)    Each featu r e  vectors satisf y the followin g  con d ition s .    () ( ) () ( ) 1 1( ) 0( ) qq p jk jk q j k CC CC j k                                                              ( 4 )     The initial  fe ature s  a r e  m appe d to p  p r inci ple  com p onent s Z1,  Z 2 , …, Zp. If the ratio   11 () / ( ) p m j j jj a   of the cova ri ance su m of the previo us   m prin ciple  compon ents i s  large r ,  namely the  p r eviou s  m  pri n cipl e comp o nents are  p r e s erve d p r in ci ple comp one nts, are  sele cted   for further analys is . If  a  l a rge r  th an  0 . 85, ba sically the p r eviou s  m  pri n ci pl e compo nent s   pre s e r ve initi a l feature  info rmation. T h u s , 0.85  can  b e  used a s  th resh old to d e termin e the va lue   of m.    3.3. Featur e Dimensional i t y  Reductio n   Due to that must be o b tain ed first in the  identification  pro c e ss, an d that  is a three- d i me ns io na l ve c t o r  wh ich is comprised of  ,, x yz  . There f ore, in orde r to simplify the   cal c ulatio n, the dim e n s ion a lity redu ctio n ope ratio n  i s  in  nee d for  multidimen sio nal vecto r s. The   dimen s ion a lity redu ction  method b a se d on p r in cip a l com pon en t analysis i s  adopted i n   this   pape r, so a s  to redu ce the  dimen s ion of  the feature  sp ace.   The pri n ci pal  comp onent  analysi s  met hod is a lin e a r dime nsi o n a lity redu ction method,  whi c h  ca n o b tain the  mi nimum m ean  sq uare e r ro r. The  metho d  proje c t the  origi nal fe ature   vector into  smaller  sub - sp ace, so as to  redu ce  the di mensi on of the origin al feature vecto r .   Assu ming tha t  the n-dimen s ion a l ran d o m  vector can  be expre s sed  as  1 ( , ...... ) T n x xx ,   x Ex , the correl ation matrix  be  [] T x R Ex x , and the cova rian ce matrix can be   r e pr es e n t ed  b y   [( )( ) ] T x CE x x x x   . The d i mensi onality  red u ctio n  pro c e s s can  be   rep r e s ente d   the pro c e ss that tran sformin g   x  into  1 ( , ...... ) T n yy y  by the  orthog onal  trans form. It is  c a lc ulated as  follows :     1 2 12 ( , , .... ) . . T T TT n T n u u yU x u u u x x u                                                                       (5)    Her e ,  T ii yu x ,  1 , 2.... in .  x  can be exp r e s sed u s ing th e followin g  formula:     1 2 11 12 1 ( ) ( ) ( , , . . ... ) . . n TT T yy n i i i n y y x Uy U y U x U y U u u u y u y                             (6)  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2724 – 2 734   2728 I f  just  a  sub s et 1 { , .... } n yy of vector  y  is   res e rved for the es timate of  x , an d the  remai n ing  co mpone nts a r e  repla c ed u s i ng  i b , the formula for the est i mate is as fol l ows:    11 mn ii ii ii m x yu b u                                                                                   (7)    The erro r is:     2 ( ) [( ) ( )] T mE x x x x     2 1 [( ) ] n ii im E yb                                                (8)    By a kn owl e dge  of differe ntial calculus,  it  is  obtain e d  that the  error i s  mi nimu m wh en  [] [ ] TT ii i i bE y u E x u x  . Then:    22 11 () [ ( ) ] nn T ii i x i im i m mE y b u C u                                                          (9)    In orde r to make the valu e of  2 () m  be mini mum, the differential  cal c u l us meth od is  use d  and by:     0 i J u     Her e ,  1 [( 1 ) ] n TT ix i i i i im Ju C u u u   .  It can be de rived that:    , 1 , .... xi i i Cu u i m n                                                                          (10)    Whe r ein, rep r esents the  eigenvalu e s  of the covari ance matrix of  x ,  i u denote s  the  corre s p ondin g  eigenve c tor.  Then,     2 1 2 1 2.... () [( ) ] [( )( ) ] n i im ii i TT yi i X n m Ey y C E yy yy U C U                                                   (11)    Thus,  by th e p r in cipal   comp one nt  analysi s  dim ensi onality  redu ction met hod,  the  eigenvalu e  compon ent ca n  be   p r e s erv ed com p lete l y , not only  si mplifying co mputation,  bu t also  save a lot of origin al information as m u ch a s  po ssi bl e.      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Lice nse Plate Recognitio n  Model Resea r ch Ba se d on  the Multi-Fea t ure Te chn o lo gy (Li  Ju -xi a )  2729 3.4. Crea te L i cense Plate  Reco gnition   Multi-re co gnit i on data fu sio n  and d e ci sio n  al go rithm is used i n  so n a r si gnal p r o c e ssi ng  to detect the  subm ari ne ta rget a s  e a rly  as t he  197 0s. After years  of developm e n t, a variety of  intelligent dat a fusion  stru cture s , such  as fu zzy  logi c theo ry, ne ural n e two r ks, DS infere nce  algorith m  and  so forth, hav e been  cre a te d.  The dat a fusi on an d de ci sion alg o rithm  prop osed in  this pa pe r is based o n  th e fuzzy  logic the o ry, and the sy ste m  block diag ram is a s  follows:           Figure 3. Multi-se nsor Imag e Fuzzy Fusi on and  De cisi on Sche matic      The fu zzy l o gic  and  de cision meth od i s  a dopte d  to  integrate  the  passive im ag ing a n d   the ca pture d  l i cen s e  plate  data, so  as to  determi ne  the s a fety of the s u rfac e of the licen se pl ate.  Based o n  fuzzy logic, the data fusion te chn o logy  ca n  effectively reflect the expert opinion in the  desi gn  of me mbershi p  fun c tion. T he  al gorithm  is  ea sy to im plem ent an d  simil a r to  the  hu man   way of  thin ki ng. Th e u n certaintie s i n  t he d a ta i s   p r ocesse d  by  pre - setting th e mem b e r ship   func tion of fuz z y  sets .   The fu zzy fu sion  and  de cision  pro c e ss of the mu lti-feature d a ta  is divide d int o  three   step s: First, the fuzzy pro c essing of the  data is  carrie d out in acco rdan ce with p r e-defin ed fuzzy  set and its  membe r ship  function. The n , the obt ained topog rap h i cal feature data is used  to   achi eve the reasonin g  re sults of  the terrain  se curity  throug h the u s e of fuzzy p r opo sition s  se t  descri bed by  the langu age.  The fuzzy inferen c e rule s used in thi s  pape r are sh own in Ta ble  1.  Finally, the  n u meri cal  a s sessed  value   of the li cen s e  plate i dentifi ability is  obta i ned th rou g h   the   defuzz i fication s t eps  (The s e t of s a fety ass e s s m ent values  is   [0 , 1 ] ).       Table 1. The  Fuzzy Inferen c e Rule s   T e x t ur e  Slope of the license plate  Ver y  steep   Steep  Flat  Ver y  flat   Ver y  rough   Poor   Poor   Lo w  Lo w  Rough  Poor   Lo w  Lo w  Lo w  Smooth Lo w  Lo w  Medium  High  Ver y  smooth   Lo w  Lo w  High  High      As  sho w n  in  Table  1, the  fuzzy set to  re pre s ent  the  p a ssive im age  ro ugh ness is define d   to contain fo ur elem ents,  that is, {very roug h,  rou gh,  smooth, very smooth}. A nd fuzzy set  to   rep r e s ent th e  slo pe  data  of the li cen s e plate   obtai ned from th e  imagin g  e q u ipment i s   al so   defined to  co ntain fou r  ele m ents, n a me ly {very st ee p, steep, flat,  very flat}. The fuzzy  set  to  rep r e s ent the  security data con s ist s  of four  element s, namely {p oor, low, me dium, high}.  The  trape zoid al membe r ship  function (Fig ure 4 )   determined em piri cally ca n be  set in acco rd ance  with the expe rt opinion s. In addi tion, the membershi p  function is  set reasona bly, so so to meet  the re co gniti on requi rem e nts of th e a r ea, where th e security is  "low". Thu s ,  the a s sessm e n t   results  of the lice n se pl ate re co gniti on can b e   use d  to p r o v ide su ppo rt  for the  rele vant  depa rtment s.    .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2724 – 2 734   2730     Figure 4. Rou ghne ss Mem bership F u n c tion Base d on  the Image Da ta      The gen erate d  fuzzy logi c  discrimi nant surface  in accorda n ce with  the inferen c e  rule s in  Table 1 is  sh own in Fig u re  5:          Figure 5. The  Fuzzy Logic  Discri mi natio n Surface of the Secu rity      3.5. License  Plate Re cog n ition  Acco rdi ng to  the PCA  di mensi onality  redu ct ion  me thod a bove,  the colle cted  feature   vector sp ace of  the  license   plate can be pro c e s s ed  wit h  dime nsio na lity redu ction  operation. Th e   Erro r v e cto r     is a multi-dim ensi onal ve ctor, and i s  bro k en d o wn int o  two sepa ra te sub - spa c e  by PCA dime nsio nality red u ction m e tho d : the feature  sub s p a ce  an d the non -fea ture sub s pa ce.  They  a r e expre s sed by  R  and   R  respe c tively. The  simila rity of the M l o w-lati tude ei gen   vectors in fea t ure su bspa ce   is:    2 2 1 () /2 1 / 2 2 1 1 () ex p ex p ( ) 2 2 ( ) () () (2 ) (2 ) M i i i FF MN M M i i y PP P                                                     (12)    Whe r ein,  () F P  is t he real  edg e  den sity of su bsp a ce  R;  R  is the e dge  e s timated  dens i ty;  i y  is the main comp onent;  2 ()  is the resi dual  ene rgy; The weig ht param eter   ca n   be expre s sed  by the mean value of the c hara c te risti c  values of the  sub - spa c e  R  as  follows :     1 1 N i iM NM                                                                                    (13)  R Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Lice nse Plate Recognitio n  Model Resea r ch Ba se d on  the Multi-Fea t ure Te chn o lo gy (Li  Ju -xi a )  2731 Here, both  () i P   and  () E P  su bject to the t w o-dime nsio nal Ga ussia n   distrib u tion, a nd meet:     1/ 2 1 1/ 2 2 1/ 2 1 1/ 2 2 () (2 ) () (2 ) r D E r D i eE P E eE I P I                                                                          (14)    Whe r ein,  is  the c o varianc e   matrix.  The  step s to  cal c ulate th e  matchin g  si m ilarity of som e  tested t w o - dimen s ion a l l i cen s e   plate featu r e  sampl e   k I  to a  particula r two - dime nsi onal  licen se  plate s  libra ry  sampl e   j I  are  a s   follows : Firs t, us e   to s ubtrac t   j I , take the result a s  vecto r   , and then map it to the formul a  (14 ) . Th en,  calcul ate the   () i P   and  () E P  b a se d  o n  the  eige n v e ctors of the   prima r y  comp one nt o f  the intra-cla ss  and inte r-cla ss  Gau ssi an den sity function. Fin a ll y, calculate t he  degree of matchin g  acco rding to formu l a (12). In  order to simplif y the calculat ion, two albin o   vectors are a dded to ea ch  image of the libra ry:    1/ 2 j II j iI   ,  1/ 2 j II j iI                                                                 (15)    Her e ,   and   are the maxi mum eigenva l ue diago nal  matrix and ei genve c tor m a trix  corre s p ondin g  with the s e  eigenvalu e s  of  I  and  E  resp ectively, and  the dimen s io nality  of the corre s p ondin g  su b-spaces a r e  I M  and  E M  res p ec tively.   Simplify the probability calcul ations menti oned above to the simple  cal c ulation of  eucli dean di st ance:    1/ 2 1 1/ 2 /2 1/ 2 1 1/ 2 /2 () (2 ) () (2 ) T I D T E D eI P I eE P E                                                                          (16)    Based  at the approximate  match in thi s   archit ectu re, t here i s  a mo re simpl e  form , since  only an albi n o  vector  j i  for each image  is sto r ed. After t he compl e tion of the  cal c ulatio n for  albino vecto r   k i  of the test samples, the si milarity of  the degre e  of asso ciation  can  be cal c ulate d   usin g the followin g  formul a:    2 1/ 2 ' 1/ 2 /2 () (2 ) jk I D I ei i SP                                                                  (17)    Based  o n  the  above  an alysis, it  can  be  see n  that  the  sim p le  cal c ul ation b a sed  o n  two - dimen s ion a l licen se plate  simila rity is transfo rme d  into the calcul ation of euro pean ge omet ric  k I Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 4, April 2014:  2724 – 2 734   2732 distan ce, an d the distan ce can be  seen a s  t he degree of asso ciation  of the  multi-feat ure   cha nge s cau s ed by external ch ang es  and the reco gnition. If the sco re i s  abo ve 1/2, then the   degree of a s so ciation  of this  cha nge i s  hig her  and  the re cog n ition re sult di splays the  rig h t  licen se pl ate, otherwise, it  is not the licen se  pl ate. Thus, the p r opo se d sim p lified simila rity  cal c ulatio n method ad ded  with the asso ciati on d egre e  is more sim p le and effe ctive.      4. Simulation  Experiment  4.1. Experiment Data   In orde r to simulate the licen se pl ate image s in co mplicate d  en vironme n t, all of the  licen se  plate  image s i n  the expe rime nt are  taken   in  different climate, su ch   as rai n y,  su nny,  clou dy, wind y and at  nig h t whi c h i n cl ude diffe rent  types of pl ates,  su ch a s  l a rge  freig h t cars,   buses, co mp act ca rs a nd motors. After  the licen se  pl ates are obta i ned, first the  plates are p r e- pro c e s sed. T he cha r a c ters in th e plate s  a r e i s olate d  to re move  the Chi n e s e  cha r a c ters. T hen   each cha r a c ter i s   store d  i n  thre e different form ats-i n itial ch aract e r ima ge, bi n a rized  ch ara c ter  image a nd  g r ey characte r image to  b u ild the  cha r acter data b a s e in th e ex perim ent. The   cha r a c ter lib rary contai ns 10945 cha r acter im age s in which 5 0  characte rs of each type  o f   c h ar ac te r  imag e  a r e   r a nd omly s e le c t ed  a s  te s t  sa mp le .     4.2. Compari s on Models   In orde r to verify the perf o rma n ce of t he lice n se pl ate re cogniti on model  with multi- feature co mb ination,  the e x perime n t  est ablishe s  5  co mpari s o n  mo dels-si ngle  st ructu r al  featu r e  model (mod e l  1), singl e g r ey feature  model (mo d e l  2); initial feature  without  PCA dimen s ion  redu ction  (m odel 3 ) ,  sing le mod e l ba sed  on  stru ctural featu r e s  and  grey feature s  a nd t h e   dimen s ion s  o f  the initial feature s  a r e re duced  by PCA (model  4),  and the p a ral l el model  ba sed   on stru ctu r al feature s  an d g r ey feature s   wit hout initial  feature s  PCA  process (mo del 5).     4.3. Results and An aly s is  The digit s  a nd alph abet s recognitio n  results of th e licen se  pla t e in each m odel a r e  sho w n  in ta bl e 2.  Du ring  the  re cognitio n  trai ni ng  pro c ed ure,  the  d i git “0 ” a nd  al phab et “O”  a r e   rega rd ed a s  “0” and the di g i t “1” and al ph abet “I” a r e re gard ed a s  “1 ”.      Table 2. Lice nse Plate Ima ge Re co gnitio n  Preci s io ns  of each Mo de l   Digits  Alphabets   Precision(%)   Time(ms/piece)   Precision(%)  Time(ms/piece)   Model 1  94.71   1.58  95.64   1.48  Model 2  95.43   0.94  96.35   0.91  Model 3  91.25   1.95  88.68   1.92  Model 4  92.53   1.26  90.19   1.21  Model 5  96.36   2.59  97.71   2.47  Proposed Model   99.37   1.47  99.35   1.32      From the  abo ve results, re cog n ition p r e c isi o n s  of the  prop osed license plate m odel with   multi-feature combi nation are highe st  a m ong all  of the mo dels an d they are ab ove 99%. Th ere   are  follo wing con c lu sio n s.   (1)  Com pare d  the grey feat ure  model  and st ru ctural feat ure m odel, the recognition   pre c isi o n s  of  the structu r al  feature m ode l are  highe r t han tho s e  of grey featu r e  model. Be ca use   the feature  di mensi on i s  m u ch  simpl e r, t he con s um e d  time of the st ructu r al fe atu r e mo del i s  le ss   than that  of g r ey mo del. It’ s o b viou s tha t  the  stru ct ural featu r e s  a r e bette r tha n   grey fe ature s  for  simple  cha r a c t e r s  re co gnit i on.    (2) Ea ch  mod e l is  comp are d  with  the  sa me mo del  after  dimen s io n  redu ction   with PCA.   The re co gniti on preci s ion s  can b e  slig htly incre a se d after PCA  pro c e ss  and  the con s um ed  recognitio n  time ca n be  g r eatly re du ce d. Espe cia lly  for the  single  cha r a c ter i n  the re cog n ition  model with multi-feature combi nation, the  time  co st ca n be  redu ced  by 1m s.  Obviou sly, the   feature dime nsio ns can  be gre a tly redu ced  with  reco gnition  time reduced by ensu r ing   recognitio n  preci s ion s .   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Lice nse Plate Recognitio n  Model Resea r ch Ba se d on  the Multi-Fea t ure Te chn o lo gy (Li  Ju -xi a )  2733 (3) T he sim p le parall e l model utilize s  t he  advanta g e s of grey fe at ure s  and  structu r al  feature s . The  reco gnition p r eci s io ns a r e  obviou s ly  higher than tho s e of single fe ature mod e l, but  the feature d i mensi o n s  are highe st. In all of  the compa r ison m odel s, the co nsum ed time  is   longe st.   (4) The  multi - feature  com b ination  re co gniti on m ode l ca n effe ctively increa se   licen se   plate re co gnit i on preci s ion s  by parallel  modelin g  of stru ctural fea t ures   and g r ey feature s . The  recognitio n  p r eci s io ns for  digits  and  alp habet s a r e  m o re  than  99% . PCA i s  u s e d  to  red u ce t h e   dimen s ion s  a nd the time  con s um ption  is effectively redu ce d in  whi c h ea ch  digit only ne eds  1.47ms a nd  each alph abe t only needs  1.32ms. Th e rec ognitio n  preci s ion s  of all  cha r act e rs a r e  sho w n in figu re 6. Except “D/0”, “H”, “U” and “M ”, the  reco gnition p r eci s io ns of o t her ch aracte rs  can rea c h up  to 100%.           Figure 6. Lice nse Plate Ch ara c ters Recognition  Preci s ion s  with Mu lti-feature  Co mbination       5. Conclu sion   In ord e r to  solve the  pro b l ems i n  the  li cen s e  plate  reco gnition, th is p ape r p r o p o se s  a   licen se pl ate  recognitio n  model  with  multi-f eature com b inati on. This  m odel utilizes the   advantag es  of the stru ctu r al feat ure of  simpli city and high effici e n cy to not o n ly increa se  the   recognitio n  p r eci s io ns  of the syste m , but also   save  recognitio n  time. Meanwhile, the pap er  establi s h e s  parall e l grey feature mo del whi c h  solves the d e fects of ea si ly losing im age   informatio n fo r the  st ruct ural featu r e s .  More over,  PC A is  us ed  to  re d u c e  th e   d i me ns io ns   of th e   grey feature s  and remove  redun dan cy. Therefo r e,  the multi-feat ure combin ation re cog n ition   model can no t only incre a se the re cog n ition pre c i s ion  to large exten d , but also en sure less tim e   con s um ption.        Referen ces   [1]  John W r ig ht, Allen Y ang, Arvi nd Ganes h, Shankar Sastr y , Yi Ma.  Robust F a ce Reco gniti onvi a  Spa r s e   Repr esentati o n .  PAMI. Napa. 200 8: 256- 263.   [2]  D Don oho. Co mpresse d sens ing.  IEEE Trans. on Informati on Theory . 2 0 0 6 ; 52(4): 12 89– 130 6.  [3]  RG Barann iuk.  Compressiv e   sensi ng.  IEEE Signal Process i ng Maga z i ne .  200 7; 24(4): 11 8–1 21.   [4]  Dala l N, T r igg s  B.  Histogr a m s  of ori ented  grad ie nts for  hu ma n d e tecti on Proc ee din g s  of CVPR ’ 0 5 .  IEEE Computer Societ y .  SanDiego. 2010:886 － 99 3.  [5]  Shan Ji ali ng. L i cens e Plate R e cog n itio n S y s t em  Based o n  W i reless Net w ork Reco gniti o n  Algor ithm.   Co mp uter Mea s ure m e n t & Control . 201 1; 19( 1): 124-1 26.   [6]  Mikola jcz y k K, Schmid C. A p e rformanc e ev alu a tion  of loca l descri p tors.  IEEE Transactions on P a ttern  Analys is & Machin e Intelli ge n c e . 2005; 2 7 (1 0): 1615 － 1 630 .  [7]  E Cand` es, J Romb erg, T   Tao Ro bust. un certaint y pr i n ci ples: E x act sig nal rec onstruct i onfrom h i gh l y   incom p lete fre que nc y   inform ation.  IEEE Trans. on Information Theory . 20 06; 52(2): 4 89– 509.   [8]  W e i Gao, Hai z hou Ai, Sh ih ong  Lao.  Ad a p tive Co ntour  F eatures in O r iente d  Granu l a r Space fo r   Hu ma n Detecti on an d Seg m e n tation . CVPR.  San F r ancisco . 2011:2 55-3 6 3 .   [9]  Don g  Yan, Z hu Yongs he ng,  Liu Co ng. Ap plicat i on of Image F u si on T e chn o lo g y   in  Lice nse Plat e   Reco gniti on.  C o mputer Me as ure m e n t & Con t rol . 2013; 2 1 (3 ): 791-79 3.  [10]  Bar y on J, F l e e t D. Bea u ch e m in S.  Perfor mance  of o p ti cal flo w   tech ni ques.  Itern atio nal J our nal  of   Co mp uter Visi on . 199 4; 12(1) : 163-17 8.  0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 012 34 5678 9 A BCDE FG HIJK LMN OP QRST U V WXYZ Evaluation Warning : The document was created with Spire.PDF for Python.