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
e-mail: mustafaoral@yahoo.com
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 1983-
1985 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,
453
Umut Çelik2
email:ucelik@mku.edu.tr
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 ön-
işlem algoritmasõ; Histogram Eşitleme (Histogram Equalisation)
ile görüntüler iyileştirilir, Eşikleme (Thresholding) ile ikilik
 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).
Plaka Bölgesi
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)
(b)

İkilik Resme Çevir (c)

Hist. Eşitleme/ Eşikleme
Önişlem
Görüntü

(d)
Smearing Karakterlerin Boyunu Bul Şekil 2. a) Araç görüntüsünden koparõlan plaka bölgesi
b) Plaka bölgesi görüntüsünün ikilik resme çevrilmesi c) Plaka
üzerindeki yabancõ objelerin temizlenmesi d) Plaka karakteri
Gürültü Temizleme Yabancõ Objeleri Yok Et harici bölgelerin temizlenmesi

IV. KARAKTER AYRIŞTIRMA

Ayrõştõrma
Karakter

Genişlik Bulma Karakter Genişliği Bul

Görüntü ön-işlem ile elde edilen ve karakterlerin dõşõnda
istenmeyen objelerin de bulunduğu ikilik görüntü üzerinde
Rakam-Harf Ayõrma Rakam ve Harfleri Ayõrt Et gürültülerin yok edilmesi, karakterlerinin genişliğinin
bulunmasõ, karakterlerin ayrõştõrõlarak YSA ünitesine
gönderilmesi Karakter Ayrõştõrma modülünde gerçekleştirilir.
YSA ile Test Karakterleri Test Et
Gürültüleri yok edebilmek için, plaka bölgesinin başõndan
Karakter
Tanõma

itibaren karakter boyunda dikey bir çizgi alõnarak kademeli

Harf ve Rakamlarõ Sõraya Diz
Plaka Oluşturma
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
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).
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 9 107 K 62 Y 32

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).
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
Çizelge 2. Plaka karakterlerinin tanõnma oranlarõ
V. KARAKTER TANIMA Karakter Sayõsõ Oran (%)
Karakteri Doğru Tanõdõ 1385 96.7
Sivil plakalarda, Türk alfabesine özgün karakterler hariç A’dan Önerilen İlk Üçte
14 0.97
Z’ye 22 karakter ve 0’dan 9’a 10 rakam toplam 32 farklõ Doğru Tanõdõ
karakter kullanõlmaktadõr. Kimi harf ve rakam ikililerinin, 8-B, Karakteri Yanlõş Tanõdõ 32 2.2
0-D, 1-I vb, birbirlerine olan benzerlikleri sõnõflandõrma Plakada fazladan
4 0.2
hatalarõna yol açmaktadõr. Karakter tanõma işlemi için bir yerine Karakter Buldu
iki YSA kullanõlmasõ, rakamlar için ayrõ, karakterler için ayrõ, Plakada Eksik
1 0.06
benzeşmeden kaynaklõ hatalarõ azaltacaktõr. Karakter gruplarõ Karakter Buldu
arasõndaki büyük boşluklardan yararlanõlarak harf ve rakam Toplam 1434 100
karakterlerini ayõrt etmek mümkün olduğuna göre, her karakteri
ilgili YSA’na besleyerek karakter tanõma işlemi Karakter tanõma başarõsõ ise Çizelge 2.’de görüleceği üzere
gerçekleştirilebilir. %96.7 olarak belirlenmiştir. Bununla birlikte YSA çõkõşõnda
ilgili karakterin tanõnma hassasiyeti önceden belirlenmiş bir eşik
Sistem tasarõmõnda karakter tanõma işlemi için, rakam ve harf değerinin altõnda ise bu durumda sistem en ağõrlõklõ üç karakteri
tanõmak için eğitilmiş geriye yayõlõm algoritmasõ kullanan iki test edilen karakter için önermekte bu durumda da %0.97’lik bir
farklõ YSA kullanõlmõştõr. Her iki YSA’da giriş vektörü olarak performans artõşõ sağlanmaktadõr.
15X32 ebatlarõndaki ikilik seviye karakter görüntüleri kabul
etmektedir. Dolayõsõyla kullanõlan YSA’lar 480 adet giriş Çizelge 3. Karakter Tanõma Ünitesinde oluşturulan plakalarõn
nöronuna, gizli katmanda 100 adet nöron ve rakam tanõma için doğruluk oranlarõ.
10, harf tanõma için 22 çõkõş nöronuna sahiptir. Yapay sinir Plaka Görüntü Sayõsõ Oran (%)
ağlarõnõn eğitiminde kullanõlan karakterler gerçek plaka Tanõndõ 164 80.7
görüntülerinden görüntü ön-işlem ve karakter ayrõştõrma Önerilen İlk Üç
modülleri tarafõndan ayrõştõrõlmõştõr. Bu plaka görüntüleri 12 5.9
Karakterlerle Tanõndõ
yalnõzca eğitim amacõyla kullanõlmõş performans testlerine dahil Tanõnmadõ 27 13.3
edilmemiştir.
Toplam 203 100
Çizelge 1. YSA eğitiminde kullanõlan karakterler
Karakter tanõma ünitesi her plakadaki karakterleri sõrasõyla test
Karakter Adet Karakter Adet Karakter Adet
eder. Plakadaki karakterlerin tamamõ tanõndõktan sonra plakayõ
0 177 A 82 M 31 oluşturur. Önerilen plakanõn tüm karakterleri de doğru ise plaka
1 142 B 110 N 64 doğru olarak tanõnmõş sayõlmaktadõr. Plaka tanõma ünitesine
gelen 203 araç görüntüsünden tüm karakterleri doğru olarak
2 109 C 47 O 95
bulunan, önerilen ilk üç seçenekle beraber tüm karakterleri
3 253 D 130 P 45 doğru bulunan ve bir veya daha fazla karakteri yanlõş bulunarak
4 139 E 133 R 55 tanõnmamõş sayõlan plaka sayõlarõ Çizelge 3.’de verilmiştir. Buna
göre ünitenin plaka tanõma başarõsõ %86.6 olarak hesaplanmõştõr.
5 101 F 88 S 92
Ayrõca ünitede oluşturulan plakalardaki karakterlerin yanlõş
6 139 G 42 T 89 sayõlarõna göre dağõlõmõ Çizelge 4.’de gösterilmektedir.
7 132 H 88 U 81
Karakter tanõmada yaşanan en önemli sorun plaka karakterleri
8 97 J 29 V 28
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 9. K. S. Yap, Y. H. Tay, M. Khalid, T. Ahmad,. Vehicle
doğan sorunlardan dolayõ plaka üzerindeki karakterlerin License Plate Recognition by Fuzzy Artmap Neural
birleşmesinden kaynaklanmaktadõr. Karakter ayrõştõrma Network, World Engineering Congress 1999 (WEC'99),
modülünde bir karakterin olamayacağõ kadar geniş bölgeler ikiye Universiti Putra Malaysia, 19-22 July, 1999.
bölünüp ayrõ ayrõ test edilmesine rağmen bazõ karakterlerin 10. M. M. M. Fahmy, Computer Vision Application to
özellikleri yok olmakta ve karakter yanlõş olarak Automatic Number-Plate Recognition, In Proceedings of
algõlanmaktadõr. Bu da sistemin performansõnõ olumsuz olarak 26th. International Symposium on Automotive Technology
etkilemektedir. and Automation, pp. 625-633, Aachen, Germany, 1993.
11. G. Auty, P. Corke, P. Dunn, M. Jensen, I. Macintyre, D.
Çizelge 4. Karakter Tanõma Ünitesinde tanõnan plakalarõn yanlõş Mills, H. Nguyen, B. Simons. An Image Aquisition System
karakter sayõsõna göre dağõlõmõ. for Trafic Monitoring Applications, SPIE: Cameras and
Yanlõş Karakter Sayõsõ Plaka Sayõsõ. Systems for Electronic Photography and Scientific Imaging,
pp. 118-133, February 1995.
0 176
12. J. Setchell, Application of Computer Vision to Road-Traffic
1 19
Monitoring, PhD Thesis, University of Bristol, 1997.
2 4 13. U. Çelik, M. Oral, Motorlu Araçlar İçin Plaka Tanõma
3 1 Sistemi, Elektrik Elektronik-Bilgisayar Mühendisliği 10.
4 ve daha fazla 0 Ulusal Kongre ve Fuarõ, 17-21 Eylül 2003, İstanbul

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. R. A. Hauslen, The Promise Of Automatic Vehicle

İdentification. IEEE Transactions on Vehicular Technology
VT-Vol. 26, pp. 30-38, 1977.
2. J. A. L. Dawson and I. Gatling, Electronic Road Pricing İn
Hong Kong. Transportation Research A. Vol. 20, pp.129-
134, 1986.
3. 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.
4. 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.
5. P. Collomosse and M. A. Oliver, Recognition of Vehicle
Licence Plates from Real World Images. Final year project.
University of Bath, 2001.
6. 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.
7. B. Üçüncü, Computer Based Identification of Car License
Plate, Master of Science Thesis in Middle East Technical
University, Ankara, 2000.
8. 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