YAPAY SİNİR AĞLARI İLE

KARAKTER TABANLI PLAKA TANIMA

Cemil ÖZ1, Raşit KÖKER2, Serap ÇAKAR1

1
Sakarya Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü, Esentepe, Sakarya
2
Sakarya Üniversitesi Teknik Eğitim Fakültesi Elektronik ve Bilgisayar Eğitimi Bölümü, Esentepe, Sakarya

Özet Yapay sinir ağları, son zamanlarda bilgisayar

görüşünde çok kullanılan yöntemlerden birisidir[6]
Bu çalışmada kamera ile alınmış araba plakalarının
yapay sinir ağı ile değerlendirilip tanınması
Yapay sinir ağı yaklaşımında ana fikir insan beynin
sağlanmıştır. Plakaların tanınması genellikle çoğu
in işleyişinden faydalanarak bir olayı
güvenlik ve kontrol sistemlerinde önemlidir. Bu
öğrenebilmektir. YSA’larda verilen girişler ve
makalede yapay sinir ağları (YSA) açıklanmıştır ve
istenen çıkışlarla bir problemin çözümü öğretilir.
tanıma için kullanılan görüntü işleme algoritmaları
YSA öğretildikten sonra farklı girişlere doğru
sonuçlarıyla birlikte verilmiştir. Fotoğrafı çekilen
cevaplar verebilecek bir yapıya kavuşur.
bir plaka bir takım görüntü işleme teknikleri
sonucunda siyah beyaz görüntü haline
Bu makalenin amacı gerçek zamanlı uygulamalarda
getirilmektedir. Belirlenen bir eşik seviyesinden
yapay sinir ağları kullanılarak plakanın
küçük olanlar siyah 0 büyük olan noktalar ise
tanınmasıdır. Bu çalışmada kullanılan YSA’ modeli
beyaz noktalar 1 olarak alınmıştır. Bu çalışmada ağ
kısaca tanıtılmıştır.
modeli olarak çok katmanlı ağ, öğrenme kuralı
olarak genişletilmiş delta kuralı ve öğrenme
stratejisi olarak da eğiticili öğrenme kullanılmıştır. İleri Besleme Ağı
Model YSA girişi 209 olarak seçilmiştir. 209 bir Çok katmanlı bir ileri besleme ağı Şekil 1’de
karakterin 0 ve 1’lerden oluşan karakterleridir. verilmiştir. Burada, katmanlar girişten ileriye doğru
Plaka üzerinde olabilecek harflerin ve rakamların L=0 (giriş katmanı), L=1 (Gizli katman), L=2 (çıkış
tamamı ise 36 olarak belirlenmiştir. Plakadaki Katmanı) olarak numaralandırılmıştır. Ağırlıklar ise
harfler ayrı ayrı dosyalanarak tek tek ağa giriş katmanı ile gizli katman arasındaki ağırlıklar
verilmektedir. Böylece tanınan karakterler yan yana W1,ji, gizli katman ile çıkış katmanı arasındaki
dizilerek plaka tanınmış olacaktır. ağırlıklar W2,tj olarak gösterilmiştir. i=1,2,... n giriş
Anahtar Kelimeler: YSA, Araç plakası tanıma, nöronları, j=1,2,...,m gizli katman nöronları,
Görüntü işleme. t=1,2,...,k çıkış katmanı nöronlarıdır. Örnek olarak
y1,2 gizli katmanın 2. nöronun çıkışıdır. Bir basit

Giriş nöronun tanımından yararlanarak her bir katman

sonundaki çıkışlar şu şekilde yazılabilir.
Kamera ile alınan bir plakanın yapay sinir ağları ile
tanınması birçok güvenlik ve trafik sistemleri için
önemlidir[1,2,3,4]. Elde edilen görüntüdeki aracın
plaka numarasının tanınması görüntü işleme
tekniklerinin uygun kullanımını gerektirir[4,5].
 w1,11 y1,1 minimumlaştırılması amacı ile ağ ağırlık
I1 w2,11 y2,1
w1,12
parametrelerini yenileme işlemine geriye yayılım
w2,121
olarak tanımlanır.
w2,1m
w1,1n

w1,21 w2,21 Hata

w1,22 y1,2
w2,22
I2 y2,2
.
. w1,2n w2,2m . ε t = y 2H,t − y 2A,t (3)
. .
. .
. .
.
. Çıkış ile gizli katman arasındaki ağırlıkların
. w1,m1
w2,k1 .
. yenilenmesi;
w1,m2
w2,k2 y2,k
In
w1,mn y1,m w2,km
δ t = f ′( y NET 2,t )ε t (4)
Şekil 1. Çok Katmanlı İleri Beslemeli Ağ Yapısı

Gizli katman: ∆w2n, jt = ηδ t y1,t + α∆w2n,−jt1 (5)

w2n, jt = w2n,−jt1 + ∆w2n, jt

n
y NET 1, j = ∑ w1, ji I i (6)
i =1 (1)
[
y1, j = fj y NET 1, j ] j = 1,2,..., m
formülleri ile gerçekleştirilir. Burada, n iterasyon
sayısı, η öğrenme katsayısı, α momentum
Çıkış katmanı: katsayısıdır.
Gizli katman ile giriş katmanı arasındaki
m ağırlıkların yenilenmesi ise
y NET 2,t = ∑ w2,tj y1, j
i =1 (2)
[
y2, k = ft y NET 2,t ] t = 1,2,..., k k
δ j = y 2′ , j ∑ δ t w2, jt (7)
t =1

Burada YNET’ler aktivasyon fonksiyonudur [7].

∆w1n,ij = ηδ j y 0,i + α∆w1n,ij−1 (8)
Geri Yayılım Algoritması

Bir model ağı eğitmekteki amaç, bir giriş setine
karşılık olarak özel bir fonksiyonel karekteristiği
elde edebilmek için çıkışlar oluşturmak üzere
ağırlıkları ayarlamaktır. Eğitmenin tam olabilmesi
için her bir giriş vektörüne karşılık istenen çıkış
vektörünü gösteren bir hedef
olmalıdır. Bu giriş ve hedef çıkışı vektörleri bir
eğitim çifti oluşturur. Eğitilmiş bir ağdaki hedef
çıktı ile ağ çıktısı eşit olmalıdır. Eşitlik olmadığı
durumda, aralarındaki fark hatadır. Bu hatanın
w1n,ij = w1n,ij−1 + ∆w1n,ij (9)
formülleri ile gerçekleştirilir.
Bu basamaklar ağdaki toplam hatanın istenen belli
çıkış vektörü bir sınır değerinin altına düşünceye kadar tekrar
edilir. Bu hata limiti elde edildiğinde ise “ağ
yapılacak işi öğrendi” denilir. Toplam hata
Denklem 12 ile hesaplanır. Ağ bir kere öğretildiği
zaman elde edilen ağırlık değerleri saptanır ve bu
ağırlık değerleri ağın ihtiyacı durumunda tekrar Fotoğrafı çekilen bir plaka bir takım görüntü
kullanılır. Ağ daha sonraki uygulamalarda işleme teknikleri sonucunda siyah beyaz görüntü
öğrenilen bu ağırlıkları kullanacaktır (Richard, haline getirilmektedir. (Şekil 2)
1987; Abulafya, 1995).

1 k 2
E= ∑ε t
2 t =1
(10)

Bu çalışmada ağ modeli olarak çok katmanlı ağ,

öğrenme kuralı olarak genişletilmiş delta kuralı ve
Şekil 2. Plakası tanınacak arabanın siyah beyaz
öğrenme stratejisi olarak da eğiticili öğrenme
görüntüsü
kullanılmıştır.

Genişletilmiş delta kuralına göre öğrenme aşağıdaki Belirlenen bir eşik seviyesinden küçük olanlar,

aşamalarda gerçekleşir. siyah, 0 büyük olan noktalar ise beyaz, 1 olarak

1- Ağın yapısı belirlenir alınmıştır. Burada plaka üzerindeki rakamlar 11

• Giriş (nöron) sayısı sütün, 19 satır ile karakterize edilmiştir. Böylece bir

• Çıkış (nöron) sayısı harf 209 parçaya bölünmektedir. Şekil 1’de plaka
üzerindeki bir karakter matrisi verilmiştir.
• Gizli katman sayısı ve gizli katmandaki
nöron sayıları 11111111111
2- Ağ’ın başlangıç parametreleri belirlenir. 10011111001
10011111001
• Başlangıç ağırlıkları 10011110011
10011100011
• Öğrenme katsayısı 10011000111
10010001111
• Momentum katsayısı 10000011111
10000111111
3- Giriş ve çıkış verileri ağın değerlendirebileceği 10000011111
10010001111
şekilde düzenlenir (normalize edilir). 10011000111
10011100011
4- İleri beslemeli ağ yapısına göre ağ çıktıları 10011110011
10011111001
hesaplanır. 10011111001
11111111111
5- Ağ çıktısı ile gerçek çıktı arasındaki hata 11111111111
11111111111
bulunur.
6- Hata minimum ise ağ problemi öğrendi. Şekil 3. Bir plakadaki harf
Öğrenmeyi durdur.
Plaka üzerinde olabilecek rakamların tamamı bu
7- Hata minimum değilse; geriye yayılım ağ
şekilde elde edilmiştir. Bu rakamların ve harflerin
yapısına göre hatayı minimize edecek şekilde
tamamı 36 olarak belirlenmiştir.
ağırlıklar hesaplanır.
8- Adım 3’e gidilerek işleme devam edilir. Modelleme

Plaka İşlemleri Plaka üzerinde karşılaşabileceğimiz karakterlere ait

matrisler elde edildikten sonra bu YSA ile
tanınabilmeleri için tekbir bir karakter tanıyabilen
bir YSA modeli oluşturmak üzere işlemler dizayn
edilmiştir. Her bir harf YSA eğitimi için 209 giriş karakterlerin karşılığı olan rakam çıktısı için 1,
teşkil edecek şekilde bir satır matrisi çıkışlar ise 36 diğer rakam çıktıları için 0 olan Tablo deki kodlama
olarak belirlenmiştir. Bu sayı bizim plaka üzerinde gerçekleştirilmiştir. Elde edilen girdi ve çıktı
olabilecek karakter sayısı kadardır. Çıkışta her bir dosyaları Model YSA eğitiminde kullanılarak ağ
karakter için bir sütün belirlenmiş girişteki eğitimi gerçekleştirilmiştir.Gerçekleştirilen sisteme
karaktere göre çıkışta o karaktere ait sütün 1 ilişkin blok diyagramı Şekil 4’de verilmiştir.
diğerleri sıfır olacak şekilde bir kodlama
gerçekleştirilmiştir. Tablo 1’de giriş dosyası, Tablo Karakter matrisi
(209 elemanlı) Karakter
2’de ise çıkış dosyası verilmiştir. tanıma
sistemi Hata
Karakter matrisi
Tablo 1. YSA Eğitimi için giriş dosyası bilgileri (209 elemanlı) Model
YSA
tablosu.

Harf için Giriş dosyasına yazılacak kodlama

Şekil 4. Model YSA. Ağ eğitimi
Harf H(1,1),H(1,2),.........,H(19,1),H(19,2),...,H(19,11)

A 1
Böylece elimizde girişine verdiğimiz bir karakteri
B 1
. . başarı ile tanıyan bir model YSA elde edilmiştir.
. . Ancak bir plakada çok sayıda karakter
. . bulunmaktadır. Böyle olunca plakadaki harfler ayrı
9 1
ayrı dosyalanarak tek tek ağa verilmekte böylece
tanınan karakterler şekil de de görüleceği üzere yan
Tablo 2. YSA eğitimi için çıkış dosyası bilgileri.
yana dizilerek plaka tanınmış olacaktır.

Harf A B C D E F G H . . 9 Plaka üzerindeki karakterleri tanımak amacı ile

1 0 0 0 0 0 0 0 . . 0
eğitilen model YSA Şekil 3’de verilen ileri
0 1 0 0 0 0 0 0 0
beslemeli ağ olarak yeniden düzenlenmiştir. Plaka
0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 tanıma prosesinde bu model kullanılmıştır. Model
0 0 0 0 1 0 0 0 0 209 giriş, 36 çıkış ve 120 gizli nörondan
0 0 0 0 0 1 0 0 0 oluşmaktadır.
0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 1 0
. 0
. 0
0 0 0 0 0 0 0 0 0 0 1

Yapılan bu çalışmada Model YSA girişi 209 olarak

seçilmiştir. 209 bir karakterin 0 ve 1 lerden oluşan
karakterleridir. Giriş dosyasına plaka dan elde Giriş Çıkış
Katmanı Gizli Katman Katmanı
edilmiş 36 harfin düzgün ve bozuk kodlamaları 209
elemanlı bir satır vektörü olarak alt alta sıra ile
Şekil 5. Eğitim tanımlandıktan sonra kullanılan ileri
girilmiştir. Çıkış dosyasında ise giriş dosyasındaki
beslemeli ağ.
 34 JM 484 Bu çalışma gerçek zamanlı olarak
gerçekleştirilebilir ve güvenlik sistemleri, araç
kontrol vb. prosesler için ana veya yardımcı yöntem

209 İleri Beslemeli 36 olarak kullanılabilir. Sistem maliyet açısından

Model çıkış
kolayca uygulanabilir durumdadır.
Kaynakça
1- A.A. Mohamed, “Evaluating the
Şekil 6. Plakanın karakter bazlı tanınması.
Improvements in Traffic Operations at a
Real-life Toll Plaza with Electronic Toll
Şekil 6’da ise plaka tanıma sisteminin blok şeması
Collection”, Master’s thesis, Universty of
verilmiştir. Kamera görüntülerinden çeşitli görüntü
central Florida, Orlando,1995, Florida.
işleme teknikleri sonucu elde edilen plaka karakter
2- M.L.Zarrilla, A.E. Raduvan, H.M. Al-
karakter bölümlenir ve bu karakterler sırası ile
deek, “Modelling Traffic Operations at
model ileri beslemeli YSA’ya uygulanır ve elde
Electronic Toll Collecting and Traffic
edilen karakterler dizilir. Bu işlem plaka resmindeki
Management Systems”, Computers Ind.
karakterler bitene kadar devam ettirilir. Bu işlemin
Engng. Vol 33, pp. 857-860,1997,
sonunda araç plakası tanınmış olmaktadır.
Progman.
Geliştirilen programa ait bir görüntü Şekil 7’de
3- P.Grattoni, g. Pottiti, M.L. Rostello,
verilmiştir.
“Experimental set-up for the
characterination of automated number-pate
recognizers”, Measurement, vol 26, pp.
103-124, 1999, Elsevier.
4- M.S.Aksoy, G. Çağıl, A.K. Türker,
“Number-plate recognition using inductive
learning”, Robotics and Autonormous
Systems, vol 33, pp.149-153., 2000,
Elsevier.
5- C.Öz, R.Köker,“Vehicle Licence Plate
Recognition Using Artificial neural

Şekil 7. Plaka tanımaya yönelik geliştirilen Networks”, ELECO’2001, Bursa,Turkey

programın arayüzü. 6- R.Köker , C.Öz, T. Çakar, “Object

Recognition Based on Moment Invariants
Using Neural Network”,IMS,2001,
Sonuçlar ve Öneriler
Sakarya, Turkey
Yapılan bu çalışmada Şekil 7’de verilen sistem
7- Narendra, K.S. “Adaptive Control Using
yardımı ile kamera ile alınan bir aracın plakası
Neural Networks” in Miller, W.T., Sutton,
doğru bir şekilde tanımlanabilmiştir. Sistem gerçek
R.S., and Werbos,P.J.(Eds.), “Neural
zamanlı olarak dizayn edilmekle birlikte gerçek
Networks for Control”, 3 rd printing 1992
zamanlı olarak denenmiştir. Normal denemelerde
MIT, 1990.
%100’e varan başarılar göstermiştir.