Yapay Sinir Ağları Kullanılarak Araç Plakalarının Tanınması

T.C.
ANAKKALE ONSEKZ MART NVERSTES FEN BLMLER ENSTTS YKSEK LSANS TEZ
YAPAY SNR ALARI KULLANILARAK ARA PLAKALARININ TANINMASI
Kirami KAAN Bilgisayar Mhendislii Anabilim Dal Tezin Sunulduu Tarih: 25.06.2010
Tez Danman: Yrd. Do. Dr. brahim TRKYILMAZ
ANAKKALE
YKSEK LSANS TEZ SINAV SONU FORMU KRAM KAAN tarafndan YRD. DO. DR. BRAHM TRKYILMAZ ynetiminde hazrlanan YAPAY SNR ALARI KULLANILARAK ARA PLAKALARININ TANINMASI balkl tez tarafmzdan okunmu, kapsam ve nitelii asndan bir Yksek Lisans tezi olarak kabul edilmitir.
Yrd. Do. Dr. brahim TRKYILMAZ Danman
Yrd. Do. Dr. smail KADAYIF Jri yesi
Yrd. Do. Dr. brahim BULUT Jri yesi
Sra No: 530 Tez Savunma Tarihi: 25 / 06 / 2010
Prof. Dr. smail TARHAN Mdr Fen Bilimleri Enstits
ii
NTHAL (AIRMA) BEYAN SAYFASI
Bu tezde grsel, iitsel ve yazl biimde sunulan tm bilgi ve sonularn akademik ve etik kurallara uyularak tarafmdan elde edildiini, tez iinde yer alan ancak bu almaya zg olmayan tm sonu ve bilgileri tezde kaynak gstererek belirttiimi beyan ederim.
Kirami KAAN
iii
TEEKKR Sadece tezimin hazrlanmas srecinde deil her zaman her konudaki destek, yardm ve ynlendirmeleri iin en bata deerli hocam Yrd. Do. Dr. brahim TRKYILMAZa sonsuz teekkrlerimi ve maddi manevi her zaman yanmda olan kymetli babam Fatih KAAN annem Birgl KAAN ve kardelerim Emre ve Behiye KAANa ve bana srekli moral ve motivasyonlar ile destek veren tm arkadalarma sonsuz teekkrlerimi sunuyor ve bu almam onlara ithaf ediyorum.
Kirami KAAN
iv
SMGELER VE KISALTMALAR LSTES PRS (Plate Recognation System): Plaka Tanma Sistemi ANN (Artificial Neural Network) : Yapay Sinir Alar
ZET
YAPAY SNR ALARI KULLANILARAK ARA PLAKALARININ TANINMASI

Kirami KAAN anakkale Onsekiz Mart niversitesi Fen Bilimleri Enstits Bilgisayar Mhendislii Anabilim Dal Yksek Lisans Tezi Danman: Yrd. Do. Dr. brahim TRKYILMAZ 25.06.2010, 56 Bu almada, baarm yksek bir plaka tanma sistemi (PTS) tasarm yapld. Bunun iin PTSnin hangi aamalardan olutuu ve bu aamalarda ne gibi ilemlerin gerekletirildii analiz edildi. Bir PTSnin, (i) plaka blgesinin belirlenmesi, (ii) karakter blmleme ve (iii) karakter tanma olmak zere temel aamadan olutuu saptand. zellikle plaka blgesinin belirlenmesi aamasnda, sistemin baarsn artrmak iin orijinal grnt zerinde grnt ileme algoritmalar kullanlarak bir grnt iyeletirme ilemi gerekletirildi. kili seviyedeki grntler zerinde kenar tabanl grnt ileme yntemleri kullanlarak ara grntsnden dikdrtgensel plaka blgesi elde edildi. Elde edilen plaka blgesi meyil dzeltme yaplarak karakter blmleme aamasna hazr hale getirildi. Plaka blgesinde ikili seviyede dikey izdm yntemi kullanlarak karakterler birbirinden ayrtrld. Elde edilen karakterler inceltme ilemine tabi tutularak karakter tanma aamasna hazr hale getirildi. Karakter tanma aamasnda geriye yaylm renme algoritmas kullanan katmanl ileri beslemeli bir yapay sinir a kullanlarak karakterler tanmland. Anahtar szckler: Grnt leme, Karakter Blmleme, Karakter Tanma, Yapay Sinir Alar.
vi
ABSTRACT
LICENSE PLATE RECOGNITION USING ARTIFICIAL NEURAL NETWORKS
Kirami KAAN Canakkale Onsekiz Mart University Graduate School of Science and Engineering Chair for Computer Engineering Thesis of Master of Science Advisor: Assist. Prof. Dr. Ibrahim TRKYILMAZ 25.06.2010, 56
In this study, a highly successful Plate Recognition System (PRS) is designed. For this purpose, what stages PRS consist of and what procedures carried out with PRS are analyzed. A PRS is composed of the following three stages; (i) plate region determination, (ii) character segmentation and (iii) character recognition. Especially in the plate region determination stage, to increase system performence, an image enhancement process is made by using image processing algorithms on original image. Rectengular plate region is obtained by using edge based image processing methods on the binary level images. By the help of slope corrections, plate region obtained in the plate region determination stage is prepared for character segmentation stage. Characters are separated from each other by using vertical projections method on plate region. Segmented characters are made ready to the character recognation stage by thinning process. In the character recognation stage, a three-layer feedforward artificial neural network using backpropagation learning algorithm are constructed and characters are defined by using this artificial neural network. Keywords: mage Processing, Character Segmentation, Character Recognation, Artificial Neural Networks.
vii
ERK
Sayfa
TEZ SINAVI SONU BELGES.......................................................................................... ii NTHAL (AIRMA) BEYAN SAYFASI........................................................................... iii TEEKKR.......................................................................................................................... iv SMGELER VE KISALTMALAR ........................................................................................v ZET .................................................................................................................................... vi ABSTRACT.......................................................................................................................... vi BLM 1 - GR................................................................................................................1 BLM 2 - NCEK ALIMALAR ..............................................................................3 BLM 3 - MATERYAL VE YNTEM ..........................................................................6 3.1. Plaka Tanma Sistemi ............................................................................................... 6 3.2. Plaka Blgesinin Belirlenmesi ................................................................................. 8 3.2.1. Grnt nileme ............................................................................................ 9 3.2.2. Dik Kenarlar Belirleme................................................................................. 11 3.2.3. stenmeyen Dik Kenarlar Yok Etme ........................................................... 14 3.2.4. Dikdrtgensel Plaka Blgesine Odaklanma ................................................. 15 3.2.5. Dikdrtgensel Plaka Blgesinin Kesilip karlmas .................................. 19 3.2.6. Plaka Blgesinde Meyil Dzeltme ................................................................ 20 3.3. Plaka Blgesinde Karakterlere Odaklanma......................................................... 22 3.3.1. Yatay Kenarlar zerinde Yatay zdm lemi ....................................... 22 3.3.2. Dikey Kenarlar zerinde Dikey zdm lemi ........................................ 24 3.4. Karakter Blmleme ............................................................................................. 25 3.5. Karakter nceltme .................................................................................................. 27 3.6. Karakter Tanma ................................................................................................... 30 3.6.1. Yapay Sinir Alar (YSA) .............................................................................. 30 3.6.2. YSAlarn Snflandrlmas .......................................................................... 31 3.6.3. leri Beslemeli YSA ........................................................................................ 32 3.6.4. leri Beslemeli YSAnn Eitilmesi ............................................................... 33 3.6.5. YSAya Gelen Karakterin Tannmas .......................................................... 40 BLM 4 - ARATIRMA BULGULARI VE TARTIMA ..........................................41 4.1. Grnt nilemenin PTS Baarmna Etkisi .................................................... 41 4.2. Dik Kenar Eliminasyonunda Kullanlan Eik Deer Faktr ........................... 43 4.3. Plaka Grntsnn kili Seviyeye ndirgenmesinde Eik Deer Faktr...... 44 4.4. Kirli Plakalar ve Plakalarda stenmeyen Paralar ............................................. 46 4.4. Kamera ve Ara Arasndaki Mesafe ve Bak As ............................................ 48 BLM 5 - SONULAR VE NERLER......................................................................51 KAYNAKLAR ....................................................................................................................54 Tablolar.................................................................................................................................. I ekiller ................................................................................................................................ III zgemi ............................................................................................................................... V
BLM 1- GR
Kirami KAAN
BLM 1
GR Biliim teknolojisinde hzla artan teknolojik gelimeler sayesinde insanolu gnlk hayattaki birok iini artk bilgisayarl sistemlere yaptrmaktadr. Bu yksek teknolojik sistemler, modern hayatn ak iinde gereksinimlerimizi hzla karlamakta ve ilemlerimizi olduka kolaylatrmaktadr. Bu sistemler tarafndan elde edilen birok bilgi modern hayatn pek ok alannda kullanmn hzla artrmaktadr. Modern hayatta ok byk bir yere sahip olan trafikte kullanlan aralar kendilerine tahsis edilmi plaka numaralar ile tannrlar. Bu numaralar ile aralar hakkndaki bilgiler tutulur ve bu bilgiler kullanlarak eitli hukuki ilemler gerekletirilir. Son zamanlara kadar aralarn plakalar insanlar tarafndan okunur, yorumlanr ve eitli iler iin bir bilgi temelini olutururdu. Bir ara zerinde gerekletirilecek herhangi bir ilem iin ara plakasnn okunmasnda, insan faktrnden kaynaklanan hatalar ortadan kaldracak, daha hzl ve tutarl sonular retecek otomatik sistemlerin gelitirilmesine ihtiya duyulmutur. Plaka tanma sistemleri (PTSler) sadece aralarn plakalarn tanmakla kalmaz ayn zamanda her birini dierlerinden ayrt edebilirler. Kpr ve otoyollarda elektronik gei creti toplama ve krmz k ihlalini zorlatrma gibi baz uygulamalar iin PTS plakay kaydeder ve bylece ara sahibi iin uygun bir cret faturas karr. Ticari ara ilemleri ve gvenli gei kontrol gibi dier uygulamalarda ise aracn plakasn veritabannda kaytl plakalarla karlatrarak, bir kamyonun arlk tartma istasyonuna urayp uramayaca veya ticari bir taksinin belli bir park alanna girip giremeyeceine karar verir. zellikle gnmzde PTSlere yukarda bahsedilen durumlar dnda da ihtiya duyulmaktadr. Dolaysyla her amaca ynelik kullanlabilecek daha hzl ve daha doru sonular retebilecek PTSlerin gelitirilmesine devam edilmektedir. Biz de bu almamzda, imdiye kadar gelitirilmi PTSleri avantajlar ve dezavantajlar ynnden analiz ettik ve zellikle gnmzde pek ok alanda kullanlan grnt ileme ve yapay sinir alar gibi popler teknolojileri kullanarak etkin bir PTS gelitirmeye altk.
BLM 1- GR
Kirami KAAN
Bu almann geri kalan ksm u ekilde yaplandrlmtr. 2. Blmde PTS ile ilgili nceki almalar analiz edilerek literatr taramas yaplmtr. 3. Blmde genel olarak bir PTSnin yaps ve ilem aamalar hakknda bilgi sunulmakta, bir PTS de kullanlan materyal ve yntemler aamalaryla birlikte ele alnmakta, bir PTS iin uygulanan admlar teker teker incelenmekte ve yapay sinir alarnn bu sisteme katks uygulamal olarak ortaya konmaktadr. 4. Blmde ise bu alma kapsamnda tasarlanan PTS iin elde edilen aratrma bulgular sebep ve sonularyla ortaya konmakta ve uygulanan yntemlerin sistemin baarsna olan etkisi rnekleriyle gsterilmektedir. Son olarak da bu almadan elde edilen sonu ve deerlendirmeler ortaya konmaktadr.
BLM 2- NCEK ALIMALAR
Kirami KAAN
BLM 2
NCEK ALIMALAR imdiye kadar gelitirilmi PTS uygulamalarnda plaka blgesi belirleme, karakter blmleme ve karakter tanma aamalar iin eitli yntemler gelitirilmi ve uygulanmtr. PTS gelitiricileri, her aamasnda sistemlerinin baarmna uygun bir yntem semilerdir. Dolaysyla her bir aama iin gelitirilmi yntemlerin ayr ayr incelenmesi gerekmektedir. Belli bir aamada kullanlan bir yntem bir PTS iin baarl sonular retirken baka bir PTS uygulamasnda baarsz sonulara neden olabilmektedir. Literatrde plaka blgesi belirlemede kullanlan birok yntem vardr. Bunlar genellikle renk tabanl (color-based), gri seviyeli (gray-level), ikili seviyeli (binary-level) ve renme ve test tabanl (classifiers) olarak adlandrlan drt kategoride
gruplandrlmtr (Anagnostopoulos ve ark., 2008). Bu kategorilerde gelitirilen her yntemin kendine gre avantajlar ve dezavantajlar bulunmaktadr. Baarm oran yksek bir PTS iin en etkili sonucu verecek bir yntem semek gerekmektedir. Plaka blgesi belirlemede kullanlan renk tabanl (color-based) yntemler karakteristik bir zellik olan renk kriteri zerinden ilemler gerekletirmektedirler. nsan algsyla obje tanma iin renk kriteri ok gl bir zelliktir. Fakat bir ara grntsndeki renk deerleri farkl aydnlatma koullar ve grnt elde etme sistemlerinin kalitesine gre bir bilgisayar iin farkl hassasiyetler gsterebilmektedir (Shi ve ark., 2005). Renklerin farkl koullarda farkl durumlar gstermesi bu yntemleri kullanan sistemlerin performansn olumsuz ynde etkileyebilmektedir. Bu sistemler genelde belli renk deerlerine zg alan sistemler olarak karmza kmaktadr (Anagnostopoulos ve ark., 2008). Bu da renk tabanl yntemlerin kullanmn olduka kstlamaktadr. Literatrde bilinen renk tabanl yntemlere; renk model dnmleri ve bulank mantk yntemleri rnek olarak verilebilir. Renk model dnm yntemini kullanan Shi ve arkadalar (2005) yaptklar almada in plaka modellerine ait renk kombinasyonlarn kategorilere ayrtrarak plaka blgesini belirlemeye almlardr, ancak bu yntemin baarl olabilmesi iin kategorilendirme aamasnn dzgn yaplmas gerektiini ifade etmilerdir. Zimic ve arkadalar (1997) yaptklar almada plakadaki
Kirami KAAN
renk deerleri zerinde insan algsn temel alan bulank kurallar belirleyerek bulank mantk yntemiyle plaka blgesini tespit etmeye almlardr. Plaka blgesi belirlemede kullanlan gri seviyeli (gray-level) yntemler ise elde edilen gri seviyeli grnt zerinde ilem yapmaktadr. Gri seviye; renk deerlerinin grinin tonlar arasnda dalmas demektir [siyah(0) {grinin tonlar} beyaz(255)]. Renk tabanl yntemlere gre daha ok tercih edilir ve yaygn bir ekilde kullanlrlar. Baarm oran renk tabanl yntemlerden daha yksektir. Fakat bu metotlar byk boyutlu grntlerde yksek ilem yk ve hesaplama sresinin uzun olmas gibi dezavantajlara sahiptir. Orijinal grntnn minimum znlrlkte olmas baarm orann artrsa da bu znlrlkteki grntlerden anlaml karakterler elde etmek baz durumlarda neredeyse imknszdr (Kahraman ve ark., 2003). Literatrde bu kategoride Vektr nicelendirmesi (Vector quantization), Hough dnm, Gabor dnm ve Wavelet analizi kullanlarak gelitirilmi birok yntem vardr. Zunino ve arkadalar (2000) yaptklar almada plaka blgesinde ak zemin zerinde koyu piksel younluklar olduunu belirtmiler ve uyarlanabilir vektr nicelemesi kullanarak bu blgeleri tespit etmeye almlardr. Duan ve arkadalar (2005) yaptklar almada grntnn kenar bilgisi zerinden Hough dnm uygulayarak plakay evreleyen snrlar bulmaya almlardr. Kahraman ve arkadalar (2003) yaptklar almada Gabor szgeleri ve ikili ayrma aacna dayal vektr niceleme yntemleri kullanarak plaka blgesini tespit etmeye almlardr. Hsieh ve arkadalar (2005) yaptklar almada plaka blgesini tespit etmek iin Wavelet analizini kullanarak grnt zerindeki kontrast zelliklerini belirleyerek plaka blgesini tespit etmeye almlardr. Plaka blgesi belirlemede kullanlan bir dier yntem, renme ve test tabanl snflandrma (test based classifier) yntemleridir. Bu yntemlerde, mevcut dikdrtgensel plaka rnekleri yardmyla sistem eitilmekte ve gelen orijinal grnt test edilerek yeni plaka blgesinin koordinatlarnn belirlenmesine allmaktadr (Dlagnekovin, 2004). Muhtemel plaka blgelerinin boyutlarnn bykl hesaplama zamann artrmakta ve dolaysyla bu sistemler olduka yava almaktadrlar (Gang ve ark., 2006). Bu kategoride kullanlan yntemler iin genetik algoritmalar ve yapay sinir alar rnek verilebilir. Nijhuis ve arkadalar (1995) yaptklar almada yapay sinir aarl ve bulank mantk kullanarak ara plakalarn tanmaya almlardr. Xiong ve arkadalar (2000) ve Kim ve arkadalar (1996) yaptklar almalarnda plaka blgesini belirlemek iin genetik algoritmalar etkin bir ekilde kullanmlardr. 4
Kirami KAAN
Bunlardan baka bir de plaka blgesi belirlemede ikili seviyede (binary-level) arama yapan yntemler vardr. Bu yntemler plaka blgesindeki renk, ekil ve boyut gibi belirli zelliklerden etkilenmemektedirler. Bunlar, hesaplama kapasitesi daha yksek olan basit ve hzl sistemler olarak karmza kmaktadrlar. Kenar istatistii ve matematiksel morfoloji kullanlarak sonuca gitmektedirler (Hongliang ve ark., 2004). Bu yntemlere ayn zamanda kenar tabanl yntemler de denilmektedir ve baarm oran ortalama %97 civarndadr (Anagnostopoulos ve ark., 2008). Bu almada tasarladmz sistemde plaka blgesinin belirlenmesinde ikili seviyede arama yapan bir yntem tercih edilmitir. Zheng ve arkadalar (2005) yaptklar almalarnda plaka blgesinin zengin kenar ve doku bilgisi ierdiini tespit etmiler ve plaka blgesinin belirlenmesi iin grntnn kenar bilgisi zerindeki yerel younluk deiimi zerinde kenar istatistii ve morfolojik yntemler kullanmlardr. Karakter blmleme aamasnda ikili seviyede yatay dikey izdmler, matematiksel morfolojiler ve kontur izleme gibi yntemler kullanlmaktadr. Karakter blmlemede en yaygn kullanlan ve en basit yntem izdm yntemleridir. Shi ve arkadalar (2005) yaptklar almada ikili seviyede dikey izdmleri kullanarak karakterleri birbirlerinden ayrmaya almlardr. Nomura ve arkadalar (2005) almalarnda karakter blmleme iin histogram eitleme temelli yeni bir adaptif morfolojik yntem nermiler ve histogram izdmndeki doal segmentasyon noktalarn arayp bu noktalar ayn karaktere uygun paralarla birletirerek karakterleri birbirinden ayrtrmaya almlardr. Capar ve Gkmen (2006) almalarnda plakalar ayrtrmak iin ekil gdml aktif bir kontur modeli gelitirmilerdir. Karakter tanma aamasnda ise Markov modelleri, vektr makineler, yapay sinir alar ve ablon eletirme gibi yntemler kullanlmaktadr. Duan ve arkadalar (2005) almalarnda karakter tanma aamasnda Markov modellerini, Kim ve arkadalar (2005) destek vektr makinelerini, Anagnostopoulos ve arkadalar (2008) yapay sinir alarn ve Comelli ve arkadaalr (1995) ile Huang ve arkadalar da (2004) almalarnda ablon tanma yntemlerini kullanmlardr. Biz de yapm olduumuz almada plaka blgesinin belirlenmesinde ikili seviyede kenar tabanl grnt ileme yntemlerini, karakter blmlemede ikili seviyede dikey izdm yntemini ve karakter tanmada da ok katmanl yapay sinir alarn kullandk.
BLM 3- MATERYAL VE YNTEM
Kirami KAAN
BLM 3
MATERYAL VE YNTEM Bu blmde bir PTSnin tanm, ilevi, hangi aamalardan olutuu ve bu aamalarda kullanlan materyal ve yntemler detayl bir ekilde anlatlmaktadr. zellikle PTS aamalarnda kullanlan; kenar bulma, konvolsyon, filtreleme, meyil dzeltme ve karakter inceltme gibi grnt ileme yntemleri ayrntlaryla ele alnmakta ve sistemin gelitirilmesindeki katklar ortaya konmaktadr. Bunun yannda karakter tanma aamasnda kullanlan YSAlarn yaplar ve bu sistemin tasarmndaki fonksiyonlar ayrntl olarak anlatlmaktadr. 3.1. Plaka Tanma Sistemi Plaka tanma sistemi (PTS); aralar, plakalar yardmyla tanmaya alan bir grnt ileme teknolojisidir. PTS esasnda belirli bir donanm aygt (dijital grnt elde etme cihaz) ile ekilmi grnt ierisinde bulunan ara plakasnn konumunun tespit edilmesi ve plaka karakterlerinin okunmas iin yaplan bir dizi ilem ardkldr. Gnmzde PTSler ara takibi, trafik denetimi, kpr ve otoyollarda otomatik gei ve otopark giri klar gibi alanlarda gnmz ihtiyalarna sistematik zmler retmek iin kullanlmaktadr. PTS donanmsal ve yazlmsal olmak zere iki ana ksmdan olumaktadr. Bir PTSnin donanmsal ksmnda, plakas okunacak aracn resmi ekilerek dijital grnts elde edilir. Bu ilem iin genelde bir grnt elde etme cihaz ve bir aydnlatma eleman kullanlr. Bu donanmsal aygtlar PTSnin alaca yere nceden monte edilir ve gelen aralarn resmini eker. Gerekte yaplan tm almalarda donanmsal ksm PTS iine dhil edilmez ve dolaysyla bir PTS denildii zaman elde edilmi bir grnt zerinde eitli ilemler uygulayarak ara plakasn tanyan bir yazlm modl akla gelmektedir. Bir PTS genelde yazlm modlnden olumaktadr (Anagnostopoulos ve ark., 2008):
Kirami KAAN
1. Plaka blgesinin belirlenmesi (Plate Region Determination); orijinal ara grntsnden aracn plakasn ieren dikdrtgensel plaka blgesinin saptanmas ve karlmas.
2. Karakter blmleme (Character Segmentation); plaka blgesindeki karakterlerin birbirinden ayrtrlarak, her bir karakterin karakter tanma sisteminin kullanmna hazr hale getirilmesi.
3. Karakter tanma (Character Recognition); orijinal grntden elde edilen grnt tabanl plaka karakterlerinin bilgisayar tarafndan anlamlandrlacak metinsel bir ifadeye dntrlmesi. Yukardaki ilk iki aamada son derece karmak grnt ileme teknikleri ve son aamada da yapay sinir alar kullanlmaktadr. Gnmze kadar bu aamalar iin gelitirilmi birok yntem bulunmaktadr. Her bir yntem PTS aamalar iin kendine gre bir avantaja sahiptir. PTS de kullanlan yntemlerin baarm oranlarnn ortam koullarna ve ara grntsn elde etmede kullanlan donanm cihazna bal olduu aktr. Baarm oranlarna etki eden nedenler iki ana balk altnda aada sralanmaktadr: 1. Grnt elde etme mekanizmas: Iklandrma sistemi. Kamera znrlk kalitesi.
2. Ortam koullar: Artalanda karmakl artracak nesneler. Kamera ara uzakl, as. Ara hz. Plakalardaki zedelenme, kirlilik, siliklik. Renk ve ekil bakmndan plaka eitleri. Ar gn , ar karart veya glge. Gnlk hava koullar; ak, kapal, yamurlu, karl havalar.
Kirami KAAN
Gelitirilmi birok PTS; sabit arka plan, kontroll klandrma, nceden belirlenmi sabit kamera ara uzakl, as ve snrl plaka tiplerinde alabilmektedir (Chang ve ark., 2004). Bu kstlamalardan dolay PTSler nceden belirli bir kullanm amac ve ortamna gre en yksek baarm orann vermektedirler. Dolaysyla gnmzde pek ok kullanm amac ve ortam iin de etkili sonular retebilecek PTSlerin gelitirilmesine ihtiya duyulmaktadr. Bu almadaki amacmz; YSA ve eitli grnt ileme teknikleri kullanarak daha az ilem zaman gerektiren, hesaplama gc yksek ve tanma oran daha iyi olan bir PTS gelitirmektir.
3.2. Plaka Blgesinin Belirlenmesi kili seviyedeki (binary-level) grntler zerinde kenar tabanl (edge-based) grnt ileme yntemleri kullanlarak ara grntsnden dikdrtgensel plaka blgesinin elde edilmesi amalanmaktadr. Bu yntemler, gerekte de grnt zerinde var olan, plaka blgesinin zengin kenar (edge) ve doku (texture) bilgisi ierdii kabulne dayanr (Zheng ve ark., 2005). Dikdrtgensel plaka blgesinin artalan ile karakterler arasndaki renk deerleri bakmndan oluan ar derecedeki younluk fark kenar analizinde kullanlan ok gl bir zelliktir. Plaka blgesindeki parlaklk deiiminin grntdeki dier yerlerden daha belirgin ve daha sk olduu kabul edilir. Kenar tabanl yntemler renk kriterinden bamsz olduu iin farkl artalan rengine (krmz, mavi, yeil vs.) veya farkl renkte karakterlere sahip her plaka tr iin kullanlabilmektedir. Btn lkelerin tm plaka eitlerinde plaka blgesinin artalan ile karakterlerin rengi birbirinden keskin bir farkla ayrt edilebilmektedir. Bu keskin renk ayrm bize her zaman bir veya daha fazla kenar bilgisi dndrmektedir. Bu yntem, bir zayflk olarak dnlecek olursa, ne yazk ki istenmeyen kenarlara kar da ok hassas olabilmektedir. Plaka blgesinin dnda btn ara grntsndeki keskin renk geiine (deiimine) sahip btn yerler kenar olarak ortaya kmaktadr. Dolaysyla bu yntemler, orijinal grnt zerinde plaka blgesinin haricindeki alanlarda, plaka blgesindeki dik kenar younluundan daha fazla kenar olumasna sebep olabilecek artalanda karmak detaylara sahip grntler iin uygulanmas srasnda zorluklar karmaktadr. Orijinal grntde plakadan baka harf ve rakamlarn varl, aralar zerine yaptrlm etiketler, reklam yazlar, kartmalar ve ok uzun veya ok ksa dik kenarlara sebep olacak detaylar bu tip problemlere neden olabilmektedir. Grnt nileme algoritmalar ve morfolojik yntemler kullanlarak bu
BLM 3- MATERYAL VE YNTEM problemlerin stesinden gelebilecek etkin zmler de
Kirami KAAN retilebilmektedir
(Anagnostopoulos ve ark., 2008). 3.2.1. Grnt nileme Plaka blgesinin belirlenmesi iin elde edilen grnt zerinde, plakas tannacak ara grntsnden baka, birok nesnenin de grnts bulunabilmektedir. Bu nesneler ounlukla ara civarnda bulunan ve kamerann gr alanna dhil olan aa, al, bina, yol tabelas, levha ve kaldrm talar gibi canl veya cansz varlklar olmaktadr. Bu tr nesneler kenar bulma ileminde istenmeyen kenarlara sebep olabilecek detaylara sahip olabilmektedirler. Bu nesnelerden baka grnt zerinde ar derecede kenar younluuna sebep olabilecek grlt olarak adlandrabileceimiz kk ayrntlar da bulunabilmektedir. Plaka blgesi belirleme aamasnda kullandmz kenar tabanl yntemler grnt zerindeki bu detaylar ve grltlerden olumsuz ynde etkilenmektedirler. Dolaysyla grnty kenar bulma ilemine tabi tutmadan nce istenmeyen kenarlara sebep olabilecek detaylar ve grltlerin giderilmesi gerekmektedir. ekil 1 deki orijinal grnt nileme ilemine tabi tutulduktan sonra grnt zerindeki grltlerin, zellikle de kaldrm talar arasndaki ince detaylarn bulanklaarak komu renk deerleri arasnda kaybolduu grlmektedir (baknz ekil 2).
ekil 1. Orijinal ara grnts.
Kirami KAAN
ekil 2. Grlt ve detaylardan arndrlm ara grnts. Grnt zerindeki detaylar ve grltleri ortadan kaldrmak iin kullanlan en basit ve hzl grnt ileme yntemi ortalama filtreleme (mean filtering) yntemidir (Gonzalez ve Woods., 2002). Ortalama filtreleme (mean filtering); bir grntdeki her bir piksel deerinin, belli bir erevedeki komularnn ortalama deeri yardmyla iyiletirilmesi prensibine dayal almaktadr. Her bir grnt ilemi gibi ortalama filtre de aslnda konvolsyon (convulation) ilemi iin bir konvolsyon matrisi olarak kullanlmaktadr. Konvolsyon ilemi, pek ok grnt ileme operatrnn temel ta olan matematiksel bir ilemdir (Gonzalez ve Woods., 2002). Konvolsyon matrisi (filtre eleman ya da maske eleman) sol st keden balayarak ana grnt zerinde piksel piksel gezdirilir. Filtre, o anki pikseli merkezine alacak ekilde konumlandrlr (baknz ekil 3). Forml (3.1)e gre st ste binen piksellerin deerleri arplr ve bu arpmlar toplanr. Elde edilen sonu o pikselin yeni deeri olarak kullanlr. Bu ilem grnt zerindeki tm piksel deerleri iin uygulanarak convulation ileminin sonucu elde edilir.
8
= y
x m
i =0 i
(3.1)
10
Kirami KAAN
ekil 3. Ana grnt ile filtre elemannn (konvolsyon matrisi) konvolsyon ilemine tabi tutulmas. 3.2.2 Dik Kenarlar Belirleme Kenar belirleme, zellik karma (feature extraction) ve nesne blmlemede (object segmentation) grntden bilgi elde etmek iin ou grnt ileme uygulamasnda kullanlan temel bir aratr (Hazanchuk ve Neoh., 2004). Kenar belirleme yntemleri bir grntdeki keskin renk geiine sahip piksel noktalarn bulma prensibi dikkate alnarak gelitirilmitir. Renk deerlerindeki ani deiimler genelde grnt iindeki objelerin snrlarna karlk gelmektedir. Kenar bulma ilemi, temel olarak bir kenar belirleme operatr (maske ya da filtre eleman) ile orijinal grntnn konvolsyon ilemine tabi tutulmasn iermektedir. Kenar belirleme iin nerilen pek ok filtre eleman mevcuttur. En yaygn kullanlan popler filtre eleman Sobel operatrdr (Gonzalez ve Woods., 2002). Kenar belirlemede kullanlan mevcut filtre operatrleri iki grup altnda kategorize edilir: 1. Gradient operatrleri: ki boyutlu bir sinyal olan grntnn birinci trevi zerinde yerel maksimumlara bakarak kenarlar belirlenir. Elde edilen gradient deerleri zerinde nceden belirlenmi bir eik deeri kullanlr. Eik deerinden byk veya eit olan gradient deerlerine sahip yerler yerel maksimum (kenar olacak yerler) olarak belirlenir. 2. Laplacian operatrleri: Grntnn ikinci trevi zerinde sfr-geiler (zerocrossing) aranarak kenarlar belirlenir. Bir eik deer belirlenerek bu deerin zerinde olan noktalar zero-crossing yani kenarlar olarak belirlenir.
11
Kirami KAAN
ekil 4. Sobel operatr kullanlarak ara grntsnden edilen Yatay ve Dikey kenar grnts.
ekil 5. Sobel operatr kullanlarak ara grntsnden edilen dik kenar grnts.
ekil 6. stenmeyen kenarlardan arndrlm dik kenar grnts. 12
Kirami KAAN
Kenar belirleme ilemine tabi tutulan bir grntde yatay ve dikey olmak zere iki farkl kenar bilgisi elde edilir (baknz ekil 4). Kenar tabanl plaka blgesi tespiti almalarnda bizim iin en nemli bilgi, saysal grnt ierisindeki plaka blgesinin dikey kenarlarndan olutuu bilgisidir. Bir plaka, beyaz zemin zerine siyah tonlu harf ve saylardan olumaktadr. Plakay oluturan bu harf-say karakterlerinden elde edilecek dik kenarlar daha belirgin olmaktadr ve dolaysyla bizde dikkatimizi dik kenarlar karlm grnt zerinde dik kenarlarn ylma yapt yerel alanlar zerine younlatracaz. Bu almada, kenar bilgisi karlm grntde dik kenarlar elde etmek iin Sobel operatr kullanlmaktadr. Dik kenar belirleme ilemi u ekilde gerekleir; grlt ve detaylardan arndrlm ara grnts ekil 7de verilen dik kenar belirleme iin kullanlan Sobel filtre eleman ile konvolsyon ilemine tabi tutulur. Elde edilen deerlerden belli bir eik seviyesinin altnda kalanlar 0 (siyah kenar) stnde olanlar da 1 (beyaz kenar) olarak belirlenir. Bylece grlt ve detaylardan arndrlm ara grntsnn dik kenar grnts elde edilmi olur (baknz ekil 5).
ekil 7. a). Dik kenar belirlemede kullanlan sobel filtre eleman, b). Yatay kenar belirlemede kullanlan sobel filtre eleman.
13
BLM 3- MATERYAL VE YNTEM 3.2.3 stenmeyen Dik Kenarlar Yok Etme
Kirami KAAN
Kenar tabanl plaka blgesi tespiti almalarnda problem oluturabilecek en nemli faktr dik kenarlar elde edilmi grnt zerinde plaka blgesine ait dik kenarlara ek olarak baka dik kenarlarnda olumasdr. Bu durum dik kenarlar elde edilmi grnt zerinde plaka blgesinin olduu yerel blgeye odaklanmamz engelleyebilmektedir. Bu gibi durumlarda, eer dik kenarlar elde edilmi grnt zerinde plaka blgesinin oluturduu dik kenar younluundan daha fazla olan bir blge varsa tasarlanan sistem o blgeyi plaka blgesi olarak alglayabilmektedir. Hatta baz durumlarda dik kenarlar elde edilmi grnt zerinde, plaka blgesinin kenar younluundan daha fazla olan birok blge de oluabilmektedir. Biz burada bu sorunu amak iin plaka blgesinden kan dik kenarlar haricindeki dik kenarlar elimine etmeye altk. Bunun iin Zheng ve ark. (2005)de nerilen eliminasyon yntemini kullandk. Zheng ve ark. (2005) bu yntem ile yapt testler sonucunda plaka blgesindeki dik kenarlarn en az 5 piksel, en fazla 20 piksel uzunlua sahip olduunu tespit etmitir. nerdikleri yntemde dik kenarlar elde edilmi grnt zerinde bu snrlarn dnda kalan kenarlar dikkate alnmamtr. Yaptmz almada istenmeyen dik kenarlar yok etmek iin Zheng ve ark. (2005)de nerdikleri maksimum eik deerinin ok dk olduunu gzlemledik. Dolaysyla bu sorunu gidermek iin uygun bir maksimum eik deeri belirlemek ihtiyac hissettik. Belirli sayda grnt zerinde yaplan testler sonucunda maksimum eik deerini 40 piksel olarak yeniden belirledik. Dik kenar grnts zerinde 5 pikselden kk, 40 pikselden byk dik kenarlar yok ederek istenmeyen dik kenarlar ortadan kaldrdk. ekil 5deki dik kenar grnts zerinde elimine ilemi yapldktan sonra elde edilen istenmeyen dik kenarlardan arndrlm dik kenar grnts ekil 6da verilmektedir. ekil 6ya bakldnda yok etme ilemi sonucunda ekil 5 de grlen ok uzun ve ok ksa kenarlarn net bir ekilde ortadan kaybolduu grlmektedir. Bu durumda artk en yksek yerel dik kenar younluuna sahip tek blge plaka blgesi olarak karmza kmaktadr.
14
BLM 3- MATERYAL VE YNTEM 3.2.4 Dikdrtgensel Plaka Blgesine Odaklanma
Kirami KAAN
Plaka blgesine odaklanmak iin ilk olarak istenmeyen dik kenarlardan arndrlm dik kenar resmi zerinde yerel dik kenar younluklarn elde etmek gerekmektedir. Yerel dik kenar younluklarn elde etmek iin elimine edilmi dik kenar resmi (1616) boyutlarnda 3040 tane yerel bloa blnr ve her bir yerel bloktaki beyaz piksel says Forml (3.2) yardmyla hesaplanr. Eitlikte kullanlan k ve l deerleri 0 k < 30 ve
0 l < 40 aralnda bulunmaktadr. Her bir blok iin hesaplanan bu deerler D(480640)
matrisinin 16 da 1 boyutlarna sahip bir B(3040) matrisine depolanr (baknz ekil 8).
(16( k +1) 1) (16( l +1) 1)
i= 16k
B[k , l ] =
j= 16l
D[i, j ]
(3.2)
ekil 8. Yerel dik kenar younluklarnn hesaplanmas. a). Dik kenar D matrisi, b). Dik kenar matrisinden elde edilen yerel younluklarn depoland B matrisi.
15
Kirami KAAN
Bu ilemler sonucunda oluan yerel dik kenar younluklarn tutan B matrisinin grnts Tablo (1-a) da gsterilmektedir. Buradaki ekillere bakldnda yerel dik kenar younluklarnn siyah zemin zerinde beyaz noktalar olarak ortaya kt grlr. Burada noktalarn beyazlnn netlii o blgedeki yerel younluk seviyesinin saysal deerine gre ekillenmektedir. En net beyazla sahip olan nokta en yksek yerel dik kenar younluuna sahip olan muhtemel plaka blgesidir. Tablo 1. Yerel dik kenar younluklar. a). Yerel dik kenar younluklarn b). Yok etme ileminden sonra elde edilen gsteren B matrisinin grnts. yeni B matrisinin grnts.
B matrisi zerinde en youn dik kenarlarn olduu deerleri elde etmek iin bir yok etme ilemi daha gerekletirilir. Bu ilem nceden belirlenmi bir eik deerinin altnda kalan deerlerin sfrlanmasdr. Burada nemli olan, bu ilem iin uygun bir eik deerinin belirlenmesidir. Sisteme gelen her farkl grnt iin uygun bir sonu retecek ve her grntye zg olacak bir eik deerinin belirlenmesi gerekmektedir. Dinamik olarak alma zamannda bir eik deeri dndrecek bir fonksiyon yazlarak bu problemin stesinden gelinmitir. Bu ilem u ekilde gerekletirilir; ilk olarak kendisine parametre olarak gelen matrisin (deeri sfrdan farkl olan elemanlarnn) ortalamasn alan bir fonksiyon yazlr. Balangtaki B matrisi bu fonksiyona gnderilerek birinci eik deer elde edilir. Eer bu eik deer balangtaki B matrisinin maksimum elemannn yarsndan kkse B matrisinin eik deerden kk olan elemanlar sfrlanr. Daha sonra yeni B matrisi tekrar fonksiyona gnderilir ve yeni eik deer elde edilir ve eik deer balangtaki B matrisinin maksimum elemannn yarsndan kkse B matrisinin eik deerden kk olan elemanlar sfrlanr. Bu ilem, elde edilen yeni eik deer balangtaki B matrisinin maksimum elemannn yarsndan kk olduu srece 16
BLM 3- MATERYAL VE YNTEM tekrarlanr.
Kirami KAAN
Tablo (1-b) de yok etme ileminden sonra elde edilen yerel dik kenar
younluklarnn grnts verilmektedir. ekilde grld gibi yok etme ileminden sonra Tablo (1-a) daki hafif beyaz noktalar byk oranda yok edilmitir. Bylece sistemin mmkn olduunca plaka blgesine odaklanmasna zemin hazrlanmtr. Aday plakla blgelerini belirlemek iin yerel blgelerdeki dik kenar younluklarn gsteren B matrisi tm elemanlar 1 olan bir W(311) matrisi ile konvolsyon ilemine tabi tutulur. W matrisi ortalama bir plaka boyutundan biraz daha byk boyutlarda muhtemel plaka blgelerini belirginletirecektir. W matrisinin boyutlar almada kullanlan grntlerin analizi sonucunda belirlenmektedir. B matrisinin W filtre eleman ile konvolsyon ilemine tabi tutulmas ile elde edilen aday plaka blgelerini gsteren Z matrisinin grnts Tablo (2-a) da verilmektedir. ekilde grld gibi convulation ileminden sonra aday plaka blgeleri parlaklk derecelerine gre ortaya kmtr. ekildeki en parlak blge muhtemel plaka blgesi olarak karmza kacaktr. Dolaysyla sistemin sonraki aamas Z grntsndeki bu en parlak blgeye odaklanmak olacaktr. Bunun iinde grnt zerindeki dk parlaklktaki dier blgelerin mmkn olduunca yok edilmesi gerekmektedir.
Tablo 2. Aday plaka blgeleri. a). Aday plaka blgelerini gsteren Z b). Yok etme ileminden sonra oluan matrisinin grnts. yeni Z matrisinin grnts.
Burada Tablo (2-a) daki Z grntsnde birden fazla yerel blge olutuu grlmektedir (beyaz dikdrtgensel blgeler). Bu beyaz blgeler iinde muhtemel plaka blgesini temsil edecek yerel blgenin elde edilmesi iin Z matrisi zeride de bir yok etme ilemi uygulanmas gerekmektedir. Bu ilem Z matrisinin maksimum deerinden kk
17
Kirami KAAN
olan deerlerin sfrlanmasyla gerekletirilmektedir. Z matrisinden elde edilen bu yerel blgenin plakay tmyle kapsayabilmesi iin bu yerel blgenin boyutlarnn dzenlemesi gerekmektedir. Tablo (2-a) daki Z matrisi zerinde yaplan eliminasyon ileminden sonra elde edilen yeni matrisin grnts Tablo (2-b) de verilmektedir. ekilde grlen beyaz alan ara plakasnn orijinal grnt zerindeki muhtemel konumuna karlk gelmektedir. Z matrisiyle elde edilen muhtemel plaka blgesini gsteren bu yerel blgenin koordinatlar, dik kenar matrisiyle (D) geriye doru eletirilerek Z matrisi zerindeki bu yerel blgenin dik kenar grnts (D) zerindeki izdm elde edilir. Bu ilem sonucunda ekil 9 da grld gibi sadece plaka blgesine ait dik kenarlar elde edilmitir.
ekil 9. Dik kenar grnts zerinde sadece plaka blgesindeki dik kenarlara younlam D matrisinin grnts. Muhtemel plaka blgesinin, plakay tmyle kapsayacak ekilde belirlenebilmesi iin Z matrisindeki her bir beyaz piksele karlk gelen D matrisindeki (1616) lk her yerel blgenin tm piksel deerleri 1, D matrisinde geri kalan dier blgelerdeki piksel deerleri de 0 olacak ekilde yeniden dzenlenir. Bu ilem sonucunda elde edilen, muhtemel plaka blgesini tmyle kapsayacak dikdrtgensel yerel blgeyi gsteren N matrisinin grnts Tablo (3-a) da verilmektedir.
18
Kirami KAAN
Tablo 3. Muhtemel plaka blgesine odaklanma. a). Muhtemel plaka blgesini tmyle b). Orijinal grnt zerinde Muhtemel kapsayacak dikdrtgensel yerel blgeyi plaka blgesinin grnts. gsteren N matrisinin grnts.
Sonraki aama iin N matrisi deerleri 0 veya 1 olacak ekilde indirgenmeye tabi tutulur. Orijinal grnt zerinde plaka blgesinin konumunun belirlenmesi ilemi orijinal resmi temsil eden A matrisi ile N matrisinin elemanlarnn karlkl arpmlar ile elde edilir (baknz Tablo (3-b)). 3.2.5 Dikdrtgensel Plaka Blgesinin Kesilip karlmas Muhtemel plaka blgesini tmyle kapsayacak dikdrtgensel yerel blgeyi gsteren N matrisindeki dikdrtgensel beyaz blgenin ( x, y ) eksenindeki balang ve biti koordinatlar belirlenir. Belirlenen bu koordinatlarla birlikte dikdrtgensel plaka blgesi ekil 10 daki gibi orijinal grntden kesilip karlmaktadr.
ekil 10. Ara plakasn ieren dikdrtgensel plaka blgesi.
19
BLM 3- MATERYAL VE YNTEM 3.2.6 Plaka Blgesinde Meyil Dzeltme
Kirami KAAN
Grnty eken kamera ile ara arasndaki bak asndan kaynaklanan meyil bozukluklarn gidermek iin meyil dzeltme ilemi yapmak gerekmektedir. Plaka blgesindeki karakterlerin paralanmas ileminde etkin sonular retebilmek iin plakann yataya paralel hale getirilmesi gerekmektedir. Bunun iin ncelikle meyil asnn belirlenmesi gerekmektedir. Burada meyil asn belirlemek iin Radon dnm kullanlmaktadr. Radon dnm genel olarak ( x, y ) Kartezyen koordinat sistemindeki noktalarn
( p, ) Polar koordinat sistemindeki izdmlerini hesaplar (baknz ekil 11). Ayn
zamanda Grnt ierisindeki belli bir yndeki ayn paralellikteki izgilerin integrallerini hesaplayarak bu izgilerin polar parametre uzayndaki izdmlerini bulur (Kapoor ve ark., 2004). ( x, y ) Kartezyen koordinat sistemini ( p, ) Polar koordinat sistemine dntren matematiksel forml,
= x cos( ) + y sin( ) p
(3.3)
eklinde yazlr.
ekil 11. ( x, y ) Koordinat sistemindeki bir dorunun polar parametre ( p, ) izdmleri.

p Bir izginin orijinden dikey uzakl.
[O,A] doru paras ile x ekseni arasndaki a.
20
BLM 3- MATERYAL VE YNTEM ki boyutlu bir f ( x, y ) fonksiyonunun radon dnm R= ( p, )

Kirami KAAN
f ( x, y ) ( p x cos( ) y sin( ) ) dxdy
(3.4)
forml kullanlarak hesaplanr. Bir grnt zerinde radon dnm uygulandktan sonra, elde edilen [ p, ] boyutlarndaki R matrisi, grnt zerindeki belli bir yndeki ayn paralellikteki her izgi gurubu iin bir younluk deeri tutmaktadr. Grntnn = [ M , N ] boyutlarnda olduu dnlrse, R matrisinin satr says p en yksek deerin indisinin bulunmasdr. Elde edilen bu meyil as, i cos( ) sin( ) i = j sin( ) cos( ) j dzeltme ileminden elde edilen sonular Tablo 4 de gsterilmektedir. Tablo 4. Meyil dzeltme ilemleri. Elde edilen plaka blgesi grntleri (3.5) M 2 + N 2 olur ve
stun says da = 180 olur. Burada meyil asn bulmak iin yaplacak i R matrisindeki
denkleminde yerine yazlarak plakadaki muhtemel eiklik dzeltilmektedir. Meyil
Saptanan meyil as
Meyil dzeltme ileminden sonra elde edilen grntler
= 1
=2
=4
= 7
= 13
= 19
21
BLM 3- MATERYAL VE YNTEM 3.3. Plaka Blgesinde Karakterlere Odaklanma
Kirami KAAN
Kabaca elde edilen ara plakasn kapsayan dikdrtgensel plaka blgesinde plaka karakterlerinden baka gereksiz alanlarn olduu grlmektedir. Plaka karakterlerini birbirlerinden ayrmak iin gereksiz alanlardan mmkn olduunca kurtulmamz gerekmektedir. Aksi takdirde karakter blmleme aamasnda baarsz sonular almak kanlmaz olacaktr. Dolaysyla karakter blmleme aamasnda ilemleri kolaylatrmak ve baarl sonular elde etmek iin mmkn olduu kadar sadece dikdrtgensel plakaya (sadece plaka karakterlerini kapsayan en dar ereveye) odaklanmak gerekmektedir (baknz ekil 12).
ekil 12. Plaka blgesinde sadece plaka karakterlerini kapsayan en dar erevenin grnts. Bu ilemleri gerekletirmek iin ounlukla yatay-dikey kenarlar ve yatay-dikey izdmlerden yararlanlr. Yatay izdm; yatay kenar grnts zerinde her bir satrdaki beyaz nokta saysnn hesaplanmasyla ve dikey izdm; dikey kenar grnts zerinde her bir stundaki beyaz nokta saysnn hesaplanmasyla elde edilmektedir. Burada gerekletirilecek ilemler iki admda srdrlr. 3.3.1. Yatay Kenarlar zerinde Yatay zdm lemi lk adm olarak, plaka blgesindeki plaka karakterlerini kapsayan en dar erevenin (baknz ekil 12) sol ve sa tarafndaki gereksiz alanlar atlr. Bu ilem iin nce plaka blgesinin (Tablo 5 A1) yatay kenar grnts (Tablo 5 A2) elde edilir. Sonra yatay kenar grnts zerinde yatay izdm (Tablo 5 A3) hesaplanr. Dier ksmlar atlarak yatayda istenmeyen alanlar yok edilmi plaka blgesi (Tablo 5 A4) elde edilir.
22
BLM 3- MATERYAL VE YNTEM Tablo 5. Plaka zerinde izdm ilemleri. 1- Yatay kenarlar zerinde yatay izdm.
A1). Plaka blgesi.
Kirami KAAN
B1). Yatayda istenmeyen alanlar yok edilmi plaka blgesi.
2- Dikey kenarlar zerinde dikey izdm.
A2). Plaka blgesinin yatay kenar grnts.
B2). Yatayda istenmeyen alanlar yok edilmi plaka blgesinin dik kenar grnts
A3). Yatay kenar grntsnn yatay izdm.
B3). Dik kenar grntsnn dikey izdm.
A4). Yatayda istenmeyen alanlar yok edilmi plaka blgesi.
B4). Elimine ileminden sonra elde edilen yeni dikey izdm.
B5). Yatayda ve dikeyde istenmeyen alanlar yok edilmi, sadece plaka karakterlerini kapsayan ara plakas.
23
BLM 3- MATERYAL VE YNTEM 3.3.2. Dikey Kenarlar zerinde Dikey zdm lemi
Kirami KAAN
kinci adm olarak, plaka blgesinde plakann st ve alt ksmlarndaki gereksiz alanlar yok edilir. Bu ilem iin nce yatayda istenmeyen alanlar yok edilmi plaka blgesinin (Tablo 5 B1) dik kenar grnts (Tablo 5 B2) elde edilir. Sonra dik kenar grnts zerinde dikey izdm (Tablo 5 B3) hesaplanr. Burada yaplmas gereken nemli bir i daha vardr. Buda elde edilen dikey izdm zerinde bir eliminasyon ilemi gerekletirerek plaka karakterlerini evreleyecek erevenin karakterlerin beyaz zeminle olan alt ve st snrlarndan gemesini salamaktr. Bylece iki karakter arasnda olumasn istediimiz beyaz boluk arasna girebilecek siyah pikseller nlenmi olur. Bu ilem balangtaki dikey izdmn ortalamasndan kk olan elemanlarn sfrlanmas ile gerekletirilir (Tablo 5 B4). Her iki admda da izdmler hesaplandktan sonra yaplacak ilemlerde ayn mantk kullanlr. Plakann snrlarndan gelen kesintisiz (yatay dikey) kenarlar sayesinde plakaya denk gelen, yatay izdmde tm stunlar iin, dikey izdmde ise tm satrlar iin izdmde en az bir beyaz nokta olacaktr. zdmde kesintisiz olarak en az bir beyaz noktaya sahip komu indisler bir btn olarak plaka blgesinden bir paraya iaret edecektir. zdm ierisinde olabilecek btn paralar bulunur ve bunlardan en uzun arala sahip olan para seilir (bu para plakaya ait olacaktr). Her iki admda baarl bir ekilde gerekletirildikten sonra plaka blgesi yatayda ve dikeyde istenmeyen alanlardan arndrlm ve karakter blmleme aamasna hazr hale getirilmi olacaktr (Tablo 5 B5).
24
BLM 3- MATERYAL VE YNTEM 3.4. Karakter Blmleme
Kirami KAAN
Karakter blmleme ilemleri karakter tanma aamasna ham madde olarak verilecek karakterlerin blmlenmesi ve karakter tanma aamasna uygun hale getirilmesi iin yaplan ilemlerdir. Blmlemede yaplacak ilemlerin tanma ilemindeki baarm oranna etkisinin olduka fazla olduu vurgulanmaktadr (Cheriet ve ark., 2007). Yaplan almalarda blmleme aamasnda karakterlerin tanma ileminde en etkili sonucu verecek ekilde yaplandrlmas gerekmektedir. Burada karakterlerin blmlenmesinde hzl sonu reten ikili seviyede dikey izdm yntemi kullanlmaktadr. Bunun iin ilk olarak gri seviyedeki plakann ikili seviyeye (0 siyah veya 1 beyaz) indirgenmesi gerekmektedir. Gri seviyedeki bir grntnn ikili seviyeye indirgenmesinde ok basit ve hzl bir grnt ileme yntemi kullanlr. nce grnt iin uygun bir eik deer belirlenir. Gri seviyedeki grnt zerindeki her bir piksel eik deerle karlatrlr ve eik deerden kk olan piksel deerleri 0a byk olan piksel deerleri de 1e indirgenir. Grld gibi yntem ok basittir ancak, bu yntemin baars her grnt iin en uygun eik deerinin seilmesine baldr. Biz almamzda her bir grntye zg en uygun eik deeri bulmak iin Otsu Threshold yntemini kullandk (Otsu, 1979). Karakter blmleme aamasnda plaka gri seviyeden ikili seviyeye indirgendikten sonra ikili seviyedeki plaka grnts zerinde ortalama filtreleme kullanlarak bulanklatrma ilemi gerekletirilir. Bu ilem, zellikle kirli plakalarda plaka zerinde tuz-biber grlts eklinde ortaya kabilecek siyah noktalarn beyaz zemin iinde kaybolmasn salayacak ve karakterlerin birbirlerinden ayrtrlmas ilemini kolaylatracaktr. Karakter blmleme aamasnda son olarak ikili seviyeye indirgenmi ve ortalama filtreleme kullanlarak grltlerden arndrlm plaka grnts zerinde her stundaki beyaz nokta says (3.6) forml yardmyla hesaplanr, yani dikey izdm elde edilir. kili seviyedeki plaka zerindeki beyaz renkli stunlar izdm de maksimum deere sahip olacaktr. Maksimum deer plaka grntsnn satr saysna eittir. Burada her bir karakterin balang ve biti indislerini tutan iki vektr kullanlacaktr. Bu ilemi gerekletirmek iin tasarlanan algoritma ve bu algoritmada kullanlan parametreler aada gsterilmektedir.
25
Kirami KAAN
P Grltlerden arndrlm ikili seviyedeki plakann piksel deerlerini tutan
matris.
[ M , N ] Plakann ( P ) boyutlar [satr, stun]
PV N Boyutlu izdm vektr;
= PV [ j ]
M 1 i =0
P[i, j ], 0 j < N
(3.6)
V1 Her bir karakterin izdm vektrndeki balang indisini tutacak vektr. V2 Her bir karakterin izdm vektrndeki biti indisini tutacak vektr.
Max zdm vektrndeki ( PV ) maksimum deer.
Her bir karakterin balang ve biti indislerini bulmak iin aadaki algoritmalar gelitirilmitir.
For i=1,2,,N IF End For

PV [i 1] = Max
AND
PV [i ] < Max Then V1[] = i ;
For j=0,1,,N-1 IF End For Bu algoritmaya gre V1 , V2 vektrleri hesaplandktan sonra her bir karakter bu vektrlerdeki balang ve biti indisleri kullanlarak plaka grntsnden kesilip kartlr. zdm vektr zerinde plakadaki iki karakter arasndaki beyaz pikseller maksimum deer verdiinden maksimum deerler arasndaki indisler bize her bir karakteri vermektedir (baknz Tablo 6).
PV [ j + 1] = Max
AND
PV [ j ] < Max Then V2 [] = j ;
26
BLM 3- MATERYAL VE YNTEM Tablo 6. Karakterlerin ayrtrlmas.
Kirami KAAN
3.5. Karakter nceltme Karakter tanma aamasnda yapay sinir ana verilecek argmanlarn ok iyi belirlenmesi gerekmektedir. Yapay sinir a karakterleri, birbirlerinden ayran eitli yapsal zelliklerine gre farkllklarn belirleyerek tanmaktadr. Dolaysyla YSAdan etkin bir ekilde yaralanmak iin karakterleri birbirlerinden ayran en belirgin yapsal zelliklerin analizi gerekmektedir. Bundan dolay balant noktalar, keler, dngler gibi karmak yapsal zellikleri analiz etmek iin karakterlerin inceltilmesi gerekmektedir. Bu ilem iin bir karakter inceltme (character thinning) algoritmas kullanlmaktadr. almamzda karakter inceltme iin son zamanlara kadar etkinliini kaybetmemi en hzl inceltme algoritmalarndan biri olan NWG algoritmasndan faydalanlmtr (Nagendraprasad ve ark., 1993). nceltme algoritmasnda inceltilecek karakterin her bir pikseli, ekil 13 deki gibi 33 lk komuluundaki piksellerle incelenir.
ekil 13. nceltme ilemine tabi tutulan p pikseli ve komu pikselleri.
27
Kirami KAAN
nceltme algoritmasnn mant iki admdan oluur. Bu admlar aada verilmektedir. 1- nceltilecek karakterin snr pikselleri belirlenir ve bu piksellerin konumlar (indis deerleri) kaydedilir. p nin deeri beyaz (1) iken, komular arasnda en az bir siyah (0) piksel varsa p snr pikselidir. 2- Silme kurallar kontrol edilir. Silme kurallarn salayan snr pikselleri silinir. Silme kurallar iin gerekli n tanmlamalar aada verilmektedir.
a ( p ) p nin komular arasndaki beyaz (deeri 1 olan) piksel says. b( p ) p nin komular arasnda saat ynnde siyahtan beyaza (0dan 1e)
gei says. = = = = = = c( p ) Eer p2 p3 p4 p7 0 ve p4 p6 1 ise c( p ) =1 olur. Eer p2 p3 p4 p7 0 ve p6 p0 1 ise c( p ) =1 olur. = = = = = = Dier durumlarda c( p ) =0 olur. = = = = = = d ( p ) Eer p1 p4 p5 p6 0 ve p0 p2 1 ise d ( p ) =1 olur. Eer p0 p3 p6 p7 0 ve p2 p4 1 ise d ( p ) =1 olur. = = = = = = Dier durumlarda d ( p ) =0 olur.
e( p ) ( p2 + p4 ) p0 p6 . f ( p ) ( p6 + p0 ) p4 p2 .
Bu
tanmlamalara
gre uygulanacak
silme kurallar
aadaki
gibi
dzenlenmitir.
(1 < a ( p ) < 7) ve (b( p ) 1|| ((1 g ) c( p ) + g d ( p= 1) iken = ))
= 0) & (e( p ) 0) ) = 1) & ( f ( p ) 0) ) ise p silinecek. veya ( ( g = ((g = Burada silme kuralna uyan pikseller hemen silinmez sadece silinecek olarak iaretlenir. Bu iterasyondaki tm snr pikselleri silme kurallaryla karlatrldktan sonra snr pikselleri ierisindeki silinecek olarak iaretlenen tm pikseller ayn anda silinir. Bu ilemler silinecek snr pikseli kalmayncaya kadar tekrarlanr. Algoritma sonlandnda sonu olarak hibir silme kuralna uymayan snr pikselleri geriye kalacaktr. Silme kurallarna uymayan bu snr pikselleri bize karakterin iskeletini (inceltilmi halini) vermi olacaktr (baknz ekil 14).
28
Kirami KAAN
ekil 14. a). Karakterin inceltme ileminden nceki hali, b). Karakterin inceltme ileminden sonraki hali. Bu aamada karakterler inceltme ilemine tabi tutulmadan nce, beyaz zemin zerine siyah renkle ifade elden karakterlerin siyah zemin zerine beyaz renkle ifade edilmeleri gerekmektedir. Buradaki ama ikili seviyedeki karakter matrisinde karakteri oluturan piksel deerlerinin 1 olmasn salamaktr. Tablo 7 de inceltme ileminden sonra her bir karakterin inceltilmi hali grlmektedir. Tablo 7. Karakterlerin nceltilmesi.
29
BLM 3- MATERYAL VE YNTEM 3.6. Karakter Tanma
Kirami KAAN
Giri rntlerinin makine tarafndan ilenerek anlaml ktlar retilmesi karakter tanma olarak adlandrlr. Karakter tanma iin, karakterlerin arlk merkezleri, 4 ynl kesit erilerinin yaplar ve iskeletleri temel alnarak gelitirilmi basit fakat etkin yntemler bulunmaktadr. Bu yntemler snrl sayda farkl rnt iin etkin sonular retmektedir. Bir rntnn muhtemel btn grsel ihtimallerini tmyle tarif edecek kurallar mevcut deildir. Dolaysyla bir rnty, mevcut rneklerine bakarak tanmlayabilecek sistemlere ihtiya duymaktayz. Bunun iin bu almada yapay sinir alarn karakter tanma aamasnda kullanacaz. 3.6.1. Yapay Sinir Alar Genel anlamda YSA, beynin bir ilevi yerine getirme yntemini modellemek iin tasarlanan bir sistem olarak tanmlanabilir. Arlkl balantlar denilen tek ynl iletiim kanallar vastasyla birbirleriyle haberleen, her biri kendi hafzasna sahip birok ilem elemanndan oluan paralel ve datk bilgi ilem yaplardr (Anderson, 1995). YSA, bir renme srecinden sonra bilgiyi toplama, hcreler arasndaki balant arlklar ile bu bilgiyi saklama ve genelleme yeteneine sahip paralel dalm bir ilemcidir. YSA kendisine gelen bir problemle ilgili sistemin rettii kt ile beklenen deer arasndaki benzerlik ilikisini en gzel tanmlayacak uygun arlklar bulur. Problemden alnan rneklerden faydalanarak ilgili problemi kendisine uygulanan rneklerden renmeye alr. YSA, ilgilendii problemi rendikten sonra eitim srasnda karlamad test rnekleri iin de belirtilen tepkiyi retme kabiliyetine sahiptir. rnein, karakter tanma amacyla eitilmi bir YSA, bozuk karakter girilerinde de doru sonucu verebilmektedir. Buradaki nral hesaplamada hafzalar birleiktir. Yani eitilmi aa giriin sadece bir ksm verilse, a hafzadan bu girie en yaknn seerek tam bir giri verisi alyormu gibi kabul eder ve buna uygun bir k deeri retir. Veri YSAya, eksik, bozuk veya daha nce hi karlamad ekilde verilse bile, a kabul edilebilir en uygun kty retebilecek kabiliyettedir. YSAlarn en nemli zelliklerinden biri de bilgiyi depolayabilmeleridir. Nral hesaplamalarda bilgi arlklar zerine datlr. Balantlarn arlklar nral an hafza birimi olarak alr. Bu arlklar an o andaki sahip olduu bilgiyi veya uygulanan rneklerden renmi olduu davran verir. Giri veri setinde bulunabilecek herhangi bir grlt, btn arlklar zerine datldndan dolay, grlt etkisi tolere 30
Kirami KAAN
edilebilmektedir. Bundan dolay geleneksel yntemlere gre hatay tolere etme yetenekleri daha fazladr. YSAnn hesaplama ve bilgi ileme gcn, paralel dalm yapsndan, renebilme ve genelleme yeteneinden ald sylenebilir. Bu zellik, YSAnn hzl bilgi ileme yeteneini ve rnek tanma, iaret ileme, sistem kimliklendirme ve denetim gibi gerek zaman uygulamalarnda kullanmn artrr. 3.6.2. YSAlarn Snflandrlmas YSAlar, genel olarak birbirleri ile balantl ilemci birimlerinden veya dier bir ifade ile ilemci elemanlarndan (yapay sinir hcreleri) oluurlar (baknz ekil 15). Her bir sinir hcresi arasndaki balantlarn yaps, an yapsn belirler. stenilen hedefe ulamak iin balantlarn nasl deitirilecei renme algoritmas tarafndan belirlenir. Kullanlan bir renme kuralna gre, hatay sfra olduka yaklatrabilecek ekilde, renmeye tabi tutulan an arlklar deitirilir. YSAlar yaplarna ve renme algoritmalarna gre snflandrlrlar. YSAlar yaplarna gre, ileri beslemeli (feedforward) ve geri beslemeli (feedback) alar olmak zere iki ekilde snflandrlrken, renme algoritmalarna gre de, danmanl, danmansz ve takviyeli renme olmak zere fakl ekilde snflandrlrlar. Yaptmz bu almamzda karakter tanma iin geriye yaylm renme algoritmas kullanan katmanl ileri beslemeli yapay sinir a kullanlmaktadr.
ekil 15. YSAy oluturan bir sinir hcresinin yaps.
31
Kirami KAAN
ekil 16. Sigmoid doygunluk fonksiyonu.
3.6.3. leri Beslemeli YSA leri beslemeli YSAda, sinir hcreleri katmanlar eklinde dzenlenir ve bir katmandaki hcrelerin klar bir sonraki katmana arlklar zerinden giri olarak verilir. Giri katman, d ortamlardan ald bilgileri hibir deiiklie uratmadan orta (gizli) katmandaki hcrelere iletir. Bilgi, orta ve k katmannda ilenerek a k belirlenir (baknz ekil 17). En ok bilinen geriye yaylm renme algoritmas, bu tip YSAlarn eitiminde etkin olarak kullanlmakta ve bazen bu alara geriye yaylm alar da denmektedir. Gelitirmeye altmz plaka tanma sisteminde karakter tanma aamasnda kullandmz katmanl ileri beslemeli yapay sinir ann mimarisi ekil 26 da grlmektedir. ekilde grlen YSA modelinde giri katmannda k tane giri verisi ( x[k ] ) ve nronu, gizli katmanda n tane gizli katman nronu ve her bir nronun rettii k deeri ( z[n] ) ve k katmannda da m tene k katman nronu ve her bir nronun rettii k deeri y[m] verilmektedir. Bununla beraber YSA modelinde gizli katman iin
1[n] bias deerleri ve w1[n, k ] arlk deerleri, k katman iin de

deerleri ve w2 [m, n] arlk deerleri verilmektedir.
2 [m] bias
32
Kirami KAAN
ekil 17. katmanl ileri beslemeli bir YSA.
3.6.4. leri Beslemeli YSAnn Eitilmesi ekil 17 de grld gibi bu YSA da veri ak giri katmandan k katmanna dorudur. Giri katmanndaki nronlar herhangi bir ilem gerekletirmeden kendilerine gelen giri verisini olduu gibi gizli katmana iletirler. Giri katmanda grlen bias ( [k ] ) deerleri bu YSA da herhangi bir ileme dhil edilmezler, etkisiz durumdadrlar. Bu YSA modelinde bizim iin asl nemli olan ilemler gizli ve k katmanlarnda gereklemektedir. Burada kullanm olduumuz YSA modelimizin eitilmesi be admdan olumaktadr. 1- lk adm an aktif hale getirilmesidir: Bir YSAnn aktif hale gelebilmesi iin ilk olarak YSA da kullanlacak olan bias ( 1[i ] , 2 [i ] ) ve arlk ( w1[i, j ] , w2 [i, j ] ) deerlerine ilk deer atamas yaplmas gerekir. Bu ilem 1[i ] , 2 [ j ] vektrlerinin ve w1[i, j ] , w2 [i, j ] matrislerinin [0,1) arasnda rastgele saylarla doldurulmasndan ibarettir.
33
Kirami KAAN
2- leri besleme (feed-forward) adm: Gizli ve k katmanndaki nronlarn harekete geirildii admdr. Bu admda nce gizli katmandaki her bir nron, kendisine gelen giri verisi ( x[i ] ), arlk deeri ( w1[i, j ] ) ve bias ( 1[i ] ) deeri ile birlikte forml (3.7) kullanlarak k deerini ( z[i ] ) retir.
k 1 = g w1[i, j ] x[ j ] + 1[i ] , i 0,1, 2,...., n 1 z[i ] = j =0
(3.7)
Gizli katmandan retilen z[i ] deerleri k katmanna girdi verisi olarak gnderilir ve k katmanndaki her bir nron, ayn ekilde z[i ] , w2 [i, j ] ,
2 [i ] deerleri ile birlikte forml (3.8) kullanlarak k deerini ( y[i ] ) retir.

n 1 = g w2 [i, j ] z[ j ] = 0,1, 2,...., m 1 + 2 [i ] , i y[i ] j =0
(3.8)
Burada gizli ve k katmanndan elde edilen deerlerin bir aktivasyon fonksiyonuna gnderilerek belli bir problemin zmne uygun bir formata dntrlmesi gerekmektedir. Bizim bu YSA modelinde kullandmz aktivasyon fonksiyonu Sigmoid doygunluk fonksiyonudur (baknz ekil 16). Sigmoid fonksiyonu kendisine gelen deeri (0,1) aralna indirger ve bylece dorusal olmayan problemlerin zmne katk salar. Sigmoid fonksiyonu matematiksel olarak,
g ( ) = 1 1 + e
(3.9)
eklinde yazlr. 3- Hata pay hesaplama ve hatay geriye yayma (back-propagate) adm: YSAnn ktlar ( y[m] ) elde edildikten sonra bu ktlar beklenen deerler ( B[m] ) ile karlatrlarak hata paylar hesaplanr. Uygun yeni arlk deerlerinin hesaplanmas iin bu hatalar arlk deerleri zerinden geriye doru yaylr.
34
Kirami KAAN (3.10)
E 2 [i ] = ( B[i ] y[i ]) g ( y[i ]) , i 0,1, 2,..., m 1 =
forml kullanlarak nce k katmanndaki hata paylar hesaplanr. Daha sonra k katmanndan elde edilen hata paylar ( E 2 [m] ) kullanlarak,
m 1 E1[i ] = ( z[i ]) E 2 [ j ] w2 [ j , i ] , i 0,1, 2,..., n 1 g = j =0

hesaplanr. Bu admda hata paylarnn hesaplanmasnda
(3.11)
forml yardmyla gizli katmandaki her bir nron iin de hata paylar Sigmoid fonksiyonunun trevi ( g ( ) ) kullanlmtr. Sigmoid fonksiyonun trevi,
g (= g ( ) (1 g ( )) )
(3.12)
eklinde forml (3.9) yardmyla kolaylkla hesaplanr. 4- Arlk deerlerinin yeniden hesaplanmas: nc admda elde edilen hata paylar kullanlarak,
k 1 j =0
w1[i, j ] = E1[i ] x[ j ], i 0,1, 2,..., n 1 = w2 [i, j ] = E 2 [i= 0,1, 2,..., m 1 ] z[ j ], i

j =0 n 1
(3.13)
(3.14)
formlleri yardmyla an gizli ve k katmanndaki arlk deerleri yeniden hesaplanr. 5- MSE hesaplama: Son olarak YSAya eitilecek her bir karakter iin ortalama hata,
= MSE 1 m 1 2 ( B[i] y[i]) m i =0
(3.15)
yardmyla hesaplanr. Bu hata pay nceden belirlenmi sfra ok yakn bir deere indirgenene kadar ikinci admdan itibaren her admdaki hesaplamalar yeteri kadar tekrarlanr. Hatay sfra yeteri kadar yaklatracak ekilde, renmeye tabi tutulan an arlklar yeniden hesaplanr. Her bir karakter iin MSE nceden belirlenen yeterince kk bir deere ulatnda an renimi sona erer. Sonu olarak retilen karakterler iin en uygun arlk deerleri bir dosyaya kaydedilir.
35
Kirami KAAN
Karakter tanma iin kullandmz YSA modelinde giri olarak ikili seviyedeki (0 veya 1 deerlerinden oluan) inceltilmi karakterler verilmektedir. Plakadan kesilen karakterlerin boyutlar inceltme ileminden sonra deiiklie urayabilmektedir. nceltilmi karakterlerin boyutlar birbirlerinden farkl olabilmektedir. Bu durumda karakterleri YSAya vermeden nce standart bir boyuta kavuturmamz gerekmektedir. Bu ilem iin dnlen yntem u ekildedir. Btn karakterlerin sabilecei maksimum boyutlara sahip, elamanlar sfr olan bir ablon matris seilir. Bu ablon matrisin boyutlar farkl karakterler zerinde yaplan analizler sonucunda [3020] olarak belirlenmitir. kili seviyede piksel deerlerine sahip inceltilmi karakterlerin piksel deerleri ablon matrisinin sol st kesinden balanarak ablona yerletirilir (baknz ekil 18).
ekil 18. a). kili seviyede inceltilmi karakter grnts ve piksel matrisi, b). [3020] boyutlarndaki standart bir ablon matrisine aktarlm karakter grnts ve piksel matrisi. Bu ablon matrisinin elemanlar YSAya verilen giri deerlerini tutan x[k ] vektrnde depolanr. Giri vektrnn ( x[k ] ) boyutu ablonun eleman saysna eittir
(30 20 = . Dolaysyla kullandmz YSA modelinde 600 tane giri verisi 600)
kullanlmaktadr. Bununla beraber Trk plaka standartlarnda kullanlan karakter says 33 olduundan YSA da eitilecek olan her bir karakter iin beklenen deerler iin 33 elemanl bir ( B[m] , m = 33 ) vektr tasarlanmtr. ekil 19 da verilen matrisin her bir satr, her bir
36
Kirami KAAN
karakter iin beklenen deer vektr olarak karmza kmaktadr. Tablo 8 de ekil 19 da verilen beklenen deerler matrisindeki her bir satrn hangi karaktere ait olduu belirtilmitir. YSAnn eitilmesi aamasnda giri verisi olarak YSAya gelen her bir karakter iin beklenen deerler matrisindeki kendisine karlk gelen satr bulunarak beklenen deerler vektr B[m] oluturulur. Tablo 8. Beklenen deerler matrisinde hangi satrn hangi karaktere ait olduunu gsterir. 1. satr 0 karakteri, 2. satr 1 karakteri,
10. satr 9 karakteri, 11. satr A karakteri, 12. satr B karakteri,
33. satr Z karakteri
37
Kirami KAAN
ekil 19. YSA da eitilecek her bir karakter iin tanmlanan beklenen deerler matrisi. Eitme aamasnda YSAya her bir karakterden 30ar rnek verilmitir. Dolaysyla toplam 990 test verisi kullanlmtr. Uygulamamzda Tablo 9 da verilen deerlerle birlikte kullandmz YSA modeli, her bir test verisi iin ortalama 500 kez altrlmtr. 990 test verisi iin 495000 kez YSA tekrarlanmtr. Alnan sonular neticesinde her bir karakter iin alnan hata oran (MSE) ortalama yaklak 108 civarnda olumutur (baknz ekil 20). Tablo 9. Tasarladmz YSA modelinde kullanlan parametreler ve deerleri. Giri Katman Gizli Katman k Katman k = 600 n = 300 m = 33 Nron says = 600 Nron says = 300 Nron says = 33 x[600] Giri verileri z[300] k verileri y[33] k deerleri [300] Bias deerleri B[33] Bias deerleri 1 w [300, 600] Arlk w2 [33,300] Arlk deerleri deerleri B[33] Beklenen deerler
38
Kirami KAAN
ekil 20. 990 test verisi iin 495000 kez altrlan YSAda elde edilen hata oranlarnn (MSE) listesi.
39
BLM 3- MATERYAL VE YNTEM 3.6.5. YSAya gelen karakterin tannmas;
Kirami KAAN
YSAnn eitilmesi bir aamada gerekletirilir ve elde dilen en uygun arlk deerleri bir dosyaya kaydedilir. Her gelen karakter dosyadan okunan arlk deerleri ile an eitilmesi aamasnda kullanlan ileri besleme (feed-forward) admndaki (3.7) ve (3.8) denklemlerindeki ilemlere dhil edilerek sistemin bu karakter iin kts ( y[m] ) retilir. Eer sistem doru bir ekilde eitilmi ise burada retilen y[m] vektrndeki deerlerden birinin 1 veya 1 en yakn bir deer (en ok benzedii karakter), dierlerinin de 0 veya 0a olduka yakn deerler olmas gerekmektedir (baknz ekil 21). ekilde grld gibi YSA kendisine girdi olarak gelen P karakteri iin beklenen deerlere en uygun sonular retmitir. retilen sonular ierisinde 1e en yakn ve en byk deer P karakterine ait olan deerdir. Dolaysyla YSAnn P karakterini baarl bir ekilde tanmlad ortaya kmaktadr.
ekil 21. P karakteri iin YSAnn rettii ktlar.
40
BLM 4- ARATIRMA BULGULARI VE TARTIMA
Kirami KAAN
BLM 4
ARATIRMA BULGULARI VE TARTIMA Bu blmde zellikle elde edilen orijinal ara grntsnn bir n ileme tabi tutulmas, istenmeyen dik kenar eliminasyonunda kullanlan eik deerin seilmesi ve karakter blmleme aamasnda plaka grntsnn ikili-seviyeye indirgenmesi ilemlerinde yaplan deneyler sonucunda elde edilen bulgular rnekleriyle aklanm ve seilen kriterlerin sistemin baarmna olan katks tartlmtr. Bununla birlikte kirli plakalar ve plakalarda karakterler haricindeki paralarn sistemin baarmna olan etkileri incelenerek sistemin baarmn artrmak iin yaplan ekstra ilemlerin sistemin baarmna olan katks ortaya konmutur. 4.1. Grnt nilemenin PTS Baarmna Etkisi. Herhangi bir grnt nileme ilemine tabi tutulmam orijinal ara grntsnden elde edilen dik kenar grnts Tablo (10-a) da gsterilmektedir. Bu durumda orijinal grntdeki dier nesneler ve zellikle kaldrm talarndan elde edilen kenar younluklarnn olduka fazla olduu grlmektedir. Eer bu haliyle plaka blgesi belirleme ilemine devam edilecek olursa sistem yerel dik kenar younluklarnn en fazla olduu blgeyi plaka blgesi olarak belirleyecektir. Bu durumda plaka blgesi olarak kaldrm talarnn olduu alan elde edilir (baknz Tablo (10-b)). Dolaysyla grntde net bir ekilde grebildiimiz plaka blgesi bulunamam ve sistem yanl sonu retmi olacaktr.
41
Kirami KAAN
Tablo 10. Grnt nileme ilemine tabi tutulmayan orijinal ara grntsnden dik kenar bularak plaka blgesini belirleme.
a). Orijinal ara grntsnden elde edilen b). Plaka blgesi belirleme aamasnn dik kenar grnts. orijinal grnt zerinde yaplmasyla elde edilen plaka blgesi. Tablo 11. Grnt nileme ilemine tabi tutularak grlt ve detaylardan arndrlm ara grntsnden dike kenar bularak plaka blgesini belirleme.
a). Grlt ve detaylardan arndrlm ara b). Plaka blgesi belirleme aamasnn grntsnden grnts. elde edilen dik kenar grlt ve detaylardan arndrlm grnt zerinde yaplmasyla elde edilen plaka blgesi. Tablo (11-a) da grld gibi nileme ilemine tabi tutularak grlt ve detaylardan arndrlm grntden elde edilen dik kenar grntsnde Tablo (10-a) ya gre grlt ve detaylardan oluan dik kenar younluklar byk bir lde yok edilmitir.
42
Kirami KAAN
Tablo (11-a) ile Tablo (10-a) ya bakldnda grnt nileme ileminin dik kenar younluklar zerinde oluturduu etki aka grlmektedir. Bu durumda grlt ve detaylardan kaynaklanan istenmeyen kenar younluklar yok edildii iin plaka blgesi belirleme aamasnda sistem kolaylkla plaka blgesini belirleyebilmektedir (baknz Tablo (11-b)). 4.2. Dik Kenar Eliminasyonunda Kullanlan Maksimum Eik Deer Faktr Yaptmz almada istenmeyen dik kenarlar elimine etmek iin Zheng ve arkadalar (2005) tarafndan nerilen maksimum eik deerinin ok dk olduunu gzlemledik. Kullanm olduumuz ara grntlerinden 20 pikselden daha fazla uzunlua sahip pakla karakterleri gelebildiini ve 20 pikselden daha uzun dik kenarlar elediimizde plaka karakterlerine ait dik kenarlarnda kaybolduunu grdk. Bu durumda plaka blgesinde en yksek seviyede olmas gereken yerel dik kenar younluunun grntde baka blgelere kaydn ve sistemin yanl blgeyi plaka blgesi olarak belirlediini grdk (baknz Tablo 12). Yaklak 350 grnt zerinde yaplan testler sonucunda maksimum eik deerini 40 piksel olarak belirledik. Tablo 12. Eliminasyon ileminde eik deerini 20 piksel olarak aldmzda elde edilen dik kenar ve plaka blgesi grnts.
a). Eik deer = 20 alndnda elde b). Bu durumda elde edilen plaka blgesi. edilen dik kenar grnts
43
Kirami KAAN
4.3. Plaka Grntsnn kili Seviyeye ndirgenmesinde Eik Deer Faktr Karakter blmleme aamasnda plaka grntsnn ikili seviyeye indirgenmesinde kullanlacak eik deeri ok kk olursa gri seviyeden ikili seviyeye indirgenen grnt zerinde kayplar olumaktadr. Bu kayplar baz durumlarda karakterlerin ortadan kaybolmas gibi hi istenmeyen bir etki oluturabilmektedir. Eik deerinin ok byk olmas durumunda ise karakterler arasndaki beyaz alanlarda istenmeyen siyah pikseller oluabilmektedir. Eik deerinin olmas gerekenden byk veya kk seilmesi durumunda ortaya kan kusurlar Tablo 13 de grlmektedir. Bu durumda karakterleri birbirinden ayrmamz imknsz hale gelmektedir. Biz almamzda bu sorunu zmek ve her bir grntye zg en uygun eik deeri bulmak iin Otsu Threshold yntemini kullandk. Burada, iki farkl ara plakas iin Otsu yntemi kullanlarak elde edilen ikili seviye grntlerinin karakter blmlemeye en uygun durumda olduu aka grlmektedir. Tablo 13. Gri seviyedeki bir grntnn ikili seviyeye indirgenmesi ve kullanlan eik deerleri.
Otsu eik deer = 109 Eik deer = 50 Eik deer = 150
Otsu eik deer = 108 Eik deer = 50 Eik deer = 150
44
BLM 4- ARATIRMA BULGULARI VE TARTIMA Tablo 14. Kullanlan eik deer durumuna gre elde edilen karakterler. a). Otsu eik deer = 108 kullanlarak elde edilen karakterler.
Kirami KAAN
b). Eik deer = 50 kullanlarak elde edilen karakterler.
c). Eik deer = 150 kullanlarak elde edilen karakterler.
Tablo 14 de ayn grnt zerinde karakter blmleme aamasnda grntnn ikili seviyeye indirgenmesinde kullanlan eik deeri iin farkl deer kullanlmtr. Kullanlan bu eik deerlerinin karakterlerin ayrtrlmas ilemine yaptklar etkiler ortaya konmutur. Tablo 14 (B ve C) de grld gibi eik deerin olmas gerekenden kk veya byk seilmesi durumunda karakter blmleme ileminde eksik sonular elde edilmitir. Bu durum sistemin baarsn olumsuz ynde etkilemektedir. Eik deer Otsu yntemiyle belirlendiinde karakterler Tablo (14-A) da grld gibi kaypsz bir ekilde blmlenmekte ve plakadaki tm karakterler elde edilmektedir.
45
BLM 4- ARATIRMA BULGULARI VE TARTIMA 4.4. Kirli Plakalar ve Plakalarda stenmeyen Paralar
Kirami KAAN
Yaplan deneylerde baz ara grntlerinde tuz-biber grlts eklinde adlandrabileceimiz kirli ara plakalar tespit edilmitir. Bu durumda kirli ara plakalarnda baz grnt iyiletirme yntemleri kullanmamz gerekmektedir. Kirli ara plakalarn iyiletirmek iin ikili seviyeye indirgenmi plaka grntleri zerinde ortalama filtreleme kullanlarak bulanklatrma ilemi gerekletirilmitir. Bu ilem, zellikle kirli plakalarda plaka zerinde tuz-biber grlts eklinde ortaya kabilecek siyah noktalarn beyaz zemin iinde kaybolmasn salayacak ve iki karakter arasndaki beyaz blge korunmu olacaktr (baknz Tablo 15). kili seviyeye indirgenmi plaka grnts zerinde plaka karakterlerini birbirinden ayran beyaz blgeler karakter blmlemede kullandmz en nemli argmandr. Dolaysyla sistemin baarl sonular retmesi iin iki karakter arasndaki beyaz blgede oluabilecek grlt ve przlerin giderilmesi gerekmektedir. Tablo 15. Kirli plakalarn temizlenmesi (grltlerden arndrlmas). Gri seviyede orijinal kili seviyeye kili seviyede plakalar indirgenmi plakalar grltlerden arndrlm plakalar
46
Kirami KAAN
Tablo 16. Kirli ve temiz plakalar zerinde elde edilen karakterlerin karlatrlmas. a). kili seviyede grltl plakadan elde edilen karakterler ve gereksiz paralar.
b). Grltlerden arndrlm plakadan elde edilen karakterler.
c). Grltlerden arndrlmasna ramen plakadan elde edilen istenmeyen paralar.
Tablo (16-a) da grltlerden arndrlmam plaka zerinde karakter blmleme ilemeleri gerekletirildiinde karakterler haricinde gereksiz paralarnda olutuu ve elde edilen karakterlerin de kirli olduu gzlemlenmektedir. Eer bu haliyle ilemlere devam edersek, oluan gereksiz paralar yok etmek iin ekstra ilem maliyeti gerekecektir. Tablo (16-b) ye bakldnda ikili seviyedeki grnt ortalama filtreleme kullanlarak grltlerden arndrlm ve gereksiz paralar olumadan sadece karakterler elde edilmitir. Bununla beraber baz grntlerde plaka zerinde kartma gibi istenmeyen nesnelerin olduu gzlemlenmitir. Tablo (16-c) ye bakldnda zerinde kartma olan bir plakann karakter blmleme aamasndaki seyri grlmektedir. Burada ikili seviyedeki grnt zerinde iyiletirme yaplarak grltlerin giderilmesine ramen kartmann brakt iz plaka zerinden silinememitir. Dolaysyla bu gibi durumlarda grlt giderilmesine ramen karakterlerden baka istenmeyen paralarn olumas kanlmaz olmaktadr. Ancak bu paralardan kurtulmak ok zor bir ilem gerektirmemektedir.
47
Kirami KAAN
Zaten grlt giderme ilemi bu parann boyutunu olduundan biraz daha kltmtr. Bu tr bir parann boyutu karakterlerin boyutundan her zaman daha kk olacaktr. Biz yaptmz almada bu durumu zmek iin yle bir yol kullandk; karakterlerin ortalama uzunluklarn hesapladk ve sonra ortalama uzunluktan daha kk uzunlua sahip paralar yok ettik. 4.5. Kamera le Ara Arasndaki Mesafe ve Bak As Yaplan almalar neticesinde bir plaka tanma siteminin baarmnda etkili bir sonu almak iin kamera ile ara arasndaki mesafenin ve bak asnn belli bir seviyede snrlandrlmas gerektii anlalmtr. Farkl mesafelerden ekilmi grntler zerinde yaptmz deneyler sonucunda 3 metreden daha fazla mesafeden ekilmi grntlerden elde edilen plaka karakterlerinin ar derecede kk olduundan dolay zellikle bulanklatrma ilemleri ve inceltme ilemlerinden sonra anlamsz ifadelere dnd grlmtr (baknz Tablo 17). Tablo 17ye bakldnda 3 metreden fazla bir mesafeden ekilen bir ara grnts zerinde sistemin davran grlmektedir. Gelitirilen sistem bu mesafeden bile plaka blgesini rahatlkla karabilmi ve karakterleri blmleyebilmitir. Ancak blmlenen karakterin ar derecede kk olmas karakterler zerinde eitli bilgi kayplarna neden olmutur. Bu bilgi kayplar elde edilen karakterlerin YSA tarafndan doru bir ekilde tannmasn engellemitir. 1 metreden daha yakndan ekilen grntlerde ise karakterler ar derecede byk olduundan sistem iin tasarlanan ortalama boyut seviyesini amakta olduu grlmtr. Bu sebeplerden dolay sistemin baarl bir ekilde almas iin ara grntlerinin standart bir mesafe aralnda elde edilmesi gerektii kanaatine vardk. Biz almamzda 1,53 metreden ekilmi grntler zerinde ideal sonular elde ettik.
48
Kirami KAAN
Tablo 17. 3 metreden daha fazla mesafeden ekilmi bir grntden elde edilen karakterler.
Daha ncede ifade ettiimiz gibi ara ile kamera arasndaki bak as da sistemin performans zerinde olduka byk bir etkiye sahiptir. Farkl alardan ekilmi grntler zerinde yaplan deneyler neticesinde 20 dereceden daha byk bir bak asyla ekilmi grntlerden elde edilen plaka blgelerinin istendii gibi tam ve dzgn bir ekilde dzeltilemedii anlalmtr. Bu durumun plaka blgesinde plakay kapsayacak en dar ereveye odaklanma ileminde baarsz sonulara sebep olduu gzlemlenmitir (baknz Tablo 18). Bu durumda da plaka karakterlerinin blmlenmesi ileminin arzu edilen ekilde gerekletirilemeyecei kanaatine varlmtr.
49
BLM 4- ARATIRMA BULGULARI VE TARTIMA Tablo 18. Bak (meyil) asnn PTS zerindeki etkisi.
Kirami KAAN
Orijinal grnt.
Grntden elde edilen meyilli plaka 21 derecelik meyil asyla meyil blgesi, = 21 . dzeltme ileminden sonra elde elden yeni plaka blgesi.
Plaka blgesinde odaklanlan en dar ereve (plaka grnts).
Plaka grntsnn ikili seviyeye indirgenmi hali.
Karakter bllmeden elde edilen baarsz sonu.
50
BLM 5- SONULAR VE NERLER
Kirami KAAN
BLM 5
SONULAR VE NERLER Bu almada zellikle grnt ileme, karakter tanma ve yapay sinir alar gibi popler alma anlarnn PTSlerin baarmn nasl iyiletirebilecei incelendi. PTS ilem aamalar analiz edildi ve baarm orann ykseltmek iin her bir aama da daha iyi sonular verecek yntemler kullanld. Plaka blgesinin belirlenmesi aamasnda grnt zerinde n ileme algoritmalar ve dik kenar istatistii kullanlarak bu sistemlerin her ortam ve koul altnda etkili ve dier yntemlere gre daha hzl sonular retmesi saland. Sistemin baarmna olumsuz ynde etki eden faktrleri ortadan kaldrmak iin karakter blmleme aamasnda izdm yntemleri kullanld. Karakterler zerinde inceltme ilemi uygulanarak karakter tanma aamas daha verimli hale getirildi. Pek ok alanda kullanlan YSAlarn karakter tanmaya olan katks ortaya kondu. YSAlarn zellikle karakter tanma aamasnda PTS iin kullanlan dier yntemlerden daha etkili sonular rettii gzlemlendi. Sonu olarak YSA ve eitli grnt ileme teknikleri kullanarak ilem zaman ksa, hesaplama gc yksek, tanma oran daha iyi olan ve daha fazla ortamda ve daha fazla koullarda alabilecek baarm oran yksek bir PTS gelitirilmeye alld. Yaplan alma neticesinde plakas okunacak bir ara grntsnn elde edilmesi srasnda kamera ile ara arasndaki mesafe ve bak asnn uygun bir deer aralnda snrlandrlmas gerektii anlald. Farkl mesafe ve bak alarndan elde edilmi grntler zerinde yaplan deneyler sonucunda sistemimizin 1,5-3 metre mesafe aralndan ve -20,+20 derece arasnda deien bak asndan elde edilmi grntler zerinde en verimli sonucu verdii grld. Dolaysyla bu sistem belirlenen snrlar dnda elde edilmi grntlerden ara plakasn tamamyla doru okuyamamaktadr. Belirlenen snrlar aralnda elde edilmi 357 grnt zerinde sistemin verdii sonular ve baarm oranlar Tabloda 19 da gsterilmektedir.
51
Kirami KAAN
Tablo 19. 357 grnt zerinde sistemin baarm oranlar. Aamalar Tm Gr. Baarl Gr. Baarm oran (%) Plaka Blgesi Belirleme Karakter Blmleme Karakter Tanma 357 357 357 357 357 340 100 100 95,238
Tabloda grld gibi sistemin her aamasnda elde edilen baarm oran ayr ayr hesaplanmtr. Burada elde edilen sonulara bakldnda, gelitirilen sistem plaka blgesi belirleme aamasnda tm grntlerden plaka blgesini belirleyebilmitir. Bu baarnn elde edilmesinde en byk etken daha ncede belirttiimiz gibi grntlerin belli bir mesafe ve bak as aralnda elde edilmesi olmutur. Yine Tablo 19 da grld zere karakter blmleme aamasnda %100 lk bir sonu elde edilmitir. Aslnda bu sonu kanlmazdr. nk baarl bir ekilde elde edilen her plaka blgesinden karakterler baarl bir ekilde ayrtrlabilmektedir. Burada aslnda sistemin de baarsna etki edecek en nemli ltn karakter tanma aamasndan elde edilen sonu olduu ortaya kmaktadr. Buda yapay sinir ann baarm oranna bal olmaktadr. Yaptmz deneyler sonucunda YSAnn eitilmesi srasnda kullanlan test verisi saysnn YSAnn baarmnda olduka etkili olduunu gzlemledik. Tablo 20 de her bir karakter iin 10, 20 ve 30ar rnek kullanlarak eitilen YSAnn baarm oranlar grlmektedir. Yaptmz almalar neticesinde YSAnn eitiminde her bir karakter iin 30ar test verisi kullanarak en yksek baarm orann elde ettik. Kullanlan 357 grntden yaklak 200n zerinde 1 ve 7 karakterleri, yaklak 100er adet de dier karakterler bulunmaktadr. Dolaysyla YSA rnein, 1 karakterinin 30 fakl rneini renerek geri kalan 170 tane farkl 1 karakterini de tanmaktadr. Aslnda karakter baznda dndmzde sistemin baarm orannn ykseklii daha ak bir ekilde ortaya kmaktadr.
52
Kirami KAAN
Tablo 20 de grld zere YSA karakter tanma aamasnda, sisteme verilen 357 grntden 340na ait karakterleri tam ve doru bir ekilde tanyabilmitir. Geri kalan 17 grntden elde edilen plakalarda ise baz karakterleri doru tanmasna ramen baz karakterleri de yanl tanm ve farkl karakterlere benzetmitir. Bu benzetme 0 saysn O harfine (yada tersi), 2 saysn Z harfine (yada tersi) ve 6 saysn G harfine (yada tersi) benzetme eklinde olumutur. Tablo 20. YSAnn eitilmesinde her bir karakter iin kullanlan test verisi saylarnn sistemin baarmna etkisi. Her bir karakter iin Tm Gr. Baarm oran (%) kullanlan test verisi says. 10 20 30 Baarl Gr. 357 125 357 260 357 340 33 69 95,238
Sonu olarak gelitirilen sistem, belirlenen mesafe ve bak alarndan elde edilmi 357 grnt zerinde ortalama %95 lik bir baar elde etmitir. Yakn gelecekte daha gelimi grnt ileme teknikleri ortaya ktka daha geni koullarda daha yksek bir baarm oranna sahip PTSlerin gelitirilebilecei aktr.
53
KAYNAKLAR
Anagnostopoulos I.E., Psoroulas I.D., Loumas V. ve Kayafas E., 2008. License Plate Recognation From Still mages and Video Sequence: A Survey. IEEE Trans. On Intelligent Transportation Systems, 9 (3): 377-391.
Anagnostopoulos C.N.E., Anagnostopoulos I.E., Loumos V. ve Kayafas E., 2006. A License Plate-Recognition Algorithm for Intelligent Transportation System Applications, IEEE Transactons On Intelligent Transportation Systems, vol. 7, no 3, pp. 377-392.
Anderson J. A., 1995. Introduction to Neural Networks. Handbook of Brain Theory and Neural Networks, (Cambridge, MA: MIT Press).
Capar A. ve Gokmen M., 2006. Concurrent segmentation and recognition with shapedriven fast marching methods, in Proc. 18th ICPR, Hong Kong, vol. 1, pp. 155 158.
Chang S., Chen L., Chung Y. ve Chen S., 2004. Automatic License Plate Recognation. IEEE Trans. On Intelligent Transportation Systems, 5 (1): 42-43.
Cheriet M., Kharma N., Liu C. ve Ching Y.S., 2007. Character Recognition Systems A Guide for Students and Practitioners. Wiley.
Comelli P., Ferragina P., Granieri M.N. ve Stabile F., 1995. Optical recognition of motor vehicle license plates, IEEE Trans. Veh. Technol., vol. 44, no. 4, pp. 790799, Nov.
Dlagnekovin L., 2004. Video-based car surveillance: license plate, make, and model recognition. M.Sc Thesis (Yksek Lisans Tezi). Comput. Sci. Eng. Dept., Univ. California San Diego.
Duan T.D., Du T.L.H., Phuoc T.V. ve Hoang N.V., 2005. Building an automatic vehicle license-plate recognition system, in Proc. Int. Conf. Comput. Sci. (RIVF), pp. 59 63. 54
Gang L., Ruili Z. ve Ling L., 2006. Research on vehicle license plate location based on neural Networks. in: First International Conference on Innovative Computing, Information and Control, 3: 174-177.
Gonzalez R. ve Woods R., 2002. Digital Image Processing. Prentice Hall, Upper Saddle River, New Jersey.
Hazanchuk A. ve Neoh H.S., 2004. Adaptive Edge Detection for Real-Time Video Video Processing using FPGAs, International Signal Processing Conference (ISPC), Santa Clara, California, September 27-30.
Hongliang B. ve Changping L., 2004. A hybrid license plate extraction method based on edge statistics and morphology. in Proc. International Conference on Pattern Recognition, 2: 831834.
Hsieh C.T., Juan Y.S. ve Hung K.M., 2005. Multiple license plate detection for complex background, in Proc. Int Conf. AINA, vol. 2, pp. 389392.
Huang Y.P., Lai S.Y. ve Chuang W.P., 2004. A template-based model for license plate recognition, in Proc. IEEE Int. Conf. Netw., Sensing and Control, pp. 737742.
Kahraman F., Kurt B. ve Gkmen M., 2003. License Plate Character Segmentation Based on the Gabor Transform and Vector Quantization. ISCIS Computer and Information Sciences, 2869: 381388.
Kapoor R., Bagai D. ve Kamal T.S., 2004. A new algorithm for skew detection and correction. Elsevier Science Inc. Pattern Recognition Letters, 25 (11):1215-1229.
Kim K.K., Kim K.I., Kim J.B. ve Kim H.J., 2000. Learning-based approach, for license plate recognition, in Proc. IEEE Signal Process. Soc. Workshop, Neural Netw. Signal Process., vol. 2, pp. 614623.
55
Kim S.K., Kim D.W. ve Kim H.J., 1996. A recognition of vehicle license plate using a genetic algorithm based segmentation, in Proc. Int. Conf. Image Process., Sep. vol. 1, pp. 661664.
Nagendraprasad M.V., Wang P.S.P. ve Gupta A., 1993. Algorithms for thinning and rethickening binary digital patterns. Digital Signal Processing, 3: 97102.
Nijhuis J.A.G., ter Brugge M.H., Helmholt K.A., Pluim J. P.W., Spaanenburg L., Venema R.S. ve Westenberg M.A., 1995. Car license plate recognition with neural networks and fuzzy logic, in Proc. IEEE Int. Conf. Neural Netw., vol. 5, pp. 22322236.
Nomura S., Yamanaka K., Katai O., Kawakami H. ve Shiose T., 2005. A novel adaptive morphological approach for degraded character image segmentation, Pattern Recognit., vol. 38, no. 11, pp. 19611975, Nov.
Otsu N., 1979. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics., vol. 9, no. 1, pp. 6266.
Shi X., Zhao W. ve Shen Y., 2005. Automatic License Plate Recognition System Based on Color Image Processing. Computational Science and Its Applications, 3483: 1159 1168.
Zheng D., Zhao Y. ve Wang J., 2005. An Efficient Method of License Plate Location. Pattern Recognation Letters, 26: 2431 2438.
Zimic N., Ficzko J., Mraz M. ve Virant J., 1997. The fuzzy logic approach to the car numlber plate locating problem, in Proc. IIS, pp. 227 230.
Zunino R. ve Rovetta S., 2000. Vector quantization for license-plate location and image coding, IEEE Trans. Ind. Electron., Feb, vol. 47, no. 1, pp. 159167.
Xiong J., Gao S. Du, D. ve Shen Q., Locating car license plate under various illumination conditions using genetic algorithm, in Proc. ICSP, pp. 25022505.
56
TABLOLAR LSTES Sayfa No Tablo 1. Yerel dik kenar younluklar.................................................................................16 Tablo 2. Aday plaka blgeleri..17 Tablo 3. Muhtemel plaka blgesine odaklanma......19 Tablo 4. Meyil dzeltme ilemleri...21 Tablo 5. Plaka zerinde izdm ilemleri..23 Tablo 6. Karakterlerin ayrtrlmas....27 Tablo 7. Karakterlerin nceltilmesi..................................................................................29 Tablo 8. Beklenen deerler matrisinde hangi satrn hangi karaktere ait olduunu gsterir..37 Tablo 9. Tasarladmz YSA modelinde kullanlan parametreler ve eerleri.............38 Tablo 10. Grnt nileme ilemine tabi tutulmayan orijinal ara grntsnden dik kenar bularak plaka blgesini belirleme...............................................................................42 Tablo 11. Grnt nileme ilemine tabi tutularak grlt ve detaylardan arndrlm ara grntsnden dike kenar bularak plaka blgesini belirleme.......42 Tablo 12. Eliminasyon ileminde eik deerini 20 piksel olarak aldmzda elde edilen dik kenar ve plaka blgesi grnts..................................................................................43 Tablo 13. Gri seviyedeki bir grntnn ikili seviyeye indirgenmesi ve kullanlan eik deerleri....44 Tablo 14. Kullanlan eik deer durumuna gre elde edilen karakterler.....45 Tablo 15. Kirli plakalarn temizlenmesi (grltlerden arndrlmas)....46 Tablo 16. Kirli ve temiz plakalar zerinde elde edilen karakterlerin karlatrlmas....47
Tablo 17. 3 metreden daha fazla mesafeden ekilmi bir grntden elde edilen karakterler.49 Tablo 18. Bak (meyil) asnn PTS zerindeki etkisi.......................................................50 Tablo 19. 357 grnt zerinde sistemin baarm oranlar..52 Tablo 20. YSAnn eitilmesinde her bir karakter iin kullanlan test verisi saylarnn sistemin baarmna etkisi.....53
II
EKLLER LSTES Sayfa No ekil 1. Orijinal ara grnts.........................................................................................9 ekil 2. Grlt ve detaylardan arndrlm ara grnts........10 ekil 3. Ana grnt ile filtre elemannn (convulation matrisi) convulation ilemine tabi tutulmas....11 ekil 4. Sobel operatr kullanlarak ara grntsnden edilen Yatay ve Dikey kenar grnts.......12 ekil 5. Sobel operatr kullanlarak ara grntsnden edilen dik kenar grnts....12 ekil 6. stenmeyen kenarlardan arndrlm dik kenar grnts..12 ekil 7. a). Dik kenar belirlemede kullanlan sobel filtre eleman, b). Yatay kenar belirlemede kullanlan sobel filtre eleman...13 ekil 8. Yerel dik kenar younluklarnn hesaplanmas. a). Dik kenar D matrisi, b). Dik kenar matrisinden elde edilen yerel younluklarn depoland B matrisi................15 ekil 9. Dik kenar grnts zerinde sadece plaka blgesindeki dik kenarlara younlam D matrisinin grnts............................................................................18 ekil 10. Ara plakasn ieren dikdrtgensel plaka blgesi19 ekil 11. ( x, y ) Koordinat sistemindeki bir dorunun polar parametre ( p, ) izdmleri...20 ekil 12. Plaka blgesinde sadece plaka karakterlerini kapsayan en dar erevenin grnts..22 ekil 13. nceltme ilemine tabi tutulan p pikseli ve komu pikselleri....27 ekil 14. a). Karakterin inceltme ileminden nceki hali, b). Karakterin inceltme ileminden sonraki hali.29 ekil 15. YSAy oluturan bir sinir hcresinin yaps.31 III
ekil 16. Sigmoid doygunluk fonksiyonu........................................................32 ekil 17. katmanl ileri beslemeli bir YSA.....33 ekil 18. a). kili seviyede inceltilmi karakter grnts ve piksel matrisi, b). [3020] boyutlarndaki standart bir ablon matrisine aktarlm karakter grnts ve piksel matrisi...................................................................................................................................36 ekil 19. YSA da eitilecek her bir karakter iin tanmlanan beklenen deerler matrisi.....38 ekil 20. 990 test verisi iin 495000 kez altrlan YSAda elde edilen hata oranlarnn (MSE) listesi.............39 ekil 21. P karakteri iin YSAnn rettii ktlar...............................................40
IV
ZGEM KSEL BLGLER Ad Soyad Doum Yeri Doum Tarihi ETM DURUMU Lisans renimi: anakkale Onsekiz Mart niversitesi Bilgisayar Mhendislii Yksek Lisans renimi: anakkale Onsekiz Mart niversitesi Bilgisayar Mhendislii Bildii Yabanc Diller: ngilizce BLMSEL FALYETLER a) Yaynlar SCI Dier b) Bildiriler Uluslararas Ulusal B Uurlu, K Kaan ve Trkylmaz (2010) Bilgi Gvenliinde El Yazs, Akademik Biliim, 10 - 12 ubat 2010, Mula niversitesi. c) Katld Projeler DENEYM alt Kurumlar ve Yl: anakkale Onsekiz Mart niversitesi, Bilgisayar Mhendislii Blm, Ar. Gr. 2008 ... LETM E-posta Adresi: krkacan@gmail.com :Kirami KAAN :Erzurum :10.02.1984

Yapay Sinir Ağları Kullanılarak Araç Plakalarının Tanınması

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Yapay Sinir Ağları Kullanılarak Araç Plakalarının Tanınması

Uploaded by

Copyright:

Available Formats

T.C.

YAPAY SNR ALARI KULLANILARAK ARA PLAKALARININ TANINMASI

Tez Danman: Yrd. Do. Dr. brahim TRKYILMAZ

Yrd. Do. Dr. brahim TRKYILMAZ Danman

Yrd. Do. Dr. smail KADAYIF Jri yesi

Yrd. Do. Dr. brahim BULUT Jri yesi

Sra No: 530 Tez Savunma Tarihi: 25 / 06 / 2010

Prof. Dr. smail TARHAN Mdr Fen Bilimleri Enstits

NTHAL (AIRMA) BEYAN SAYFASI

YAPAY SNR ALARI KULLANILARAK ARA PLAKALARININ TANINMASI

LICENSE PLATE RECOGNITION USING ARTIFICIAL NEURAL NETWORKS

BLM 2- NCEK ALIMALAR

BLM 2- NCEK ALIMALAR

BLM 2- NCEK ALIMALAR

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM problemlerin stesinden gelebilecek etkin zmler de

Kirami KAAN retilebilmektedir

ekil 1. Orijinal ara grnts.

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

ekil 6. stenmeyen kenarlardan arndrlm dik kenar grnts. 12

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM 3.2.3 stenmeyen Dik Kenarlar Yok Etme

BLM 3- MATERYAL VE YNTEM 3.2.4 Dikdrtgensel Plaka Blgesine Odaklanma

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM tekrarlanr.

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

ekil 10. Ara plakasn ieren dikdrtgensel plaka blgesi.

BLM 3- MATERYAL VE YNTEM 3.2.6 Plaka Blgesinde Meyil Dzeltme

ekil 11. ( x, y ) Koordinat sistemindeki bir dorunun polar parametre ( p, ) izdmleri.

[O,A] doru paras ile x ekseni arasndaki a.

BLM 3- MATERYAL VE YNTEM ki boyutlu bir f ( x, y ) fonksiyonunun radon dnm R= ( p, )

f ( x, y ) ( p x cos( ) y sin( ) ) dxdy

denkleminde yerine yazlarak plakadaki muhtemel eiklik dzeltilmektedir. Meyil

Meyil dzeltme ileminden sonra elde edilen grntler

BLM 3- MATERYAL VE YNTEM 3.3. Plaka Blgesinde Karakterlere Odaklanma

B1). Yatayda istenmeyen alanlar yok edilmi plaka blgesi.

2- Dikey kenarlar zerinde dikey izdm.

A2). Plaka blgesinin yatay kenar grnts.

A3). Yatay kenar grntsnn yatay izdm.

B3). Dik kenar grntsnn dikey izdm.

A4). Yatayda istenmeyen alanlar yok edilmi plaka blgesi.

B4). Elimine ileminden sonra elde edilen yeni dikey izdm.

BLM 3- MATERYAL VE YNTEM 3.4. Karakter Blmleme

BLM 3- MATERYAL VE YNTEM

P Grltlerden arndrlm ikili seviyedeki plakann piksel deerlerini tutan

For i=1,2,,N IF End For

PV [i ] < Max Then V1[] = i ;

PV [ j ] < Max Then V2 [] = j ;

BLM 3- MATERYAL VE YNTEM Tablo 6. Karakterlerin ayrtrlmas.

ekil 13. nceltme ilemine tabi tutulan p pikseli ve komu pikselleri.

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM

BLM 3- MATERYAL VE YNTEM 3.6. Karakter Tanma

BLM 3- MATERYAL VE YNTEM

ekil 15. YSAy oluturan bir sinir hcresinin yaps.

BLM 3- MATERYAL VE YNTEM

ekil 16. Sigmoid doygunluk fonksiyonu.

1[n] bias deerleri ve w1[n, k ] arlk deerleri, k katman iin de

BLM 3- MATERYAL VE YNTEM