تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > Automatic Libyan Vehicles Plat...>الوصف

Automatic Libyan Vehicles Plate Recognition Based on K-Nearest Neighbor "KNN"

العنوان بلغة أخرى: التعرف التلقائي على لوحات المركبات الليبية بناءً على "KNN"
المصدر: مجلة شمال إفريقيا للنشر العلمي
الناشر: الأكاديمية الأفريقية للدراسات المتقدمة
المؤلف الرئيسي: علي، نوري (مؤلف)
المؤلف الرئيسي (الإنجليزية): Ali, Nouri
مؤلفين آخرين: عمر، سليمان (م. مشارك) , نمرود، إيمان (م. مشارك) , إبراهيم، محسن (م. مشارك)
المجلد/العدد: مج2, ع3
محكمة: نعم
الدولة: ليبيا
التاريخ الميلادي: 2024
الشهر: سبتمبر
الصفحات: 36 - 42
ISSN: 2959-4820
رقم MD: 1525349
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EduSearch, HumanIndex
مواضيع:
لوحات المركبات | لوحات الترخيص | الأنظمة المرورية | مراقبة الموانئ | ليبيا
كلمات المؤلف المفتاحية:
التعرف على لوحة الترخيص | مطابقة القالب | استخراج منطقة اللوحة | التجزئة | التشكل | التلطيخ | License Plate Recognition | Edge-Detection | K-Nearest Neighbor | Template Matching | Plate Region Extraction | Segmentation | Morphology | Smearing
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون
حفظ في:
المستخلص: هناك العديد من الاستخدامات للتعرف على لوحة الترخيص وتحديد هويتها (LPR) في أنظمة المرور، بما في ذلك نقاط التفتيش الحدودية والجمركية، وجمع رسوم المرور الإلكترونية على الطرق السريعة. لقد تم استخدامه على نطاق واسع في مراقبة الموانئ وبوابات المطارات ورسوم الطرق السريعة والجسور وكل ذلك يدفع جهودنا لتطوير نظام LPR فعال مصمم خصيصا للتعرف على لوحة الترخيص الليبية. باستخدام لوحة الترخيص الحالية والمطلوبة قانونا، تعد القراءة الآلية للوحة الترخيص طريقة عملية ومفيدة للغاية. تناقش هذه الورقة استخدام الرؤية الحاسوبية للتعرف على لوحة الترخيص في الوقت الحقيقي، سيكون التركيز الأساسي على تموضع المنطقة المستهدفة مع استخدام KNN. بالإضافة إلى ذلك، يجب تحسين المناطق بشكل أكبر عن طريق إزالة المناطق غير المستهدفة مع الاحتفاظ بمناطق النص المرشحة. ومع ذلك، التشكل ضروري للتمييز بين بعض الميزات مجتمعة. وهذا نظام منطقي لائق مع KNN. المكونان الرئيسيان للطريقة المقترحة هما استخراج منطقة اللوحة، وتجزئة الأحرف والأرقام، وتحديد أحرف اللوحة المستندة إلى K-NN. يتضمن تصنيف النص في هذا العمل عمليتين: عملية التدريب وعملية التصنيف. في البداية، يتم تدريب النظام على فهم مظهر كل فئة باستخدام مجموعة من المستندات التي تم تصنيفها بالفعل. ثانيا، يقوم المصنف بتصنيف المستندات المستلمة حديثا باستخدام "نموذج" التدريب. باستخدام مستندات التدريب ذات الفئات المعروفة، يقوم أسلوب تصنيف الجوار KNN بتحديد موقع أقرب جار لمستند العينة الجديد من بين كل هذه المستندات. يمكن العثور على فئة المستند الجديدة بفضل هؤلاء الجيران. ويتم استخدام مطابقة القالب الإحصائي للتعرف على أحرف اللوحة. في الصور الفعلية، تم تقييم أداء الخوارزمية المقترحة. لاحظنا أن أداء نظامنا أفضل في التعرف على لوحة ترخيص السيارة بناء على نتائج التجربة.. أثناء الاختبار، حصلنا على نتيجة قوية. تحققت التقنية المقترحة من معدلات الاستخراج المرتفعة باستخدام حواف رأسية مختلفة تتوافق مع الصور الطبيعية الأقرب إليها.

There are numerous uses for license plate recognition and identification (LPR/I) in traffic systems, including border and customs checkpoints, red light enforcement, and highway electronic toll collection. It has been widely utilized in port, airport gate surveillance, highway and bridge charges and All of that drives our efforts to develop an effective LPR/I system tailored for Libyan license plate recognition. Using the current, legally needed license plate, automated license plate reading is a very practical and helpful method. This paper discusses the use of computer vision for real-time license plate recognition and vehicle detection. For detection and recognition, respectively, the primary focus will be on integrating vertical edge matching with k-nearest neighbor. Additionally, to effectively localize, regions must be further enhanced by removing non-text regions while keeping candidate text regions. However, morphology is necessary to distinguish some combined features. And that is a decent, logical system with k-nearest to recognize the character based on it. The two main components of the suggested method are the extraction of the plate region, segmentation of the characters and digits, and KNN-based plate character identification. In this work text categorization involves two processes: the training process and classification process Initially, the system is trained to comprehend the appearance of each category using a set of documents that have already been categorized. Second, the classifier classifies newly received documents by using the training 'model'. By using training documents with known categories, the K-Nearest neighbor classification approach locates the new sample document's closest neighbor among all of them. The new document category can be found thanks to these neighbors. Statistical template matching is used for the recognition of plate characters. On actual photos, the suggested algorithm's performance has been evaluated. We observed that our system performs better in car license plate recognition based on the trial findings while testing, and we obtained a strong result. The suggested technique verified which extraction rates are high by using different vertical edge matching with the k-nearest natural images.
ISSN: 2959-4820

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.