Automatic License Plate Recognition Based on Deep Learning

Year 2020, , 955 - 960, 01.12.2020

Fatih Bayram

https://doi.org/10.2339/politeknik.515830

Cited By: 17

Abstract

Nowadays,
the increase in the number of vehicles has enhanced the importance of automatic
license plate recognition systems. The automatic license plate recognition
systems has widely used in areas of traffic control operations, highway
crossings, car park entrance-exit controls etc. As the traditional image
processing techniques have a need of raw image’s excessive pre-processing, with
the recent advances in this area have significantly decreased the
pre-processing processes and increased the performance rates. This study presents
a system that automatically recognizes the images of the license plates
observed from camera. The developed system is based on Mask Region Based
Convolutional Neural Networks (Mask-RCNN) which is the state-of-the-art deep
learning techniques in the field of computer vision. In this study,
convolutional neural networks, Mask-RCNN and the obtained results of Mask-RCNN
have been explained.

Keywords

Automatic license plate recognition, deep learning, mask region based convolutional neural networks

Derin Öğrenme Tabanlı Otomatik Plaka Tanıma

Abstract

Günümüzde araç
sayısındaki artış plaka tanıma sistemlerine olan ihtiyacı arttırmıştır.
Otomatik plaka tanıma sistemleri trafik denetim işlemleri, otoyol geçişleri,
otopark giriş-çıkış kontrolleri ve daha birçok alanda yaygın olarak
kullanılmaktadır. Geleneksel görüntü işleme teknikleri ile ham görüntü çok
fazla önişlemden geçirilmesi gerekmekte iken, bu alandaki son gelişmelerle
birlikte önişlem süreçleri önemli ölçüde azalmış ve başarım oranları artmıştır.

Bu çalışmada
kamera görüntülerinden otomatik olarak plaka tanıyabilen bir sistem
geliştirilmiştir. Geliştirilen sistem bilgisayarla görü alanındaki en ileri
derin öğrenme tekniklerinden olan Maskeli Bölgesel Evrişimsel Sinir Ağları
(M-BESA) tabanlıdır. Bu makalede evrişimsel sinir ağları ve kullanılan M-BESA
modeli elde edilen sonuçlarıyla birlikte açıklanmıştır.  

Keywords

Otomatik plaka tanıma, derin öğrenme, maskeli bölgesel evrişimsel sinir ağları

References

• Krizhevsky A., Sutskever I. and Hinton G. E., “Imagenet classification with deep convolutional neural networks”, Advances in Neural Information Processing Systems, 25:1097-1105, (2012)
• ImageNet Large Scale Visual Recognition Competition (ILSVRC), http://image-net.org/challenges/LSVRC/
• http://cvlab.postech.ac.kr/~bhhan/class/cse703r_2016s/Hyeongseok_Deep_Residual_Learning_for_Image_Recognition.pptx
• Arı A. and Hanbay D., “Bölgesel Evrişimsel Sinir Ağları Tabanlı MR Görüntülerinde Tümör Tespiti”, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 18-2, (2018)
• Kızrak A. and Bolat B., "Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma”, Bilişim Teknolojileri Dergisi, 11:263-286, (2018)
• Uçar A. and Bingöl M. S., “Derin öğrenmenin Caffe kullanılarak grafik işleme kartlarında değerlendirilmesi”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 39-49, (2018)
• Han X., Zhong Y., Cao L. and Zhang L., “Pre-Trained AlexNet Architecture with Pyramid Pooling and Supervision for High Spatial Resolution Remote Sensing Image Scene Classification”, Remote Sensing, 9:848, (2017)
• İnik Ö. and Ülker E., “Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri”, Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3):85-104, (2017)
• Doğan F., and Türkoğlu İ., "Derin Öğrenme Algoritmalarının Yaprak Sınıflandırma Başarımlarının Karşılaştırılması", Sakarya University Journal of Computer and Information Sciences, 1(1):10-21, (2018)
• Civaner O. F. and Kamaşak M., “Classification of pediatric snoring episodes using deep convolutional neural networks”, Signal Processing and Communications Applications Conference, İzmir, 1-4, (2018)
• Cengil, E. and Çınar A., “A New Approach for Image Classification: Convolutional Neural Network”, European Journal of Technic, 6(2):96-103, (2016)
• Girshick R., Donahue J., Darrell T. and Malik J., “Rich feature hierarchies for accurate object detection and semantic segmentation”, Computer Vision and Pattern Recognition, 580-587, (2014)
• Girshick R., "Fast R-CNN", Proceedings of the IEEE International Conference on Computer Vision, Washington-USA, 1440–1448, (2015)
• Ren S., He K., Girshick R. and Sun J., “Faster R-CNN: Towards real-time object detection with region proposal networks”, Advances in Neural Information Processing Systems, 28: 91–99, (2015)
• He K., Gkioxari G., Dollár P. and Girshick, R., “Mask R-CNN”, International Conference on Computer Vision, Venice-ITALY, 2980-2988, (2017)
• https://medium.com/@jonathan_hui/image-segmentation-with-mask-r-cnn-ebe6d793272
• Dutta, A., Gupta A. and Zissermann A., VGG Image Annotator (VIA), http://www.robots.ox.ac.uk/~vgg/software/via.
• Google Colaboratory, https://colab.research.google.com.
• Waleed A., Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow, https://github.com/matterport/Mask_RCNN.
• Common Objects in Context, http://cocodataset.org
• He K., Zhang X., Ren S. and Sun J., “Deep Residual Learning for Image Recognition”, IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas-USA, 770-778, (2016)