Automatic License Plate Recognition Based on Deep Learning

Öz

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.

Anahtar Kelimeler

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

Derin Öğrenme Tabanlı Otomatik Plaka Tanıma

Öz

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.  

Anahtar Kelimeler

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

Kaynakça

1. 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)
2. ImageNet Large Scale Visual Recognition Competition (ILSVRC), http://image-net.org/challenges/LSVRC/
3. http://cvlab.postech.ac.kr/~bhhan/class/cse703r_2016s/Hyeongseok_Deep_Residual_Learning_for_Image_Recognition.pptx
4. Arı A. and Hanbay D., “Bölgesel Evrişimsel Sinir Ağları Tabanlı MR Görüntülerinde Tümör Tespiti”, Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 18-2, (2018)
5. Kızrak A. and Bolat B., "Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma”, Bilişim Teknolojileri Dergisi, 11:263-286, (2018)
6. Uçar A. and Bingöl M. S., “Derin öğrenmenin Caffe kullanılarak grafik işleme kartlarında değerlendirilmesi”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 39-49, (2018)
7. 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)
8. İnik Ö. and Ülker E., “Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri”, Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3):85-104, (2017)

9. 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)
10. 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)
11. Cengil, E. and Çınar A., “A New Approach for Image Classification: Convolutional Neural Network”, European Journal of Technic, 6(2):96-103, (2016)
12. 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)
13. Girshick R., "Fast R-CNN", Proceedings of the IEEE International Conference on Computer Vision, Washington-USA, 1440–1448, (2015)
14. 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)
15. He K., Gkioxari G., Dollár P. and Girshick, R., “Mask R-CNN”, International Conference on Computer Vision, Venice-ITALY, 2980-2988, (2017)
16. https://medium.com/@jonathan_hui/image-segmentation-with-mask-r-cnn-ebe6d793272
17. Dutta, A., Gupta A. and Zissermann A., VGG Image Annotator (VIA), http://www.robots.ox.ac.uk/~vgg/software/via.
18. Google Colaboratory, https://colab.research.google.com.
19. Waleed A., Mask R-CNN for object detection and instance segmentation on Keras and TensorFlow, https://github.com/matterport/Mask_RCNN.
20. Common Objects in Context, http://cocodataset.org
21. 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)