yapay sinir ağları kullanılarak araç plakalarının tanınması

8/4/2019 Yapay Sinir Alar Kullanlarak Ara Plakalarnn Tannmas

1/69

T.C.

ANAKKALE ONSEKZ MART NVERSTES

FEN BLMLER ENSTTS

YKSEK LSANS TEZ

YAPAY SNR ALARI KULLANILARAK

ARA PLAKALARININ TANINMASI

Kirami KAAN

Bilgisayar Mhendislii Anabilim DalTezin Sunulduu Tarih: 25.06.2010

Tez Danman:

Yrd. Do. Dr. brahim TRKYILMAZ

ANAKKALE


2/69

ii

YKSEK LSANS TEZ SINAV SONU FORMU

KRAM KAAN tarafndan YRD. DO. DR. BRAHM TRKYILMAZ

ynetiminde hazrlanan YAPAY SNR ALARI KULLANILARAK ARA

PLAKALARININ TANINMASIbalkl 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 Yrd. Do. Dr. brahim BULUT

Jri yesi Jri yesi

Sra No: 530

Tez Savunma Tarihi: 25 / 06 / 2010

Prof. Dr. smail TARHAN

Mdr

Fen Bilimleri Enstits


3/69

iii

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 belirttiimibeyan ederim.

Kirami KAAN


4/69

iv

TEEKKR

Sadece tezimin hazrlanmas srecindedeil 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


5/69

v

SMGELER VE KISALTMALARLSTES

PRS (Plate Recognation System): Plaka Tanma Sistemi

ANN (Artificial Neural Network) : Yapay Sinir Alar


6/69

vi

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 iyeletirmeilemi 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

algoritmaskullanan katmanl ileri beslemeli bir yapay sinir a kullanlarak karakterlertanmland.

Anahtar szckler: Grnt leme, Karakter Blmleme, Karakter Tanma, Yapay Sinir

Alar.


7/69

vii

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 thehelp 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.


8/69

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 .................................................................................83.2.1. Grnt nileme ............................................................................................93.2.2. Dik Kenarlar Belirleme .................................................................................113.2.3. stenmeyen Dik Kenarlar Yok Etme ...........................................................143.2.4. Dikdrtgensel Plaka Blgesine Odaklanma .................................................153.2.5. Dikdrtgensel Plaka Blgesinin Kesilip karlmas ..................................193.2.6. Plaka Blgesinde Meyil Dzeltme ................................................................20

3.3. Plaka Blgesinde Karakterlere Odaklanma.........................................................223.3.1. Yatay Kenarlar zerinde Yatay zdm lemi .......................................223.3.2. Dikey Kenarlar zerinde Dikey zdm lemi ........................................24

3.4. Karakter Blmleme .............................................................................................253.5. Karakter nceltme ..................................................................................................273.6. Karakter Tanma ...................................................................................................30

3.6.1. Yapay Sinir Alar (YSA) ..............................................................................303.6.2. YSAlarn Snflandrlmas ..........................................................................313.6.3. leri Beslemeli YSA ........................................................................................323.6.4. leri Beslemeli YSAnn Eitilmesi ...............................................................333.6.5. 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 ...........................434.3. Plaka Grntsnn kili Seviyeye ndirgenmesinde Eik Deer Faktr......444.4. Kirli Plakalar ve Plakalarda stenmeyen Paralar .............................................464.4. Kamera ve Ara Arasndaki Mesafe ve Bak As ............................................48

BLM 5 - SONULAR VE NERLER...................................................................... 51

KAYNAKLAR .................................................................................................................... 54

Tablolar.................................................................................................................................. I

ekiller ................................................................................................................................ III

zgemi ............................................................................................................................... V


9/69

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 tarafndanokunur, 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.


10/69

BLM 1- GR Kirami KAAN

2

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.


11/69

BLM 2- NCEK ALIMALAR Kirami KAAN

3

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 dezavantajlarbulunmaktadr. Baarm oran yksek

bir PTS iin en etkili sonucu verecek bir yntem semek gerekmektedir.

Plaka blgesi belirlemede kullanlan renk tabanl (color-based) yntemlerkarakteristik 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


12/69


4

renk deerleri zerinde insan algsn temel alan bulank kurallar belirleyerek bulank

mantk yntemiyle plaka blgesinitespit 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 yeniplaka 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 almadayapay 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 genetikalgoritmalar etkin bir ekilde kullanmlardr.


13/69


5

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 hzlsistemler 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 adaptifmorfolojik 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.


14/69

BLM 3- MATERYAL VE YNTEM Kirami KAAN

6

BLM 3

MATERYAL VE YNTEM

Bu blmde bir PTSnin tanm, ilevi, hangi aamalardan olutuu ve bu

aamalarda kullanlan materyal ve yntemlerdetayl 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 fonksiyonlarayrntl 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 aygtlarPTSnin 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):


15/69


7

1. Plaka blgesinin belirlenmesi (Plate Region Determination); orijinal aragrntsnden aracn plakasn ieren dikdrtgensel plaka blgesinin saptanmas ve

karlmas.

2. Karakter blmleme (Character Segmentation); plaka blgesindeki karakterlerinbirbirinden ayrtrlarak, her bir karakterin karakter tanma sisteminin kullanmna

hazr hale getirilmesi.

3. Karakter tanma (Character Recognition); orijinal grntden elde edilen grnttabanl 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.


16/69


8

Gelitirilmi birok PTS; sabit arka plan, kontroll klandrma, nceden

belirlenmi sabit kamera ara uzakl, as ve snrlplaka tiplerinde alabilmektedir

(Chang ve ark., 2004). Bu kstlamalardan dolay PTSler nceden belirli bir kullanm

amac ve ortamna gre en yksek baarm orannvermektedirler. 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 olarakortaya 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

uygulanmassrasnda 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


17/69


9

problemlerin stesinden gelebilecek etkin zmler de 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.


18/69


10

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 yardmylaiyiletirilmesi 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

0

i i

i

y x m=

= (3.1)


19/69


11

ekil 3. Ana grnt ile filtre elemannn (konvolsyon matrisi) konvolsyon ileminetabi 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 bulmaprensibi dikkate alnarak

gelitirilmitir. Renk deerlerindeki ani deiimler genelde grnt iindeki objelerin

snrlarna karlk gelmektedir. Kenar bulma ilemi, temel olarak bir kenar belirlemeoperatr (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 zerindeyerel 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 (zero-crossing) aranarak kenarlar belirlenir. Bir eik deer belirlenerek bu deerin

zerinde olan noktalar zero-crossing yani kenarlar olarak belirlenir.


20/69


12

ekil 4. Sobel operatr kullanlarak ara grntsnden edilen Yatay ve Dikey kenargrnts.

ekil 5. Sobel operatr kullanlarak ara grntsnden edilen dik kenar grnts.

ekil 6. stenmeyen kenarlardan arndrlm dik kenar grnts.


21/69


13

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 kenarbelirlemede kullanlan sobel filtre eleman.


22/69


14

3.2.3 stenmeyen Dik Kenarlar Yok Etme

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 6yabakldnda yok etme ilemi sonucunda ekil 5 de grlen ok

uzun ve ok ksa kenarlarn net bir ekilde ortadan kaybolduu grlmektedir. Bu durumdaartk en yksek yerel dik kenaryounluuna sahip tek blge plaka blgesi olarak karmza

kmaktadr.


23/69


15

3.2.4 Dikdrtgensel Plaka Blgesine Odaklanma

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 30k < ve

0 40l < 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 ( 1) 1 16 ( 1) 1

16 16

[ , ] [ , ]

k l

i k j l

B k l D i j

+ +

= = = (3.2)

ekil 8. Yerel dik kenar younluklarnn hesaplanmas. a). Dik kenar D matrisi, b). Dikkenar matrisinden elde edilen yerel younluklarn depoland B matrisi.


24/69


16

Bu ilemler sonucunda oluan yerel dik kenar younluklarn tutan B matrisinin

grnts Tablo (1-a) da gsterilmektedir. Buradaki ekillerebakldnda 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

gsteren B matrisinin grnts.

b). Yok etme ileminden sonra elde edilen

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 parametreolarak 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


25/69


17

tekrarlanr. 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 parlakblge 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

matrisinin grnts.

b). Yok etme ileminden sonra oluan

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


26/69


18

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 kenarlarayounlam D matrisinin grnts.

Muhtemel plaka blgesinin, plakay tmyle kapsayacak ekilde belirlenebilmesiiin 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.


27/69


19

Tablo 3. Muhtemel plaka blgesine odaklanma.a). Muhtemel plaka blgesini tmyle

kapsayacak dikdrtgensel yerel blgeyi

gsteren N matrisinin grnts.

b). Orijinal grnt zerinde Muhtemel

plaka blgesinin 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.


28/69


20

3.2.6 Plaka Blgesinde Meyil Dzeltme

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,

cos( ) sin( ) p x y = + (3.3)

eklinde yazlr.

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

pBir izginin orijinden dikey uzakl.

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


29/69


21

ki boyutlu bir ( , ) f x y fonksiyonunun radon dnm

( )( , ) ( , ) cos( ) sin( ) R p f x y p x y 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 2 2 p M N = + olur ve

stun says da 180 = olur. Burada meyil asn bulmak iin yaplacak i R matrisindeki

en yksek deerin indisinin bulunmasdr. Elde edilen bu meyil as,

cos( ) sin( )sin( ) cos( )

i i

j j

=

(3.5)

denkleminde yerine yazlarak plakadaki muhtemel eiklik dzeltilmektedir. Meyil

dzeltme ileminden elde edilen sonular Tablo 4 de gsterilmektedir.

Tablo 4.Meyil dzeltme ilemleri.Elde edilen plaka blgesi

grntleriSaptananmeyil as

Meyil dzeltme ilemindensonra elde edilen grntler

1 =

2 =

4 =

7 =

13 =

19 =


30/69


22

3.3. Plaka Blgesinde Karakterlere Odaklanma

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 ereveningrnts.

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 grntszerinde 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.


31/69


23

Tablo 5.Plaka zerinde izdm ilemleri.1- Yatay kenarlar zerinde yatay

izdm.2- Dikey kenarlar zerinde dikey

izdm.A1). Plaka blgesi. B1). Yatayda istenmeyen alanlar yok edilmi

plaka blgesi.

A2). Plaka blgesinin yatay kenar grnts. B2). Yatayda istenmeyen alanlar yok edilmiplaka blgesinin dik kenar grnts

A3). Yatay kenar grntsnn yatay izdm. B3). Dik kenar grntsnn dikey izdm.

A4). Yatayda istenmeyen alanlar yok edilmiplaka blgesi.

B4). Elimine ileminden sonra elde edilen yenidikey izdm.

B5). Yatayda ve dikeyde istenmeyen alanlar yok edilmi, sadece plaka karakterlerini kapsayan araplakas.


32/69


24

3.3.2. Dikey Kenarlar zerinde Dikey zdm lemi

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).


33/69


25

3.4. Karakter Blmleme

Karakter blmleme ilemleri karaktertanma 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 stundakibeyaz 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.


34/69


26

PGrltlerden arndrlm ikili seviyedeki plakann piksel deerlerini tutan

matris.

[ , ]M N Plakann ( P ) boyutlar [satr, stun]

PVNBoyutlu izdm vektr;

1

0

[ ] [ , ],0M

i

PV j P i j j N

=

=


35/69


27

Tablo 6.Karakterlerin ayrtrlmas.

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 kadaretkinliini kaybetmemi en hzl

inceltme algoritmalarndan biri olan NWG algoritmasndan faydalanlmtr

(Nagendraprasad ve ark., 1993). nceltme algoritmasnda inceltilecek karakterin her birpikseli, ekil 13 deki gibi 33 lk komuluundaki piksellerle incelenir.

ekil 13. nceltme ilemine tabi tutulan ppikseli ve komu pikselleri.


36/69


28

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

2 3 4 70 p p p p= = = = ve 4 6 1p p= = ise ( )c p =1 olur.

Eer 2 3 4 7 0p p p p= = = = ve 6 0 1p p= = ise ( )c p =1 olur.

Dier durumlarda ( )c p =0 olur.

( )d p Eer 1 4 5 6 0p p p p= = = = ve 0 2 1p p= = ise ( )d p =1 olur.

Eer 0 3 6 7 0p p p p= = = = ve 2 4 1p p= = ise ( )d p =1 olur.

Dier durumlarda ( )d p =0 olur.

( )e p 2 4 0 6

( ) . p p p p+

( )f p 6 0 4 2

( ) . p p p p+

Bu n tanmlamalara gre uygulanacak silme kurallar aadaki gibi

dzenlenmitir.

(1 ( ) 7)a p< < ve ( ( ) 1|| ((1 ) ( ) ( )) 1)b p g c p g d p= + = iken

( )( 0) & ( ( ) 0)g e p= = veya ( )( 1) & ( ( ) 0)g f p= = ise p silinecek.

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 snrpikselleri bize karakterin iskeletini (inceltilmi halini) vermi

olacaktr(baknz ekil 14).


37/69


29

ekil 14. a). Karakterin inceltme ileminden nceki hali, b). Karakterin inceltmeileminden 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.


38/69


30

3.6. Karakter Tanma

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 giriverisi alyormu gibi kabul eder ve buna uygun bir k deeri retir. Veri YSAya, eksik,

bozuk veya daha nce hi karlamadekilde 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 birgrlt, btn arlklar zerine datldndan dolay, grlt etkisi tolere


39/69


31

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 hedefeulamakiin balantlarn nasl deitirilecei renme algoritmas tarafndan belirlenir. Kullanlan

bir renme kuralna gre, hatay sfra olduka yaklatrabilecekekilde,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

algoritmaskullanan katmanl ileri beslemeli yapay sinir akullanlmaktadr.

ekil 15. YSAy oluturan birsinir hcresinin yaps.


40/69


32

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 ktane 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 1[ , ]w n k arlk deerleri, k katman iin de 2[ ]m bias

deerleri ve 2[ , ]w m n arlk deerleri verilmektedir.


41/69


33

ekil 17. katmanl ileri beslemeli bir YSA.

3.6.4. leri Beslemeli YSAnn Eitilmesiekil 17de 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- lkadm an aktif hale getirilmesidir:Bir YSAnn aktif hale gelebilmesi iin ilk olarak YSA da kullanlacak olan

bias ( 1[ ]i , 2[ ]i ) ve arlk ( 1[ , ]w i j , 2[ , ]w i j ) deerlerine ilk deer atamas

yaplmas gerekir. Bu ilem 1[ ]i , 2[ ]j vektrlerinin ve 1[ , ]w i j , 2[ , ]w i j

matrislerinin [0,1) arasnda rastgele saylarla doldurulmasndan ibarettir.


42/69


34

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 ( 1[ , ]w i j ) ve bias ( 1[ ]i ) deeri ile birlikte forml (3.7) kullanlarak k

deerini ( [ ]z i ) retir.

11 1

0

[ ] [ , ] [ ] [ ] ,k

j

z i g w i j x j i

=

= +

0,1, 2,...., 1i n= (3.7)

Gizli katmandan retilen [ ]z i deerleri k katmanna girdi verisi olarak

gnderilir ve k katmanndaki her bir nron, ayn ekilde [ ]z i , 2[ , ]w i j ,

2[ ]i deerleri ile birlikte forml (3.8) kullanlarak k deerini ( [ ]y i ) retir.

12 2

0

[ ] [ , ] [ ] [ ] ,n

j

y i g w i j z j i

=

= +

0,1,2,...., 1i m= (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,

1( )

1g

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.


43/69


35

( ) ( )2[ ] [ ] [ ] [ ] ,E i B i y i g y i= 0,1,2,..., 1i m= (3.10)

forml kullanlarak nce k katmanndaki hata paylar hesaplanr. Daha

sonra k katmanndan elde edilen hata paylar (2

[ ]E m ) kullanlarak,

( )1

1 2 2

0

[ ] [ ] [ ] [ , ] ,m

j

E i g z i E j w j i

=

=

0,1,2,..., 1i n= (3.11)

forml yardmyla gizli katmandaki her bir nron iin de hata paylar

hesaplanr. Bu admda hata paylarnn hesaplanmasnda Sigmoid

fonksiyonunun trevi ( ( )g ) kullanlmtr. Sigmoid fonksiyonun trevi,

( ) ( ) (1 ( ))g g g = (3.12)

eklinde forml (3.9) yardmyla kolaylkla hesaplanr.

4- Arlk deerlerinin yeniden hesaplanmas:nc admda elde edilen hata paylar kullanlarak,

11 1

0

[ , ] [ ] [ ],k

j

w i j E i x j

=

= 0,1,2,..., 1i n= (3.13)

12 2

0

[ , ] [ ] [ ],n

j

w i j E i z j

=

= 0,1, 2,..., 1i m= (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,

( )1

2

0

1[ ] [ ]

m

i

MSE B i y im

=

= (3.15)

yardmyla hesaplanr.

Bu hata pay nceden belirlenmi sfra ok yakn bir deere indirgenene kadarikinci 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.


44/69


36

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 20 600) = . Dolaysyla kullandmz YSA modelinde 600 tane giri verisi

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 , 33m = ) vektr tasarlanmtr. ekil 19 da verilen matrisin her bir satr, her bir


45/69


37

karakter iin beklenen deer vektr olarak karmza kmaktadr. Tablo 8de 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


46/69


38

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 daverilen 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 810 civarnda olumutur (baknz ekil

20).

Tablo 9. Tasarladmz YSA modelinde kullanlan parametreler ve deerleri.Giri Katman Gizli Katman k Katman

600k = Nron says = 600

[600]x Giri verileri

300n = Nron says = 300

[300]z k verileri

[300] Bias deerleri1[300,600]w Arlk

deerleri

33m = Nron says = 33

[33]y k deerleri

[33]B Bias deerleri2[33,300]w Arlk

deerleri[33]B Beklenen deerler


47/69


39

ekil 20. 990 test verisi iin 495000 kez altrlan YSAda elde edilen hata oranlarnn(MSE) listesi.


48/69


40

3.6.5. YSAya gelen karakterin tannmas;

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.


49/69

BLM 4- ARATIRMA BULGULARI VE TARTIMA Kirami KAAN

41

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 edilenkenar 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.


50/69


42

Tablo 10. Grnt nileme ilemine tabi tutulmayan orijinal ara grntsnden dikkenar bularak plaka blgesini belirleme.

a). Orijinal ara grntsnden elde edilen

dik kenar grnts.

b). Plaka blgesi belirleme aamasnn

orijinal grnt zerinde yaplmasyla elde

edilen plaka blgesi.

Tablo 11. Grnt nileme ilemine tabi tutularak grlt ve detaylardan arndrlmara grntsnden dike kenar bularak plaka blgesini belirleme.

a).Grlt ve detaylardan arndrlm ara

grntsnden elde edilen dik kenar

grnts.

b). Plaka blgesi belirleme aamasnn

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.


51/69


43

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 dikkenar ve plaka blgesi grnts.

a). Eik deer = 20 alndnda elde

edilen dik kenar grnts

b). Bu durumda elde edilen plaka blgesi.


52/69


44

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 eikdeerleri.

Otsu eik deer = 109 Otsu eik deer = 108

Eik deer = 50 Eik deer = 50

Eik deer = 150 Eik deer = 150


53/69


45

Tablo 14. Kullanlan eik deer durumuna gre elde edilen karakterler.a).Otsu eik deer = 108 kullanlarak elde edilen karakterler.

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 yndeetkilemektedir. Eik deer Otsuyntemiyle belirlendiinde karakterler Tablo (14-A) da grld gibi kaypsz bir ekilde

blmlenmekte ve plakadaki tm karakterler elde edilmektedir.


54/69


46

4.4. Kirli Plakalar ve Plakalarda stenmeyen Paralar

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

plakalar

kili seviyeye

indirgenmi plakalar

kili seviyede

grltlerden

arndrlm plakalar


55/69


47

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.


56/69


48

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 grntlerdenelde edilen plaka karakterlerinin ar derecede kk olduundan dolay zellikle

bulanklatrma ilemleri ve inceltme ilemlerinden sonra anlamsz ifadelere dnd

grlmtr (baknz Tablo 17).

Tablo 17yebakldnda 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 nedenolmutur. 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

standartbir mesafe aralnda elde edilmesi gerektii kanaatine vardk. Biz almamzda

1,53 metreden ekilmi grntler zerinde ideal sonular elde ettik.


57/69


49

Tablo 17. 3 metreden daha fazla mesafeden ekilmi bir grntden elde edilenkarakterler.

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 dzgnbir 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.


58/69


50

Tablo 18. Bak (meyil) asnn PTS zerindeki etkisi.

Orijinal grnt.

Grntden elde edilen meyilli plaka

blgesi, 21 = .

21 derecelik meyil asyla meyil

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.


59/69

BLM 5- SONULAR VE NERLER Kirami KAAN

51

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 retmesisaland. 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 dahafazla 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.


60/69


52

Tablo 19. 357 grnt zerinde sistemin baarmoranlar.Aamalar Tm Gr. Baarl Gr. Baarm oran (%)

Plaka Blgesi Belirleme 357 357 100

Karakter Blmleme 357 357 100

Karakter Tanma 357 340 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 karakterinin30 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.


61/69


53

Tablo 20 de grld zere YSA karakter tanma aamasnda, sisteme verilen 357

grntden 340na ait karakterleri tam ve doru birekilde 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. YSAnneitilmesinde her bir karakter iin kullanlan test verisisaylarnnsistemin baarmna etkisi.

Her bir karakter iin

kullanlan test verisi says.

yapay sinir ağları kullanılarak araç plakalarının tanınması

Documents