Autonomous Vehicle License Plate Detection and Identification System Based on Three-Stage Deep Learning

Emre Yücel; Yalçın İşler; Yakup Kutlu

Makale detayları

Autonomous Vehicle License Plate Detection and Identification System Based on Three-Stage Deep Learning

Yazarlar:

Emre Yücel | Yalçın İşler | Yakup Kutlu

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Karar Desteği ve Grup Destek Sistemleri

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.14 Issue 3, pp.12-20

Belge Tipi:

Makale

Yayın Tarihi:

11/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001331990

pISSN:

2146-7277

Anahtar kelimeler:

Özet:

 Autonomous detection and identification of vehicle license plates have become indispensable in places that can be entered by vehicles and require security, such as paid parking exits, highway toll kiosks, mobile security cameras, site and shopping centre entrances. Due to the rapid increase in the number of vehicles, it is necessary to detect vehicle license plates quickly and accurately. On the other hand, the main problem in automatic recognition of vehicle license plates is that vehicles and license plates come to the imaging device at different angles and sizes. In this study, a three-stage system was designed to detect the license plate using You Only Look Once YOLO and Convolutional Neural Network CNN deep learning models, to locate the characters on the license plate, and to classify these characters and identify the license plate. 100 success was achieved in both stages of finding the license plates and separating the characters on the license plate using two distinct YOLO models. A success rate of 94.9 was achieved in the license plate recognition phase by classifying the characters on the license plate using a separate CNN model. When compared with the literature, the first two stages achieved higher accuracies than the other studies and the last stage resulted in similar accuracy.

 Autonomous detection and identification of vehicle license plates have become indispensable in places that can be entered by vehicles and require security, such as paid parking exits, highway toll kiosks, mobile security cameras, site and shopping centre entrances. Due to the rapid increase in the number of vehicles, it is necessary to detect vehicle license plates quickly and accurately. On the other hand, the main problem in automatic recognition of vehicle license plates is that vehicles and license plates come to the imaging device at different angles and sizes. In this study, a three-stage system was designed to detect the license plate using You Only Look Once YOLO and Convolutional Neural Network CNN deep learning models, to locate the characters on the license plate, and to classify these characters and identify the license plate. 100 success was achieved in both stages of finding the license plates and separating the characters on the license plate using two distinct YOLO models. A success rate of 94.9 was achieved in the license plate recognition phase by classifying the characters on the license plate using a separate CNN model. When compared with the literature, the first two stages achieved higher accuracies than the other studies and the last stage resulted in similar accuracy.

 Autonomous detection and identification of vehicle license plates have become indispensable in places that can be entered by vehicles and require security, such as paid parking exits, highway toll kiosks, mobile security cameras, site and shopping centre entrances. Due to the rapid increase in the number of vehicles, it is necessary to detect vehicle license plates quickly and accurately. On the other hand, the main problem in automatic recognition of vehicle license plates is that vehicles and license plates come to the imaging device at different angles and sizes. In this study, a three-stage system was designed to detect the license plate using You Only Look Once YOLO and Convolutional Neural Network CNN deep learning models, to locate the characters on the license plate, and to classify these characters and identify the license plate. 100 success was achieved in both stages of finding the license plates and separating the characters on the license plate using two distinct YOLO models. A success rate of 94.9 was achieved in the license plate recognition phase by classifying the characters on the license plate using a separate CNN model. When compared with the literature, the first two stages achieved higher accuracies than the other studies and the last stage resulted in similar accuracy.

 Araç plakalarının otomatik olarak algılanması ve tanımlanması sistemleri araçlarla girilebilen ve güvenlik gerektiren ücretli otopark girişleri, otoban gişeleri, mobese kameraları, site ve alış-veriş merkezi girişleri gibi yerlerde vazgeçilmez hale gelmiştir. Araç sayısının hızlı artışı nedeniyle, araç plakalarının hızlı ve doğru tespit edilmesini gerektirmektedir. Öte yandan görüntüleme cihazına araçların ve plakaların farklı açı ve boyutlarda gelmesi nedeniyle araç plakasının otomatik tanınmasında problem yaşanmaktadır. Bu çalışmada You Only Look Once bu yaygın İngilizce tanımına uygun yaygın kısaltması olan YOLO ve evrişimsel sinir ağı ESA derin öğrenme modelleri ile araç plakasının algılanması, araç plakası üzerindeki karakterlerin yerlerinin tespit edilmesi ve bu karakterlerin sınıflandırılarak plakanın tanınması için üç aşamalı bir sistem tasarlanmıştır. Plakaların bulunması ve plaka üzerindeki karakterlerin ayrıştırılması aşamalarında kullanılan iki ayrı YOLO modelinin her ikisinde de 100 başarı elde edilmiştir. Plaka üzerindeki karakterlerin sınıflandırılması ile plaka tanıma aşamasında kullanılan ayrı bir ESA modelinde ise 94.9 başarı oranı elde edilmiştir. Literatürle kıyaslandığında, ilk iki aşamada elde edilen sonuçların diğer çalışmalardan daha yüksek olduğu ve son aşamada ise yaklaşık olarak benzer başarı elde edildiği görülmüştür.

Makale detayları

Autonomous Vehicle License Plate Detection and Identification System Based on Three-Stage Deep Learning

Yazarlar:

Emre Yücel | Yalçın İşler | Yakup Kutlu

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Karar Desteği ve Grup Destek Sistemleri

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.14 Issue 3, pp.12-20

Belge Tipi:

Makale

Yayın Tarihi:

11/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001331990

pISSN:

2146-7277

YOLO

CNN

deep learning

automatic vehicle plate detection

automatic vehicle plate recognitionESA

derin öğrenme

otomatik araç plakası algılama

YOLO

otomatik araç plakası tanıma

Sayı

Makale detayları

Yazarlar: Emre Yücel | Yalçın İşler | Yakup Kutlu

Yayıncı: Zonguldak Bulent Ecevit University

Ana Başlıklar: Karar Desteği ve Grup Destek Sistemleri

Dergi: Karaelmas Fen ve Mühendislik Dergisi Vol.14 Issue 3, pp.12-20

Belge Tipi: Makale

Yayın Tarihi: 11/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001331990

pISSN: 2146-7277

Sayı

Yazarlar:

Emre Yücel | Yalçın İşler | Yakup Kutlu

Yayıncı:

Zonguldak Bulent Ecevit University

Ana Başlıklar:

Karar Desteği ve Grup Destek Sistemleri

Dergi:

Karaelmas Fen ve Mühendislik Dergisi Vol.14 Issue 3, pp.12-20

Belge Tipi:

Makale

Yayın Tarihi:

11/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001331990

pISSN:

2146-7277