Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Visual Vehicle Identification Using Modern Smart Glasses
KTH, School of Computer Science and Communication (CSC).
2015 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Visuell fordonsidentifiering med moderna smarta glasögon (Swedish)
Abstract [en]

In recent years wearable devices have been advancing at a rapid pace and one of the largest growing segments is the smart glass segment. In this thesis the feasibility of today’s ARM-based smart glasses are evaluated for automatic license plate recognition (ALPR). The license plate is by far the most prominent visual feature to identify a spe- cific vehicle, and exists on both old and newly produced vehicles. This thesis propose an ALPR system based on a sequence of vertical edge detection, a cascade classifier, verti- cal and horizontal projection as well as a general purpose optical character recognition library.

The study further concludes that the optimal input resolution for license plate detection using vertical edges is 640x360 pixels and that the license plate need to be at least 20 pixels high or the characters 15 pixels high in order to successfully segment the plate and recognize each character. The separate stages were successfully implemented into a complete ALPR system that achieved 79.5% success rate while processing roughly 3 frames per second when running on a pair of Google Glass.

Abstract [sv]

Under de senaste åren har området wearables avancerat i snabb takt, och ett av de snabbast växande segmenten är smarta glaögon. I denna examensuppsats utvärderas lämpligheten av dagens ARM-baserade smarta glasögon med avseende på automatisk registreringsskyltigenkänning. Registreringsskylten är den i särklass mest framträdande visuella egenskapen som kan användas för att identifiera ett specifikt fordon, och den finns på både gamla och nyproducerade fordon. Detta examensarbete föreslår ett system för automatisk registreringsskyltigenkänning baserat på en följd av vertikal kantdetektering, en kaskad av boostade klassificerare, vertikal och horisontell projektion samt ett optiskt teckenigenkänningsbibliotek.

Studien konstaterar vidare att den optimala upplösningen för registreringsskyltdetektion med hjälp av vertikala kanter på smarta glasögonär 640x360 pixlar och att registreringsskylten måste vara minst 20 pixlar hög eller tecknen 15 pixlar höga för att registreringsskylten framgångsrikt skall kunna segmenteras samt tecken identifieras. De separata stegen implementerades framgångsrikt till ett system för automatisk registreringsskyltigenkänning på ett par Google Glass och lyckades känna igen 79,5% av de testade registreringsskyltarna, med en hastighet av ungefär 3 bilder per sekund.

Place, publisher, year, edition, pages
2015.
Keyword [en]
computer vision, haar-like features, ALPR, google glass, cascade classifier, smart glasses
National Category
Computer Science
Identifiers
URN: urn:nbn:se:kth:diva-172428OAI: oai:DiVA.org:kth-172428DiVA: diva2:847992
External cooperation
Scania CV AB
Educational program
Master of Science in Engineering - Computer Science and Technology
Supervisors
Examiners
Available from: 2015-09-10 Created: 2015-08-22 Last updated: 2015-09-10Bibliographically approved

Open Access in DiVA

fulltext(3365 kB)480 downloads
File information
File name FULLTEXT01.pdfFile size 3365 kBChecksum SHA-512
ab754f7241c68a432c0ee0d0962d3b02b08b1fc4baac3b5cb84f0e33f67556dd91b7b7cd3ac58a3a2058286ad8288be91d13c682e59fa8e09cec6b2f2e050a71
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Science

Search outside of DiVA

GoogleGoogle Scholar
Total: 480 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 300 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf