Developing Arabic license plate recognition system using artificial neural network and canny edge detection

In recent years, there has been expanding development in the vehicular part and the number of vehicles moving on the roads in all the sections of the country. Arabic vehicle number plate identification based on image processing is a dynamic area of this work; this technique is used for security purposes such as tracking of stolen cars and access control to restricted areas. The License Plate Recognition System (LPRS) exploits a digital camera to capture vehicle plate numbers is used as input to the proposed recognition system. Basically, the proposed system consists of three phases, vehicle license plate localization, character segmentation, and character recognition, the License Plate (LP) detection is presented using canny edge detection algorithm, Connect Component Analysis (CCA) have been exploited for segmenting characters. Finally, a Multi-Layer Perceptron Artificial Neural Network (MLPANN) model is utilized to identify and detect the vehicle license plate characters, and hence the results are displayed as a text on GUI. The proposed system successfully detects LP and recognizes multi-style Arabic characters with rates of 96% and 97.872% respectively under different conditions. في السنوات الأخيرة، كان هناك تطور مستمر في مجال تطبيق المركبات و عدد المركبات التي تتحرك على الطرق في جميع أنحاء البلاد. يعتبر تحديد رقم لوحة السيارة العربية بناءً على معالجة الصور مجالا ديناميكيا لهذا العمل، و تم استخدام هذه التقنية لأغراض أمنية مثل تتبع السيارات المسروقة و التحكم في الوصول إلى المناطق المحظورة. يستخدم نظام تمييز اللوحات المرورية الكاميرا الرقمية لالتقاط صورة للسيارة متضمنة لوحة المرور و تعتبر كمدخل لنظام التعرف المقترح. يتكون النظام المقترح من ثلاث مراحل، تحديد لوحة ترخيص السيارة، تقسيم الاحرف و الارقام الموجودة في الصورة الاساسية الى صور صغيرة تحتوي على (حرف-رقم) كلا على حدة، و التعرف على الأحرف، يتم تحديد لوحة الرخصة (LP) باستخدام خوارزمية كأني في الكشف على الحواف، و قد تم استخدام Connect Component Analysis (CCA) لتقسيم الحروف⸲ و أخيرا يتم استخدام نموذج الشبكة العصبية الاصطناعية المتعددة الطبقات للتعرف على الرموز الموجودة في كل صورة، و بالتالي يتم عرض النتائج كنص على واجهة المستخدم الرسومية. و حقق النظام المقترح أداء إجماليا يبلغ 96 ٪ و 97.872 ٪ في تحديد لوحات المرور المتعددة الانماط و التعرف على الرموز العربية الموجودة في اللوحات على التوالي و في ظل ظروف مختلفة.