基于兩級BP神經(jīng)網(wǎng)絡的機動車車標識別

陳慶程 陳家亮

1 車標定位

目前車牌定位的方法已經(jīng)比較成熟,而車標的位置、尺寸都和車牌有很大關聯(lián),所以可以借助車牌提高車標定位的效率。假設車牌的寬度為W,則從車牌上邊緣向上取一個邊長為W的正方形區(qū)域,作為車標搜索區(qū)域。

已知車標候選區(qū)域,參考[3],利用形態(tài)學和聯(lián)通區(qū)域分析(CCA),排除干擾,提取候選車標目標,具體操作如下:

(1)在水平方向做形態(tài)學閉運算,結果圖記為Fc,原圖記為Fr;

(2)應用top-hat,增強車標目標,結果圖記為Ft=Fc-Fr;

(3)應用OTSU分割,獲得車標候選區(qū)域掩圖;

(4)利用形態(tài)學優(yōu)化目標形狀,排除噪聲干擾;

(5)做連通區(qū)域分析(CCA),利用車標-車牌位置尺寸的先驗知識排除錯誤:

①車標寬度和高度小于1.5倍車牌高度,大于0.5倍的車牌高度。

②車標中心位置應該在車牌豎直中心線附近。

2 基于BP神經(jīng)網(wǎng)絡的車標識別

車標識別包括識別和判定兩個過程,單個BP神經(jīng)網(wǎng)絡雖然也可以一次性完成兩個過程,但是這樣網(wǎng)絡的復雜度將會很高,可能會出現(xiàn)發(fā)散的問題。為了降低網(wǎng)絡復雜度,提高識別準確度,本文采用兩級BP神經(jīng)網(wǎng)絡來完成車標的識別過程:類型預測網(wǎng)絡和類型校驗網(wǎng)絡。

2.1 車標類型預測網(wǎng)絡

車標類型預測網(wǎng)絡的目的是對車標類型進行預測,把輸入的目標分發(fā)給置信度最高的類型對應的校驗網(wǎng)絡。預測網(wǎng)絡包括輸入層、隱層和輸出層三個層次,每層節(jié)數(shù)目依次是1024,128和2?？紤]到噪聲和光照的影響,定位到的車標候選目標在輸入網(wǎng)絡前需要經(jīng)過高斯平滑、直方圖均衡化處理,然后后縮放到32X32,再按行展開形成1024維的輸入向量。網(wǎng)絡輸出是一個二維向量[a,b],其中a表示輸入屬于本田的置信度,b表示輸入屬于大眾的置信度,a,b ∈[0,1]。

試驗中分別選擇100張本田和大眾車標作為訓練集,本田車標的目標輸出向量是[1,0],大眾車標的目標輸出向量是[0,1]。另外各選100張本田和大眾車標作為驗證集,經(jīng)過反復訓練,最終的預測網(wǎng)絡在驗證集上正確識別98%的本田車標以及95%的大眾車標。

2.2 車標類型校驗網(wǎng)絡

車標類型校驗網(wǎng)絡的目的是對車標類型進行驗證,排除錯誤的候選目標,提高識別準確率,降低識別錯誤率。

每一個類型驗證網(wǎng)絡有兩個BP網(wǎng)絡組成:基于灰度圖的網(wǎng)絡和基于邊緣圖的網(wǎng)絡。兩個網(wǎng)絡都是1024X256X1的三層網(wǎng)絡,輸出目標屬于該類型的置信度,兩個網(wǎng)絡的輸出取和后,如果大于預先定義的閾值T,則判定為屬于該類型,否則判定為錯誤。

驗證網(wǎng)絡的結構和預測網(wǎng)絡相仿,但是訓練集不同。以本田車標驗證網(wǎng)絡為例,訓練時選取200張本田車標作為正樣本,另外選取500張非本田車標圖片作為負樣本。原始灰度圖按行展開后直接送入基于灰度圖的驗證網(wǎng)絡進行訓練。另外利用canny邊緣檢測算子,提取正負樣本邊緣圖像,按行展開后送入基于邊緣的驗證網(wǎng)絡進行訓練。試驗中發(fā)現(xiàn),負樣本的選擇對識別可靠性影響很大。為了提高負樣本的代表性,本文采用如下的“自舉”方式篩選負樣本:

①任意選擇500張非本田車標圖,作為負樣本,訓練網(wǎng)絡。

②以訓練好的網(wǎng)絡識別另外一批非本田車標圖,選取100張識別錯誤的替換原來已經(jīng)正確識。

別的負樣本,重新訓練網(wǎng)絡。

③反復①,②三次后,結束訓練,最后一輪訓練得到的網(wǎng)絡具有最高的可靠性。

實驗分析

試驗中選擇1500張車輛圖片,其中本田和大眾各500張,其他車輛500張,本文提出的方法正確識別率為92%,誤檢率為3%。分析實驗結果,我們發(fā)現(xiàn)導致識別錯誤的原因主要有以下幾點:

(1)車標尺寸太小,紋理模糊。

(2)車標受到高反光的影響。

(3)車標存在圖像內(nèi)、外較大旋轉。

(4)易混淆車標,比如現(xiàn)代車標和本田比較相近。

參考文獻

[1] Guangmin Sun.“The Location and Recognition of Chinese Vehicle License Plates under Complex Backgrounds”Jounal of Multimedia.Vol.4.NO.6,December 2009.

[2] 呂慧娟,吳飛.“基于Adaboost cascade的車牌檢測技術”,河南大學學報,Vol.38 NO.3 May 2008.

[3] Miriam Butzke,Alexandre G.Silva,Marcelo da S.Hounsell,Maurício A.Pillon “Automatic Recognition of Vehicle Attributes Color Classification and Logo Segmentation”.

[4] APostolos P.Psyllos,Christos-Nikolaos E.Anagnostopoulos,Eleftherios Kayafas “Vehicle Logo Recognition Using a SIFT-Based Enhanced Matching Scheme”.IEEE Transactions on Intelligent Transportation Systems.VOL.11,No.2,JUNE 2010.