竇新宇

（唐山學(xué)院 裝備制造系，河北 唐山063000）

智能交通系統(tǒng)（ITS）是近年來(lái)研究的一個(gè)熱點(diǎn)領(lǐng)域，而車(chē)牌識(shí)別（LPR）技術(shù)是ITS的核心技術(shù)之一。我國(guó)的車(chē)牌包含漢字、字母、數(shù)字3方面信息。國(guó)外成熟的車(chē)牌識(shí)別系統(tǒng)由于不能很好地識(shí)別漢字，進(jìn)而無(wú)法在國(guó)內(nèi)直接應(yīng)用；國(guó)內(nèi)研究人員提出了諸如模板匹配的車(chē)牌識(shí)別算法［1］，BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別算法［2］，但識(shí)別正確率與識(shí)別時(shí)間不能同時(shí)滿足。針對(duì)此問(wèn)題，本文提出了基于粗網(wǎng)格特征提取及RBF神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法，能較好地解決識(shí)別正確率與識(shí)別時(shí)間之間的關(guān)系。

1 車(chē)牌識(shí)別原理

車(chē)牌識(shí)別技術(shù)是計(jì)算機(jī)視覺(jué)、圖像處理和模式識(shí)別等技術(shù)相結(jié)合的產(chǎn)物。車(chē)牌識(shí)別原理是：首先，對(duì)車(chē)牌圖像中的字符進(jìn)行定位與分割提取；其次，對(duì)字符信息進(jìn)行特征提??；再次，把分割后的字符信息輸入集成神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；最后，輸出車(chē)牌信息。［3］車(chē)牌識(shí)別系統(tǒng)一般包含四大部分，即獲取車(chē)輛圖像，定位車(chē)牌信息，分割車(chē)牌字符，識(shí)別車(chē)牌字符。車(chē)牌識(shí)別總流程圖如圖1所示。

1.1 車(chē)牌圖像預(yù)處理

圖像灰度化是對(duì)車(chē)牌圖像進(jìn)行預(yù)處理的最基本步驟。圖像對(duì)比度選用線性灰度變化法加強(qiáng)，圖像平滑采用維納濾波法處理，圖像銳化采用經(jīng)典的Roberts算子進(jìn)行。本文彩色圖像實(shí)現(xiàn)灰度轉(zhuǎn)化如下式：

圖1 車(chē)牌識(shí)別總流程圖

1.2 車(chē)牌定位

車(chē)牌定位是去除冗余信息獲得車(chē)牌信息的過(guò)程。由于車(chē)牌區(qū)域的字符成連續(xù)變化，且具有頻繁的灰度變換。從而利用水平位置上出現(xiàn)明暗交替的現(xiàn)象，采用紋理特征法對(duì)車(chē)牌進(jìn)行初步定位，經(jīng)初步定位后的車(chē)牌圖像存在不同程度的字符傾斜，因而車(chē)牌幾何校正部分選用Hough變換。Hough變換極坐標(biāo)方程為

1.3 車(chē)牌字符分割

字符分割是把整體車(chē)牌區(qū)域分割成7個(gè)獨(dú)立的字符空間，車(chē)牌中的前兩個(gè)字符和后五個(gè)字符之間存在間隔符，會(huì)影響分割的準(zhǔn)確度。針對(duì)此問(wèn)題，本文采用基于先驗(yàn)知識(shí)的垂直投影分割法對(duì)車(chē)牌字符進(jìn)行分割處理。該法步驟為：首先，水平分割線的位置是利用霍夫變換來(lái)確定，擬選垂直分割線的位置是通過(guò)尋找圖像垂直投影谷底來(lái)確定；其次，確定車(chē)牌第2字符與第3字符間的位置邊界，根據(jù)兩字符間隔位置推算出垂直分割線的估算位置；再次，在估算位置附近根據(jù)方差及垂直投影信息，從擬選垂直分割線中確定垂直分割線；最后，把大小不一的字符進(jìn)行歸一化處理。

1.4 粗網(wǎng)格特征提取法

粗網(wǎng)格特征提取法是將分割后的圖像劃分到若干區(qū)域，統(tǒng)計(jì)每個(gè)網(wǎng)格中字符像素的數(shù)目，將總像素?cái)?shù)目構(gòu)造成一個(gè)N維的特征向量。［4］該方法是以網(wǎng)格為單位，個(gè)別像素點(diǎn)的誤差累積不會(huì)影響圖像總體像素的分布情況，從而增強(qiáng)了圖像特征的魯棒性和抗干擾性。待識(shí)別字符通過(guò)位置和大小歸一化后，利用粗網(wǎng)格特征提取法把各個(gè)字符均分成N×N維的網(wǎng)格，依次統(tǒng)計(jì)每個(gè)網(wǎng)格內(nèi)像素值是“1”的像素個(gè)數(shù)，從而獲得一個(gè)N×N維的粗網(wǎng)格特征矩陣。

2 基于RBF神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法

2.1 RBF神經(jīng)網(wǎng)絡(luò)原理

針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂速度較慢，易陷入局部最小值等問(wèn)題［5］，本文選用網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，收斂速度快，全局逼近能力強(qiáng)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)已分割車(chē)牌字符進(jìn)行識(shí)別。RBF神經(jīng)網(wǎng)絡(luò)是典型的前向神經(jīng)網(wǎng)絡(luò)，具有三層網(wǎng)絡(luò)結(jié)構(gòu)：輸入層、隱藏層、輸出層。RBF網(wǎng)絡(luò)核心思想是：首先，通過(guò)RBF建構(gòu)隱藏層空間；其次，由隱藏層對(duì)輸入層數(shù)據(jù)進(jìn)行轉(zhuǎn)換，將低維線性不可分?jǐn)?shù)據(jù)變換為高維線性可分?jǐn)?shù)據(jù)；最后，輸出層對(duì)數(shù)據(jù)進(jìn)行識(shí)別分類(lèi)。

2.2 RBF神經(jīng)網(wǎng)絡(luò)算法

RBF神經(jīng)網(wǎng)絡(luò)具有多種學(xué)習(xí)算法，本文選用自組織選取中心的學(xué)習(xí)算法。該算法分為自組織學(xué)習(xí)和有導(dǎo)師學(xué)習(xí)兩個(gè)階段，第一階段是求解隱藏層中基函數(shù)及方差；第二階段是求解隱藏層到輸出層的權(quán)值。

由于高斯函數(shù)通常被選為RBF網(wǎng)絡(luò)的徑向基函數(shù)，因此RBF網(wǎng)絡(luò)的激活函數(shù)為

式中，‖xn－ch‖為歐式范數(shù)；ch為高斯函數(shù)中心；σ為高斯函數(shù)方差。

由RBF網(wǎng)絡(luò)結(jié)構(gòu)圖可知輸入輸出之間的關(guān)系如下：

設(shè)樣本的期望輸出值為d，基函數(shù)的方差為

2.3 RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

RBF神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)把特征提取后的字符信息分為3類(lèi)：即漢字網(wǎng)絡(luò)分類(lèi)器、字母網(wǎng)絡(luò)分類(lèi)器和字母／數(shù)字混合網(wǎng)絡(luò)分類(lèi)器。3個(gè)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)均為64；漢字網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)為36，字母網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為25，字母／數(shù)字混合網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)為34；隱藏層節(jié)點(diǎn)個(gè)數(shù)是由快速減聚類(lèi)算法來(lái)確定，得到3個(gè)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)依次為36，38和50。網(wǎng)絡(luò)學(xué)習(xí)速率為0．35，學(xué)習(xí)步長(zhǎng)為0．01，誤差目標(biāo)值為0．000 1，迭代次數(shù)為1 000次。

2.4 RBF神經(jīng)網(wǎng)絡(luò)字符識(shí)別

RBF神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的工作流程如圖2所示。具體識(shí)別過(guò)程為：步驟1，提取字符特征作為輸入信息；步驟2，RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)樣本進(jìn)行識(shí)別，判斷分類(lèi)器對(duì)樣本是否識(shí)別，若是識(shí)別則輸出初步識(shí)別結(jié)果，否則拒識(shí)；步驟3，判斷初步識(shí)別結(jié)果中是否存在易混字符，若存在則轉(zhuǎn)入細(xì)分類(lèi)器進(jìn)行識(shí)別，否則直接輸出識(shí)別結(jié)果。

圖2 識(shí)別系統(tǒng)的工作流程圖

3 實(shí)驗(yàn)及結(jié)果分析

本文利用Matlab7．5作為集成開(kāi)發(fā)環(huán)境，對(duì)100張不同條件下的車(chē)牌圖片采用傳統(tǒng)的模板匹配算法、BP神經(jīng)網(wǎng)絡(luò)算法作為對(duì)比模型。采用車(chē)牌識(shí)別的正確率（C%）、拒識(shí)率（R%）和錯(cuò)誤率（F%）作為評(píng)價(jià)指標(biāo)，幾種算法的識(shí)別結(jié)果如表1所示。通過(guò)表1可知，BP，RBF神經(jīng)網(wǎng)絡(luò)算法的識(shí)別正確率要高于模板匹配算法。但在相同迭代次數(shù)下，RBF算法比BP算法有著更好的逼近能力，而且還有更快的收斂速度。本文以“魯HC9669”為例進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)字符識(shí)別，結(jié)果如圖3所示。對(duì)比結(jié)果表明，采用本文車(chē)牌識(shí)別算法能夠有效地識(shí)別車(chē)牌字符，識(shí)別車(chē)牌字符的速度快，而且識(shí)別正確率比較高。

表1 識(shí)別結(jié)果

圖3 RBF神經(jīng)網(wǎng)絡(luò)字符識(shí)別結(jié)果

4 結(jié)論

對(duì)車(chē)牌識(shí)別的過(guò)程進(jìn)行了研究，重點(diǎn)論述了圖像預(yù)處理的過(guò)程，RBF神經(jīng)網(wǎng)絡(luò)3種分類(lèi)器的設(shè)計(jì)，同時(shí)引入據(jù)識(shí)別機(jī)制和易混淆字符細(xì)識(shí)別機(jī)制。通過(guò)不同識(shí)別方法的對(duì)比，RBF神經(jīng)網(wǎng)絡(luò)車(chē)牌識(shí)別算法加快了識(shí)別速度，提高了識(shí)別正確率，增強(qiáng)了系統(tǒng)魯棒性及抗干擾能力。該方法達(dá)到了預(yù)期效果，具有一定的應(yīng)用前景。

［1］ 魏武，黃心漢．基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別方法［J］．模式識(shí)別與人工智能，2001，14（1）：123－126．

［2］ 蔡勇智．一種改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法車(chē)牌識(shí)別算法研究［J］．科技通報(bào)，2012，28（10）：128－130．

［3］ 張馨，林鳳濤．圖像處理技術(shù)在車(chē)牌字位與字符分割中的應(yīng)用［J］．機(jī)械設(shè)計(jì)與制造，2012（12）：104－106．

［4］ 丁姍，劉希玉，葛純?cè)罚谏窠?jīng)網(wǎng)絡(luò)集成的車(chē)牌字符識(shí)別［J］．信息技術(shù)與信息化，2010（6）：86－89．

［5］ 丁偉．改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車(chē)牌識(shí)別中的應(yīng)用［J］．計(jì)算機(jī)仿真，2011，28（8）：359－360．