王劍雄 王玉蘭

(河北建筑工程學(xué)院，河北 張家口 075000)

0 引 言

目前，一些發(fā)達(dá)國(guó)家已經(jīng)將車牌識(shí)別技術(shù)應(yīng)用在停車收費(fèi)系統(tǒng)和交通監(jiān)控系統(tǒng)的實(shí)際系統(tǒng)中，在全天候的條件下識(shí)別精度超過(guò)95%；國(guó)內(nèi)車牌識(shí)別技術(shù)發(fā)展較慢，雖然取得了一些成果，但仍停留在實(shí)驗(yàn)驗(yàn)證階段，目前的實(shí)驗(yàn)室識(shí)別精度為90%，而在全天候條件下識(shí)別精度低于85%，遠(yuǎn)遠(yuǎn)低于實(shí)際應(yīng)用的要求.目前，車牌識(shí)別主要有以下幾種識(shí)別方法：模板匹配法、特征統(tǒng)計(jì)匹配法和神經(jīng)網(wǎng)絡(luò)識(shí)別法.模板匹配法對(duì)規(guī)整字符的識(shí)別率比較高，但在字符變形等情況下，識(shí)別能力有限；特征統(tǒng)計(jì)匹配法在實(shí)際應(yīng)用中，當(dāng)字符出現(xiàn)缺失、模糊時(shí)，識(shí)別效果不理想；神經(jīng)網(wǎng)絡(luò)識(shí)別能有效識(shí)別解析度較高的車牌，具有強(qiáng)大的分類能力、容錯(cuò)性和魯棒性，汽車牌照中的字符識(shí)別很多都是采用神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)，其中BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的網(wǎng)絡(luò)算法[1].

由于BP神經(jīng)網(wǎng)絡(luò)算法自身存在一些不足，如收斂速度慢、局部最優(yōu)、難以確定隱含層節(jié)點(diǎn)數(shù)和訓(xùn)練過(guò)程中常發(fā)生振蕩等.針對(duì)以上情況，本文在動(dòng)量因子的選取、學(xué)習(xí)速率的改進(jìn)和網(wǎng)絡(luò)權(quán)值的修改等方面做了一定的改進(jìn)，有效避免網(wǎng)絡(luò)可能陷入局部最小值，并且能自適應(yīng)調(diào)整學(xué)習(xí)速率，加快收斂速度，防止振蕩現(xiàn)象發(fā)生.

1 車牌識(shí)別的流程

車牌識(shí)別系統(tǒng)主要包括視頻輸入、圖像的預(yù)處理、車牌粗定位、車牌精確定位、字符分割、字符識(shí)別等幾個(gè)部分.由于在自然的環(huán)境下采集到車輛的圖像質(zhì)量并不是很好，所以必須先對(duì)圖像進(jìn)行去噪、邊界增強(qiáng)等一系列的圖像預(yù)處理.在車牌定位過(guò)程中，可能對(duì)車牌角度進(jìn)行一定的旋轉(zhuǎn)，使得它的位置平行于X軸，最后對(duì)它的位置與大小進(jìn)行歸一化處理.定位出車牌的位置后，就要對(duì)車牌進(jìn)行字符分割了，把車牌區(qū)域中的所有字符分割出來(lái)，然后對(duì)分割出來(lái)字符進(jìn)行識(shí)別，最后把識(shí)別出的字符交給決策和管理算法.本文主要闡述如何改進(jìn)BP算法，以便更好地識(shí)別字符.

2 改進(jìn)的BP網(wǎng)絡(luò)實(shí)現(xiàn)車牌識(shí)別

2.1 BP神經(jīng)網(wǎng)絡(luò)算法模型

BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號(hào)Xi通過(guò)中間節(jié)點(diǎn)(隱層點(diǎn))作用于輸出節(jié)點(diǎn)，經(jīng)過(guò)非線形變換，產(chǎn)生輸出信號(hào)Yk，網(wǎng)絡(luò)訓(xùn)練的每個(gè)樣本包括輸入向量X和期望輸出量t，網(wǎng)絡(luò)輸出值Y與期望輸出值t之間的偏差，通過(guò)調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的權(quán)值Wij和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的權(quán)值Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止[2].BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示：

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型.隱層節(jié)點(diǎn)輸出模型如公式(1)，輸出節(jié)點(diǎn)輸出模型如公式(2)

Oj=f(∑Wij×Xi-qj)

(1)

Yk=f(∑Tjk×Oj-qk)

(2)

其中f-非線形作用函數(shù)；q-神經(jīng)單元閾值.

作用函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)又稱刺激函數(shù)，一般取值(0,1)，作用函數(shù)模型公式如(3)

f(x)=1/(1+e-x)

(3)

誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)，如公式(4)：

Ep=1/2×∑(tpi-Opi)2

(4)

tpi節(jié)點(diǎn)的期望輸出值；Opi節(jié)點(diǎn)計(jì)算輸出值.

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過(guò)程，學(xué)習(xí)模型如公式(5)

△Wij(n+1)=h×Фi×Oj+a×△Wij(n)

(5)

h-學(xué)習(xí)因子；Фi-輸出節(jié)點(diǎn)i的計(jì)算誤差；Oj-輸出節(jié)點(diǎn)j的計(jì)算輸出；a-動(dòng)量因子.

2.2 BP網(wǎng)絡(luò)模型的缺陷分析及優(yōu)化策略

(1)學(xué)習(xí)因子h優(yōu)化公式如(6)，采用變步長(zhǎng)法根據(jù)輸出誤差大小自動(dòng)調(diào)整學(xué)習(xí)因子，來(lái)減少迭代次數(shù)和加快收斂速度，a為調(diào)整步長(zhǎng)，在0～1之間取值.

h=h+a×(Ep(n)-Ep(n-1))/Ep(n)

(6)

(2)隱層節(jié)點(diǎn)數(shù)的多少對(duì)網(wǎng)絡(luò)性能的影響較大，當(dāng)隱層節(jié)點(diǎn)數(shù)太多時(shí)，會(huì)導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，甚至不能收斂；而當(dāng)隱節(jié)點(diǎn)數(shù)過(guò)小時(shí)，網(wǎng)絡(luò)的容錯(cuò)能力差.利用逐步回歸分析法并進(jìn)行參數(shù)的顯著性檢驗(yàn)來(lái)動(dòng)態(tài)刪除一些線形相關(guān)的隱節(jié)點(diǎn)，當(dāng)由該節(jié)點(diǎn)出發(fā)指向下一層節(jié)點(diǎn)的所有權(quán)值和閾值均落于某個(gè)區(qū)域中(通常取±0.1、±0.05等區(qū)間)，則該節(jié)點(diǎn)可刪除.最佳隱節(jié)點(diǎn)數(shù)L可參考公式(7)：

L=(m+n)1/2+c

(7)

m-輸入節(jié)點(diǎn)數(shù)；n-輸出節(jié)點(diǎn)數(shù)；c-介于1～10的常數(shù).

(3)利用多元回歸分析法對(duì)神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)和輸出參數(shù)進(jìn)行處理，刪除相關(guān)性強(qiáng)的輸入和輸出參數(shù)，來(lái)減少輸入和輸出節(jié)點(diǎn)數(shù).本文字符歸一化成32×16大小，輸出只有10個(gè)數(shù)字，26個(gè)字符，34個(gè)漢字，故輸入層節(jié)點(diǎn)個(gè)數(shù)為512，輸出層結(jié)點(diǎn)個(gè)數(shù)是70.

(4)算法優(yōu)化.由于BP算法采用的是剃度下降法，因而易陷于局部最小并且訓(xùn)練時(shí)間較長(zhǎng).用基于生物免疫機(jī)制既能全局搜索又能避免未成熟收斂的免疫遺傳算法IGA取代傳統(tǒng)BP算法來(lái)克服此缺點(diǎn)[3].

在該神經(jīng)網(wǎng)絡(luò)算法投運(yùn)前，從道路拍攝到大量車牌數(shù)據(jù)，包括正常運(yùn)行的、不正常運(yùn)行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過(guò)BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值.在投運(yùn)后，也可根據(jù)現(xiàn)場(chǎng)的特定情況進(jìn)行現(xiàn)場(chǎng)學(xué)習(xí)，以擴(kuò)充ANN內(nèi)存知識(shí)量.

2.3 BP神經(jīng)網(wǎng)絡(luò)的進(jìn)一步調(diào)整

由于BP神經(jīng)網(wǎng)絡(luò)算法自身存在一些不足，如收斂速度慢、局部最優(yōu)、難以確定隱含層節(jié)點(diǎn)數(shù)和訓(xùn)練過(guò)程中常發(fā)生振蕩等.因此本文采用動(dòng)量因子和自適應(yīng)學(xué)習(xí)速率對(duì)其進(jìn)行改進(jìn).在梯度下降算法的基礎(chǔ)上引入動(dòng)量因子a(0

w(k+1)=w(k)+n((1-a)D(k)+aD(k-1))

(8)

其中，D(k)表示負(fù)梯度.

這樣，在對(duì)網(wǎng)絡(luò)權(quán)值修改過(guò)程中，不僅考慮誤差在梯度上的作用，還考慮對(duì)誤差曲面上變化趨勢(shì)的影響，有效避免網(wǎng)絡(luò)可能陷入局部最小值的情況，在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，自適應(yīng)調(diào)整學(xué)習(xí)速率，加快收斂速度，防止振蕩現(xiàn)象發(fā)生[4].

3 實(shí)驗(yàn)結(jié)果分析與比較

本文所研究的車牌識(shí)別系統(tǒng)是基于道路監(jiān)控畫(huà)面，對(duì)公路收費(fèi)站現(xiàn)場(chǎng)拍攝的圖像進(jìn)行收集，首先將圖像經(jīng)過(guò)預(yù)處理、車牌定位、字符分割后，然后對(duì)獲得字符歸一化成32×16大小.輸入時(shí)每個(gè)像素點(diǎn)都是特征點(diǎn)，輸出時(shí)共有26個(gè)字符、10個(gè)數(shù)字和34個(gè)漢字，所以輸入層節(jié)點(diǎn)個(gè)數(shù)為512，輸出層采用編碼的方式，需要結(jié)點(diǎn)個(gè)數(shù)是7.將這些數(shù)據(jù)分成兩組：一組作為訓(xùn)練樣本集，作為標(biāo)準(zhǔn)模板，另一組作為測(cè)試樣本集.應(yīng)用VC++6.0和Matlab7.0軟件進(jìn)行開(kāi)發(fā)，具體系統(tǒng)功能如圖2所示.在圖2中，左邊是一副典型的車牌圖，它是經(jīng)過(guò)了預(yù)處理和車牌定位后的圖像；右邊是一個(gè)對(duì)車牌進(jìn)行識(shí)別和管理的一個(gè)系統(tǒng).它識(shí)別車牌后，通過(guò)聯(lián)網(wǎng)搜索該車以及車主的所有信息，以供決策者提供足夠的資源，從而快速、準(zhǔn)確地對(duì)該車輛做出決策.

圖2 車輛牌照的識(shí)別與管理系統(tǒng)功能

為了檢驗(yàn)本文車牌識(shí)別實(shí)時(shí)性，對(duì)傳統(tǒng)BP網(wǎng)絡(luò)和本文算法收斂速度進(jìn)行比較，結(jié)論是本文車牌識(shí)別算法收斂速度明顯加快，且振蕩很小.說(shuō)明本文對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)采用附加動(dòng)量因子、自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率進(jìn)行改進(jìn)，提高了識(shí)別速度，滿足了現(xiàn)代智能交通管理實(shí)時(shí)性的特點(diǎn).

為了檢驗(yàn)本文車牌識(shí)別的準(zhǔn)確性，采用模板匹配算法、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)和本文算法作為對(duì)比模型，采用車牌識(shí)別的正確率作為評(píng)價(jià)準(zhǔn)則，幾種算法的識(shí)別成功率如表1所示.從表1可知，本文算法識(shí)別準(zhǔn)確率要高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、模板匹配算法和支持向量機(jī).對(duì)比結(jié)果表明，采用本文車牌識(shí)別算法能夠有效地識(shí)別車牌字符，而且學(xué)習(xí)與識(shí)別的速度較快.

表1 四種算法識(shí)別成功率的比較

4 結(jié)束語(yǔ)

車牌自動(dòng)識(shí)別技術(shù)是現(xiàn)代智能交通系統(tǒng)中的一項(xiàng)非常重要的技術(shù)，成為近幾年來(lái)研究的熱點(diǎn)[5].本文對(duì)BP神經(jīng)網(wǎng)絡(luò)在車牌識(shí)別應(yīng)用存在一些不足進(jìn)行了分析，并對(duì)其進(jìn)行了改進(jìn).重點(diǎn)論述了BP神經(jīng)網(wǎng)絡(luò)的構(gòu)造與改進(jìn)，最后通過(guò)仿真對(duì)其正確性、可靠性和及時(shí)性進(jìn)行驗(yàn)證.仿真結(jié)果表明，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別算法進(jìn)一步提高了車牌識(shí)別正確率，加快了識(shí)別速度，實(shí)現(xiàn)對(duì)過(guò)往車輛進(jìn)行實(shí)時(shí)監(jiān)控，系統(tǒng)的性能良好，在現(xiàn)代智能交通系統(tǒng)有著廣泛的應(yīng)用前景.

參 考 文 獻(xiàn)

[1]Danian Zheng,Yannan Zhao,Jiaxin Wang.An efficient method of license plate location[J].Pattern Recognition Letters,2005,26(26)：2431～2438

[2]S.Z.Wang,H.M.Lee..Detection and recognition of license plate characters with different appearances[C].Proc.Confi.Intell.Transp.Syst.2003,979～984

[3]Danlan Zheng,Yannan Zhao,Jiaxin Wang.An efficient method of license plate location[J].Pattern Recognition Letters.2005(26):2431～2438

[4]Vahid Abolghasemi,Alireze Ahmadyfard.An Edge-based Color-aided method for license plate detection[J].Image Vision computing,2008,23(10)

[5]Sergios Theodoridis,Konstantinos Koutroumbas.Pattern Recognition[M].Beijing:China Machine Press,2003