基于人工神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別探究

胡智鵬（北華大學(xué) 信息技術(shù)與傳媒學(xué)院，吉林 吉林 132013）

?

基于人工神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別探究

胡智鵬
（北華大學(xué) 信息技術(shù)與傳媒學(xué)院，吉林 吉林 132013）

摘 要：近年來，隨著人們生活水平的提高，交通道路中的車輛數(shù)量也日益增多，如何快速有效的管制交通顯得尤為重要。為了解決交通管制問題，越來越多的研究者將目光轉(zhuǎn)向以計(jì)算機(jī)為基礎(chǔ)的自動(dòng)控制系統(tǒng)。自動(dòng)車牌識(shí)別系統(tǒng)是近幾年研究的熱點(diǎn)話題，本文在這項(xiàng)工作中，提出了基于人工神經(jīng)網(wǎng)絡(luò)的車輛牌自動(dòng)識(shí)別系統(tǒng)。在系統(tǒng)中，使用已知車輛圖片，對(duì)車牌指定區(qū)域進(jìn)行算法識(shí)別，算法能夠識(shí)別的字符包括單個(gè)漢字、字母和數(shù)字，在車牌定位上利用Canny邊緣檢測(cè)算子和斑點(diǎn)染色法測(cè)定，斑點(diǎn)的著色方法應(yīng)用于投資回報(bào)率的性狀分離。最后，通過使用平均絕對(duì)偏差公式提取字符特征，利用反向傳播多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)字字符進(jìn)行分類。

關(guān)鍵詞：車牌識(shí)別；人工神經(jīng)網(wǎng)絡(luò)；模糊著色；字符識(shí)別

0　引言

隨著科技的進(jìn)步人們生活水平的提高，私家車的數(shù)量也正在日益增加。在城市車輛管理中對(duì)車輛及其車牌的識(shí)別要求越來越多，為了能夠快速準(zhǔn)確的識(shí)別車牌號(hào)碼，多數(shù)學(xué)者將目光轉(zhuǎn)向以計(jì)算機(jī)為基礎(chǔ)的自動(dòng)車牌識(shí)別系統(tǒng)的開發(fā)［1］。在這項(xiàng)研究中，本文提出了一個(gè)較為高效的基于人工神經(jīng)網(wǎng)絡(luò)的自動(dòng)車牌牌照識(shí)別系統(tǒng)，系統(tǒng)由三部分組成，首先從車牌圖像中對(duì)車牌區(qū)域進(jìn)行定位，然后從車牌圖像中分割出車牌圖像，最后識(shí)別出車牌圖像的分割特征。

1　板塊區(qū)域定位

車牌識(shí)別系統(tǒng)的第一階段就是從車輛圖像中找到車牌位置。該板塊區(qū)域由藍(lán)色背景和白色字符組成，在此版塊中，藍(lán)色和白色兩種顏色之間的轉(zhuǎn)換是非常密集的。我們發(fā)現(xiàn)該地區(qū)中包括過渡點(diǎn)最多，分離找到的板塊區(qū)域。

用Canny邊緣檢測(cè)算子［2］在車輛分離圖像中獲得相應(yīng)過渡點(diǎn)。這里，Canny邊緣檢測(cè)器使用一個(gè)濾波器基于一階導(dǎo)數(shù)的高斯平滑。對(duì)平滑后的圖像消除噪聲，接下來的工作就是找到邊緣強(qiáng)度的圖像梯度。在這個(gè)過程中，算法需要逐個(gè)計(jì)算出梯度的邊緣強(qiáng)度，再結(jié)合版塊邊緣點(diǎn)，找出過渡點(diǎn)最為密集的區(qū)域，這個(gè)區(qū)域即為目標(biāo)版塊區(qū)域。根據(jù)邊緣圖，確定過渡點(diǎn)之間藍(lán)色和白色的顏色特征。

2　字符分割

在分割過程中加強(qiáng)灰度車牌圖像的處理，因?yàn)閷?duì)比度的差異發(fā)生在相機(jī)的圖像上。此外，將不需要的臟區(qū)域分割存儲(chǔ)。

在這項(xiàng)工作中，通過施加對(duì)比度擴(kuò)展和中值濾波技術(shù)對(duì)灰度圖像增強(qiáng)，通過圖像和噪聲的對(duì)比度，可將白色背景下的臟區(qū)域完全消除。圖像增強(qiáng)后，對(duì)斑點(diǎn)實(shí)施著色方法來確定有效字符的邊界。

擴(kuò)展圖像的對(duì)比度，就意味著對(duì)圖像的直方圖均衡化［3］。換句話說，通過對(duì)比度擴(kuò)展使圖像銳化。圖像的灰度直方圖是圖像中灰度值的分布，直方圖均衡化是一種目前較為流行的技術(shù)，作用是改善一個(gè)貧窮的對(duì)比圖像的外觀。

中值濾波主要用于消除不必要的噪聲區(qū)域。這種濾波方法，實(shí)際上是通過周圍的圖像構(gòu)建3X3矩陣，其中，矩陣的維數(shù)可以根據(jù)噪聲電平進(jìn)行調(diào)整。

本文使用BLOB著色算法［4］在二值圖像區(qū)域構(gòu)建框架。該算法使用一個(gè)特殊的升形模板掃描圖像從左至右，從上到下，通過掃描確定獨(dú)立的區(qū)域，再獲得連接到四個(gè)方向的背景區(qū)域。這里，四個(gè)方向上的斑點(diǎn)著色算法使用二進(jìn)制編碼的車牌圖像獲取特征。最后，從車牌區(qū)域的圖像獲得的分段字符。

在這項(xiàng)工作中，分段的字符分別表示為漢字、數(shù)字和字母。為了達(dá)成這個(gè)目的，將車牌圖像分為兩個(gè)區(qū)域：第一個(gè)區(qū)域由一個(gè)漢字和一個(gè)字母組成，表示城市交通代碼；第二個(gè)區(qū)域由五位數(shù)字或字母組成。在這一過程中，需要對(duì)實(shí)驗(yàn)圖像進(jìn)行掃描，掃描的形式為從左向右水平掃描，記錄空格位置，如果空格的值高于該字符區(qū)域的閾值，則該位置即為分割位置。

3　特征提取

將之前獲得的分割字符圖像分別保存為文件。通過使用兩個(gè)單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別，增加識(shí)別成功率。分類前，先要進(jìn)行特征提取，特征提取為我們提供了一個(gè)圖像分割最重要的信息，此信息可以作為一個(gè)特征向量。使用特征向量對(duì)全局和局部特征的字符編碼，為后面字符比較做準(zhǔn)備。在所提出的方法中，本文使用平均絕對(duì)偏差算法的虹膜圖像的特征向量進(jìn)行編碼。

在這項(xiàng)工作中，數(shù)字圖像分為4x5像素尺寸的子圖像和字母圖像分為5x5像素尺寸的圖像，每個(gè)子圖像都有獨(dú)特的提取特征。將整個(gè)特征向量應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)作為字符分類的輸入。

4　字符識(shí)別

在字符識(shí)別方面，我們首先要對(duì)漢字、數(shù)字和字母進(jìn)行分類，本文使用兩個(gè)單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)對(duì)圖像進(jìn)行識(shí)別增加成功率。在構(gòu)建架構(gòu)時(shí)，兩者都有相同的架構(gòu)，只有輸入號(hào)碼不同。使用兩個(gè)單獨(dú)的人工神經(jīng)網(wǎng)絡(luò)識(shí)別的原因是提升識(shí)別相似度較高的數(shù)字和字母，如“0”，“o”，“O”和“z”，“Z”等的準(zhǔn)確度。

在該方法中，使用一個(gè)多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行特征分類。MLP處理單元被安排在三層：輸入層，隱層（有助于網(wǎng)絡(luò)計(jì)算更復(fù)雜的關(guān)聯(lián)）和輸出層。在輸入層中的每個(gè)神經(jīng)元被直接饋送到隱藏層神經(jīng)元獲得一系列的權(quán)重，各節(jié)點(diǎn)的權(quán)重和輸入的產(chǎn)品的總和進(jìn)行計(jì)算，通過一系列的權(quán)重，將計(jì)算結(jié)果直接饋送到輸出層神經(jīng)元。在隱藏層中，計(jì)算出輸出層中每個(gè)節(jié)點(diǎn)的權(quán)值和隱層神經(jīng)元輸出的總和。如果計(jì)算出的輸出值與期望值之間的誤差超過了誤差率，則訓(xùn)練（通過使用新的權(quán)重改變權(quán)重和計(jì)算新的輸出）過程開始，這個(gè)訓(xùn)練過程可以通過獲得所有輸入組合的期望誤差率來完成。

5　實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)采用259個(gè)車輛圖像，系統(tǒng)最大迭代次數(shù)為5000代，當(dāng)系統(tǒng)到達(dá)用戶定義的最小錯(cuò)誤率時(shí)，將停止迭代。此應(yīng)用程序的最小錯(cuò)誤率為0.001。實(shí)驗(yàn)結(jié)果顯示，247個(gè)車牌在圖像識(shí)別系統(tǒng)中被正確識(shí)別，系統(tǒng)的整體識(shí)別率為95.36%。雖然系統(tǒng)的正確識(shí)別率較高，但是在實(shí)驗(yàn)過程中，由于系統(tǒng)設(shè)計(jì)較為復(fù)雜，系統(tǒng)在車牌識(shí)別上耗時(shí)較多，如何能夠簡(jiǎn)化系統(tǒng)，提升車牌識(shí)別速度，這將是本文下一步的工作。

參考文獻(xiàn)：

［1］吳紅梅，陳繼榮，鹿曉亮.一種新的車牌字符分割方法［J］.計(jì)算機(jī)仿真，2007（02）.

［2］梁中巖，張三元.一種用于車牌識(shí)別的融合特征提取方法［J］.信息化研究，2015（06）.

［3］張劍.車牌識(shí)別中字符識(shí)別的研究［J］.信息技術(shù)，2011（09）.

［4］魏武，黃心漢，張起森，王敏，王明俊.基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法［J］.模式識(shí)別與人工智能，2001（01）.

DOI：10.16640/j.cnki.37-1222/t.2016.13.129