劉智

(廣西科技大學 網(wǎng)絡與現(xiàn)代教育技術(shù)中心， 廣西 柳州 545006)

徑向基神經(jīng)網(wǎng)絡算法在車牌字符識別中的應用

劉智

(廣西科技大學 網(wǎng)絡與現(xiàn)代教育技術(shù)中心， 廣西 柳州 545006)

提出一種基于徑向基網(wǎng)絡的汽車車牌字符識別算法.在預處理階段，采用灰度化、自適應閾值分割去除圖像噪聲并增強圖像對比度；在字符分割階段，采用極限元素位置確定法實現(xiàn)獨立字符分割；在字符識別階段，利用自行構(gòu)建的字符子塊圖像庫對徑向基神經(jīng)網(wǎng)絡進行訓練.選取基于反向傳播(BP)神經(jīng)網(wǎng)絡的字符識別算法和基于支持向量機(SVM)的字符識別算法與文中方法進行比較.實驗結(jié)果表明：文中方法在識別準確率上具有明顯優(yōu)勢，更適用于汽車車牌的字符識別. 關(guān)鍵詞： 汽車車牌; 字符分割; 字符識別; 徑向基網(wǎng)絡

隨著世界汽車數(shù)量的劇增[1]，在道路交通汽車管理、汽車自動繳費、車庫車位自動查找等領域，都迫切需要具有更高準確率、更高效率的智能系統(tǒng)[2].對于智能交通系統(tǒng)，識別車輛身份是核心工作，這就需要快速、準確地對汽車車牌進行識別[3].目前，汽車車牌識別主要是依托圖像處理技術(shù)，通過預處理技術(shù)去除車牌圖像噪聲，利用分割技術(shù)實現(xiàn)車牌中各個字符的定位，進而根據(jù)智能算法完成車牌中各個字符的智能識別[4].其中，字符識別是整個車牌識別技術(shù)中的最關(guān)鍵環(huán)節(jié).Sarker等[5]針對韓國車牌的特點，構(gòu)建一種基于局部線性二元模式識別算法.Ghahnavieh等[6]根據(jù)字符的復雜程度進行層級結(jié)構(gòu)的劃分，構(gòu)建一種基于層次結(jié)構(gòu)的支持向量機字符識別算法.Hong等[7]以汽車車牌字符識別為研究對象，分析車牌中最穩(wěn)定的極值區(qū)域，進而借助反向傳播(BP)神經(jīng)網(wǎng)絡算法完成字符識別.劉永平等[8]在不同字符的分類識別中，將最小二乘法和支持向量機結(jié)合，構(gòu)建一種新的智能識別算法.方承志等[9]在支持向量機的識別算法上進行改進，用小波核替代原有的支持向量機的內(nèi)核，使之對汽車車牌的字符識別具有更好的針對性.賈文其等[10]在BP神經(jīng)網(wǎng)絡算法的基礎上，增加無監(jiān)督的貪婪訓練，實現(xiàn)一種基于深度學習的自編碼的神經(jīng)網(wǎng)絡算法.根據(jù)已有的研究成果可知，神經(jīng)網(wǎng)絡算法對汽車車牌字符識別較常用，但傳統(tǒng)的BP神經(jīng)網(wǎng)絡對非線性問題的解決能力不足.因此，本文將徑向基神經(jīng)網(wǎng)絡引入汽車車牌的字符識別，以提升字符識別的準確性.

圖1 三層次的徑向基網(wǎng)絡結(jié)構(gòu)Fig.1 Radial basis network structure with three levels

1 徑向基神經(jīng)網(wǎng)絡

三層次的徑向基神經(jīng)網(wǎng)絡結(jié)構(gòu)，如圖1所示.

隱含層神經(jīng)元一般采用徑向基函數(shù)的形式，即

(1)

式(1)中：Oi為徑向基函數(shù)的中心；di為徑向基函數(shù)的寬度.

輸出層神經(jīng)元和隱含層神經(jīng)元的關(guān)系，可以表示為

(2)

式(2)中：wi,j為隱含層神經(jīng)元對輸出層神經(jīng)元的影響力.

2 基于徑向基網(wǎng)絡的字符識別算法

2.1 汽車車牌圖像的預處理

采用基于線性化模型的處理方案，即

(3)

式(3)中：ω1,ω2,ω3分別為R，G，B三個通道在像素灰度中所占的比例.據(jù)經(jīng)驗，當 ω1,ω2,ω3取(0.299，0.587，0.114)時，灰度化后的圖像和原始圖像的表達最為接近.

設圖像在(i,j)點處的像素灰度用f(i,j)表示，并假定原始灰度圖像所包含的灰度等級為m個，那么，原始灰度圖像的灰度范圍區(qū)間限定在[0,m-1].如果第k個等級的灰度出現(xiàn)的次數(shù)為p(k)，那么它的計算式為

(4)

假設灰度閾值用t表示，那么,根據(jù)t分割出的目標區(qū)域和背景區(qū)域分別用{f(i,j)>t}，{f(i,j)

(5)

由此，可求得閾值分割所需的閾值為

(6)

上述預處理后的效果，如圖2所示.

圖2 車牌字符圖像的預處理效果Fig.2 Preprocessing effect of license plate character image

2.2 汽車車牌圖像的字符分割

首先，獲取字符區(qū)域的上下邊界，執(zhí)行掃描處理，即

(7)

式(7)中：搜索圖像中的白像素位置，發(fā)現(xiàn)最下方(或最上方)存在的白像素后，通過此像素的位置畫水平線.

圖3 字符分割的效果Fig.3 Effect of character segmentation

其次，按照同樣的原理，尋找每個字符區(qū)域的左右邊界.

最后，沿著已經(jīng)確定的邊界，再向外移動5個像素，繪制包含獨立字符的矩形框，結(jié)果如圖3所示.

2.3 基于徑向基網(wǎng)絡的字符識別

構(gòu)建字符子塊圖像，如圖4所示.圖4給出的訓練圖像，只是全部訓練圖像集合中的一部分.

圖4 訓練圖像Fig.4 Training images

在數(shù)字字符方面，設置了“0”，“1”，“2”，“3”，“4”，“5”，“6”，“7”，“8”，“9”共10幅子塊圖像；在字母字符方面，設置了“A”，“B”，“C”,“D”,“E”,“F”,“G”,“H”,“J”,“K”,“L”,“M”,“N”,“P”,“Q”,“R”,“S”,“T”,“U”,“V”,“Z”子塊圖像；在漢字字符方面，設置了“黑”，“京”，“蘇”子塊圖像等.

通過上述訓練圖像，對式(1)，(2)的徑向基函數(shù)網(wǎng)絡進行訓練，直到訓練誤差小于預先設定的方面，最終確定徑向基函數(shù)的相關(guān)參數(shù)及隱含層到輸出層神經(jīng)元的權(quán)重系數(shù).

進入識別過程后，將一幅汽車車牌圖像先后進行預處理、字符分割，再將生成的一幅幅字符字塊圖像代入徑向基網(wǎng)絡中，實現(xiàn)計算機級別的字符識別.

3 實驗結(jié)果與分析

實驗所用計算機的硬件配置為：酷睿雙核CPU；2.8 GHz單核主頻；8 GB內(nèi)存；500 GB硬盤.

圖5 汽車車牌字符識別軟件Fig.5 Vehicle license plate character recognition software

基于徑向基網(wǎng)絡的汽車車牌字符識別算法構(gòu)建的識別軟件，如圖5所示.圖5中：左側(cè)是圖像效果的顯示區(qū)域，右側(cè)是功能區(qū)域.由圖5可知:經(jīng)過基于徑向基網(wǎng)絡的汽車車牌字符識別算法的識別，當前汽車車牌圖像中的字符信息被準確識別為“蘇EQ513M”.

進一步將文中算法與基于BP神經(jīng)網(wǎng)絡的汽車車牌字符識別算法和基于支持向量機(SVM)的汽車車牌字符識別算法的識別效果進行對比.實驗中，逐步增加識別車牌圖像的數(shù)量，比較3種方法在識別準確率和時間上的差異，結(jié)果如表1所示.表1中：n為圖像數(shù)量；η為識別準確率；t為識別時間.

由表1可知：隨著識別圖像的數(shù)量不斷增加，3種算法的識別準確率都有所下降.其中，基于SVM的汽車車牌字符識別算法的識別準確率下降最多，從最初的100.0%下降到78.1%；基于BP神經(jīng)網(wǎng)絡的汽車車牌字符識別算法次之，從最初的100.0%下降到81.3%；文中算法準確率保持最好，當圖像增加到100幅時，識別準確率仍然保持在92.2%.由表1中的算法執(zhí)行時間可知：3種方法相差不大.

綜合識別準確率和識別時間兩方面性能可以看出：所提出的基于徑向基網(wǎng)絡的汽車車牌字符識別算法具有更好的車牌字符識別效果，從而證實了文中算法的有效性.

表1 文中算法與其他2種算法的性能對比Tab.1 Performance comparison between proposed algorithm and other two algorithms

4 結(jié)束語

汽車車牌字符的自動識別，對于智能交通、車庫自動管理等方面的工作具有非常重要的意義.文中針對汽車車牌字符識別問題，在傳統(tǒng)的基于BP神經(jīng)網(wǎng)絡的識別算法的基礎上，引入非線性處理能力更強、局部逼近能力更優(yōu)的徑向基神經(jīng)網(wǎng)絡，構(gòu)建一種全新的汽車車牌識別算法.在整個算法的構(gòu)建過程中，利用灰度化處理、自適應域值分割實現(xiàn)了車牌圖像的預處理，借助極限元素位置確定法實現(xiàn)車牌圖像的獨立字符分割，采用徑向基神經(jīng)網(wǎng)絡進行字符訓練和字符識別.實驗結(jié)果表明：提出的基于徑向基網(wǎng)絡的汽車車牌字符識別算法具有更高的識別準確率，綜合性能優(yōu)于其他兩種對比算法.

[1] NAGARE A P.License plate character recognition system using neural network[J].International Journal of Computer Applications,2011,25(10):36-39.

[2] SINGH V K,PIRYANI R,UDDIN A,etal.Sentiment analysis of textual reviews: Evaluating machine learning, unsupervised and sentiwordnet approaches[C]∥International Conference on Knowledge and Smart Technology.Chonburi:IEEE Press,2013:122-127.

[3] 康忠林,黃華燦.采用小波偽運動分解的車牌定位法[J].華僑大學學報(自然科學版),2008,29(3):360-363.

[4] 吳文藝,崔長彩,葉瑞芳,等.采用二次灰度直方圖的砂輪磨粒圖像閾值分割[J].華僑大學學報(自然科學版),2016,37(4):422-427.

[5] SARKER M M K,SONG M K.Korean car license plate character recognition using local line binary pattern[C]∥Proceedings of the Winter 2015 General Conference on Korea Information and Communications Society.South Korea:SERC Press,2015:111-120.

[6] GHAHNAVIEH A E,RAIE A A.A new hierarchical architecture based on SVM for Persian license plate character recognition[J].Journal of Advances in Computer Research,2016,7(1):49-66.

[7] HONG Tao,GOPALAKRISHNAM A K.License plate extraction and recognition of a Thai vehicle based on MSER and BPNN[C]∥International Conference on Knowledge and Smart Technology.Chonburi:IEEE Press,2015:48-53.

[8] 劉永平,郭小波.基于最小二乘支持向量機車牌字符特征識別[J].數(shù)字技術(shù)與應用,2015(7):119-120.

[9] 方承志,周品,付世清.基于小波核LS-SVM的車牌字符識別算法研究[J].計算機技術(shù)與發(fā)展,2015(3):86-90.

[10] 賈文其,李明,朱美強,等.基于棧式降噪自編碼神經(jīng)網(wǎng)絡的車牌字符識別[J].計算機工程與設計,2016,37(3):751-756.

(責任編輯： 黃曉楠 英文審校： 吳逢鐵)

Application of Radial Basis Function Neural Network Algorithm in License Plate Character Recognition

LIU Zhi

(Network and Modern Education Technology Center,Guangxi University of Science and Technology, Liuzhou 545006, China)

A vehicle license plate character recognition algorithm based on radial basis function network is proposed. In the preprocessing stage, image noise is removed and the contrast of image is enhanced by adaptive threshold segmentation and grayscale; at the character segmentation stage, using the limit element method to determine the position of independent character segmentation; in the stage of character recognition, the training of the radial basis function neural network is used to construct the character sub block image library. The character recognition algorithm based on back propagation (BP) neural network and the character recognition algorithm based on support vector machine (SVM) are selected, and the method is compared with the method in this paper. Experimental results show that this method has obvious advantages in recognition accuracy, and it is more suitable for vehicle license plate character recognition. Keywords： vehicle license plate; character segmentation; character recognition; radial basis function network

10.11830/ISSN.1000-5013.201701022

2016-11-25

劉智(1979-)，女，副教授，主要從事模式識別與智能系統(tǒng)的研究.E-mail:864139988@qq.com.

廣西教育廳高?？蒲匈Y助項目(LX2014187)

TP 391.41

A

1000-5013(2017)01-0113-04