柴偉佳，王連明

(東北師范大學(xué)物理學(xué)院，吉林 長(zhǎng)春 130024)

隨著交通運(yùn)輸產(chǎn)業(yè)的迅猛發(fā)展，對(duì)智能交通系統(tǒng)的研究提出了更高的要求，而車牌識(shí)別正是智能交通系統(tǒng)的重要組成部分，其關(guān)鍵是車牌字符識(shí)別子系統(tǒng).

我國(guó)目前的車牌由漢字、阿拉伯?dāng)?shù)字和英文大寫字母組合構(gòu)成，因?yàn)槠渲械臐h字結(jié)構(gòu)復(fù)雜，因此我國(guó)車牌較國(guó)外有更高的識(shí)別難度.在實(shí)際應(yīng)用中，采集到的字符樣本往往存在不同程度的噪聲污染，或者是變形和部分缺失，因此要求識(shí)別系統(tǒng)具有較強(qiáng)的容噪能力.目前針對(duì)車牌字符識(shí)別最常用的方法是模板匹配法和神經(jīng)網(wǎng)絡(luò)法.葉晨洲等人[1]采用基于模板匹配技術(shù)的多識(shí)別器融合方法，對(duì)漢字、數(shù)字和字母的識(shí)別率可達(dá)96%；馬俊莉等人[2]提出一種基于改進(jìn)模板匹配的車牌字符識(shí)別方法，平均識(shí)別率達(dá)97%；吳進(jìn)軍[3]采用支持向量機(jī)方法，對(duì)車牌字符的整體識(shí)別率可達(dá)98%.模板匹配法最大的不足是對(duì)相似字符的區(qū)分能力較差，當(dāng)樣本維數(shù)較大時(shí)效率很低.并且利用模板匹配法通常需要對(duì)樣本進(jìn)行特征提取，這一過(guò)程往往難以分析和操作.隨著計(jì)算機(jī)及相關(guān)技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)開始廣泛應(yīng)用于車牌的識(shí)別問(wèn)題.我國(guó)目前針對(duì)車牌字符識(shí)別一般采用的是BP神經(jīng)網(wǎng)絡(luò).周科偉[4]采用改進(jìn)的BP算法，對(duì)漢字、數(shù)字和字母的識(shí)別率分別為86%，98%和96%；孟濤[5]采用3個(gè)BP神經(jīng)網(wǎng)絡(luò)并聯(lián)，將其結(jié)果組合輸出的方法，識(shí)別率高達(dá)98%；咼潤(rùn)華等人[6]將BP神經(jīng)網(wǎng)絡(luò)與模板匹配法相結(jié)合，識(shí)別率為97%.但這些方法針對(duì)的識(shí)別對(duì)象都是從實(shí)際車牌中獲取的字符，樣本數(shù)量有限，且不能體現(xiàn)實(shí)際應(yīng)用中出現(xiàn)的所有可能情況.

聯(lián)想記憶是生物系統(tǒng)的一個(gè)重要功能，可以使人類由事物的部分信息聯(lián)想到該事物的完整模式，因此將聯(lián)想記憶網(wǎng)絡(luò)應(yīng)用于車牌字符識(shí)別中，可有效辨認(rèn)模糊、形變或不完整的字符樣本.[7]本文基于聯(lián)想記憶網(wǎng)絡(luò)的這種特性，同時(shí)將其與BP神經(jīng)網(wǎng)絡(luò)具有高容錯(cuò)性和不存在偽狀態(tài)的優(yōu)勢(shì)相結(jié)合，提出了一種混合神經(jīng)網(wǎng)絡(luò)，實(shí)驗(yàn)證明該網(wǎng)絡(luò)性能優(yōu)于單純的聯(lián)想記憶網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò).

1　混合神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

圖1　聯(lián)想記憶+BP混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

最典型的聯(lián)想記憶網(wǎng)絡(luò)是Hopfield網(wǎng)絡(luò).本文設(shè)計(jì)的混合神經(jīng)網(wǎng)絡(luò)是將Hopfield網(wǎng)絡(luò)的輸出作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將BP神經(jīng)網(wǎng)絡(luò)的輸出作為最終識(shí)別結(jié)果.該混合網(wǎng)絡(luò)的具體結(jié)構(gòu)如圖1所示.

1.1　聯(lián)想記憶算法

Hopfield聯(lián)想記憶網(wǎng)絡(luò)是一種單層反饋神經(jīng)網(wǎng)絡(luò).它是一種動(dòng)態(tài)網(wǎng)絡(luò)，網(wǎng)絡(luò)的工作過(guò)程為狀態(tài)的演化過(guò)程，它按照“能量”減小的方式演化，最終達(dá)到穩(wěn)定狀態(tài)，這些穩(wěn)定的狀態(tài)叫做網(wǎng)絡(luò)的吸引子.[8]在本文中這些吸引子就是需要記憶的模式，由于每個(gè)吸引子都存在一定的吸引域，處在吸引域內(nèi)的狀態(tài)最終都可以演化為對(duì)應(yīng)的吸引子，因此聯(lián)想記憶網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)能力，可實(shí)際應(yīng)用于對(duì)畸變字符的識(shí)別.

設(shè)計(jì)一個(gè)聯(lián)想記憶網(wǎng)絡(luò)需要2個(gè)過(guò)程：在記憶階段，通過(guò)輸入標(biāo)準(zhǔn)樣本數(shù)據(jù)，調(diào)整權(quán)值，使網(wǎng)絡(luò)達(dá)到穩(wěn)定；在聯(lián)想階段，輸入待識(shí)別樣本，系統(tǒng)經(jīng)過(guò)演化，最終收斂于某個(gè)吸引子.完成聯(lián)想記憶的關(guān)鍵在于采用有效的學(xué)習(xí)算法設(shè)計(jì)網(wǎng)絡(luò)權(quán)值，常用的算法有外積法、偽逆法、NDRAM(Nonlinear Dynamic Recurrent Associative Memory)算法及LSSM(Linear Systems in a Saturated Mode)算法.由于外積法要求樣本相互正交，且容量小，不適用于大量樣本的記憶，故本文實(shí)驗(yàn)中將采用另外3種算法.

偽逆法：利用偽逆法時(shí)權(quán)值計(jì)算公式為

W=ΣΣI，

(1)

其中Σ表示由全部記憶模式組成的矩陣，ΣI表示Σ的偽逆矩陣.由于偽逆法生成的權(quán)值是投影到記憶模式形成的線性子空間上，所以也被稱為投影法.[9]

NDRAM算法：該算法采用非線性的S型函數(shù)作為作用函數(shù)，表達(dá)式為

(2)

式中δ表示傳遞參數(shù)，通常取δ=0.1.NDRAM算法的權(quán)值更新方式是在Hebb學(xué)習(xí)律的基礎(chǔ)上疊加一個(gè)反Hebb學(xué)習(xí)律，計(jì)算公式為

(3)

其中：x[0]表示神經(jīng)元的初始狀態(tài)，即需要記憶的模式；x[p]代表通過(guò)作用函數(shù)的p次迭代后的神經(jīng)元狀態(tài)；η表示學(xué)習(xí)速率，通常取η=0.01.[10]

LSSM算法：該算法的權(quán)值和閾值的設(shè)計(jì)流程如下[11]：

(1) 輸入K個(gè)N維的記憶模式x={x1，x2，…，xk}及參數(shù)τ(通常取τ=10).

(2) 由記憶模式生成一個(gè)線性子空間A，A={x1-xk，x2-xk，…，xk-1-xk}.

(3) 對(duì)A做奇異值分解，A=USVT，U={u1，u2，…，un-1，un}，計(jì)算A的秩m=rank(A).

(5) 計(jì)算Tτ=T+-τT-，Iτ=XK-TτxK，其中Tτ可視為權(quán)值，Iτ可視為閾值.

1.2　BP算法

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多級(jí)前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層、輸出層構(gòu)成.由于它能學(xué)習(xí)和存儲(chǔ)大量的輸入-輸出模式映射關(guān)系，因此在模式識(shí)別領(lǐng)域有相當(dāng)廣泛的應(yīng)用.

2　車牌字符識(shí)別算法流程

圖2　全部標(biāo)準(zhǔn)樣本圖

采用了31個(gè)省、自治區(qū)和直轄市以及5個(gè)特殊領(lǐng)域共計(jì)36個(gè)漢字車牌字符作為標(biāo)準(zhǔn)樣本，此外還包括數(shù)字0～9及除“I”和“O”以外的全部英文大寫字母，基本涵蓋了車牌中所有可能出現(xiàn)的字符.這70個(gè)標(biāo)準(zhǔn)樣本樣如圖2所示.

每個(gè)標(biāo)準(zhǔn)樣本為二值圖像，用“0”代表黑色、“1”代表白色.圖像尺寸大小為32像素×16像素，將每個(gè)標(biāo)準(zhǔn)樣本轉(zhuǎn)化為一列向量，可得到一個(gè)512×70的原始圖像矩陣，該矩陣將分別用于聯(lián)想記憶網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí).

圖3　混合網(wǎng)絡(luò)的運(yùn)行流程

3　算法仿真實(shí)驗(yàn)

以往的車牌字符識(shí)別實(shí)驗(yàn)，針對(duì)的識(shí)別對(duì)象一般都是實(shí)拍的車牌，很難囊括全部漢字及英文數(shù)字字符，并且前期經(jīng)過(guò)了一定預(yù)處理，因此無(wú)法量化、真實(shí)地體現(xiàn)識(shí)別算法的性能.本文則是基于實(shí)驗(yàn)室條件下，通過(guò)對(duì)標(biāo)準(zhǔn)樣本進(jìn)行加噪、旋轉(zhuǎn)、切割，全面量化地模擬了實(shí)際情況中樣本的污損情況.為了考察本文提出的混合網(wǎng)絡(luò)的識(shí)別能力，將對(duì)5種算法組合情況進(jìn)行實(shí)驗(yàn)，即偽逆法+BP算法，NDRAM算法+BP算法，LSSM算法+BP算法，單獨(dú)BP算法及單獨(dú)LSSM算法.在識(shí)別過(guò)程中，選取圖2中偶數(shù)位置上的35個(gè)樣本進(jìn)行實(shí)驗(yàn)，用平均錯(cuò)誤率來(lái)表征各網(wǎng)絡(luò)的識(shí)別水平.平均錯(cuò)誤率定義為

(4)

其中：errorrate為35個(gè)樣本的平均識(shí)別錯(cuò)誤率；errors為當(dāng)前噪聲條件下網(wǎng)絡(luò)未能正確識(shí)別的總次數(shù)；sum為當(dāng)前噪聲條件下網(wǎng)絡(luò)進(jìn)行識(shí)別實(shí)驗(yàn)的總次數(shù).

3.1　加噪的車牌字符識(shí)別

在回憶階段采用的待識(shí)別對(duì)象為加入不同程度的椒鹽噪聲的字符樣本.該實(shí)驗(yàn)主要模擬實(shí)際應(yīng)用中由于污漬、磨損、光照不均等情況對(duì)車牌識(shí)別系統(tǒng)的干擾.為去除隨機(jī)性的影響，對(duì)每個(gè)待識(shí)別樣本進(jìn)行10次實(shí)驗(yàn)，因此(4)式中sum取值為350.記錄每種算法在噪聲密度0～1區(qū)間的平均錯(cuò)誤率，最終得到如圖4所示的錯(cuò)誤率曲線.

由圖4可以看出，基于LSSM+BP算法的混合網(wǎng)絡(luò)的性能是最佳的，在噪聲密度不大于0.7時(shí)對(duì)樣本可達(dá)100%正確識(shí)別.其性能不僅遠(yuǎn)優(yōu)于其他混合網(wǎng)絡(luò)和單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)，相對(duì)于單獨(dú)的LSSM網(wǎng)絡(luò)也有了進(jìn)一步提升.

3.2　旋轉(zhuǎn)的車牌字符識(shí)別

主要研究5種網(wǎng)絡(luò)對(duì)不同旋轉(zhuǎn)角度下的車牌字符樣本的識(shí)別情況.與加入隨機(jī)噪聲不同，由于每次實(shí)驗(yàn)輸出的結(jié)果是確定的，所以對(duì)每個(gè)樣本只需進(jìn)行一次識(shí)別實(shí)驗(yàn)，即(4)式中sum值取為35.對(duì)35個(gè)標(biāo)準(zhǔn)樣本進(jìn)行1°～18°的旋轉(zhuǎn)，記錄每種網(wǎng)絡(luò)在樣本旋轉(zhuǎn)不同角度時(shí)的平均識(shí)別錯(cuò)誤率，得到實(shí)驗(yàn)結(jié)果見圖5.由圖5可以看出，基于LSSM+BP算法的混合網(wǎng)絡(luò)在樣本旋轉(zhuǎn)角度不大于7°時(shí)錯(cuò)誤率依然是最低的.由于在實(shí)際應(yīng)用中，進(jìn)行最終的字符識(shí)別之前通常會(huì)對(duì)車牌進(jìn)行傾斜校正[12]，因此小角度旋轉(zhuǎn)的樣本的識(shí)別率才是關(guān)注重點(diǎn).從這個(gè)角度來(lái)說(shuō)，基于LSSM+BP算法的混合網(wǎng)絡(luò)的性能仍然是最佳的.

圖4　不同噪聲密度下幾種算法的錯(cuò)誤率比較　圖5　旋轉(zhuǎn)不同角度時(shí)幾種算法的錯(cuò)誤率比較

3.3　切割的車牌字符識(shí)別

圖6　切割掉不同尺寸時(shí)幾種算法的錯(cuò)誤率比較

針對(duì)5種算法對(duì)不完整的車牌字符的識(shí)別率問(wèn)題，對(duì)35個(gè)樣本進(jìn)行1～20行的橫向切割，割除掉的部分補(bǔ)0后送入網(wǎng)絡(luò)進(jìn)行識(shí)別.錯(cuò)誤率計(jì)算方法與旋轉(zhuǎn)的車牌字符識(shí)別完全相同.實(shí)驗(yàn)得到的錯(cuò)誤率曲線如圖6所示.

由圖6可以看出，基于LSSM+BP算法的混合網(wǎng)絡(luò)在水平切割尺寸小于9像素時(shí)均可輸出正確結(jié)果，遠(yuǎn)優(yōu)于另外2種混合網(wǎng)絡(luò)和單獨(dú)的BP神經(jīng)網(wǎng)絡(luò).

綜合上述實(shí)驗(yàn)可以得到：基于聯(lián)想記憶+BP算法的混合網(wǎng)絡(luò)性能優(yōu)于單獨(dú)的聯(lián)想記憶網(wǎng)絡(luò)和單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)；在3種混合網(wǎng)絡(luò)中，尤以基于LSSM+BP算法的混合網(wǎng)絡(luò)是最優(yōu)的.在聯(lián)想記憶網(wǎng)絡(luò)識(shí)別錯(cuò)誤的結(jié)果中，一種是誤判成其他標(biāo)準(zhǔn)模式，另一種則是進(jìn)入偽狀態(tài).這是由于Hopfield聯(lián)想記憶網(wǎng)絡(luò)是一種動(dòng)態(tài)網(wǎng)絡(luò)，存在較多的偽吸引子，所以輸出的結(jié)果會(huì)呈現(xiàn)諸多不確定狀態(tài)，而BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果只能是70個(gè)標(biāo)準(zhǔn)樣本中的一個(gè)，不存在偽狀態(tài).因此，將聯(lián)想記憶算法和BP算法結(jié)合起來(lái)，可利用BP算法的容錯(cuò)能力，將聯(lián)想記憶網(wǎng)絡(luò)輸出的接近標(biāo)準(zhǔn)樣本的偽狀態(tài)“糾正”回標(biāo)準(zhǔn)模式，進(jìn)一步提高網(wǎng)絡(luò)識(shí)別率.為了直觀展示該混合網(wǎng)絡(luò)的優(yōu)越性，圖7給出了基于LSSM+BP算法的混合網(wǎng)絡(luò)的部分輸出結(jié)果.

圖7　LSSM+BP混合網(wǎng)絡(luò)的部分輸出結(jié)果

4　結(jié)論

本文提出了一種基于聯(lián)想記憶算法與BP算法相結(jié)合的混合神經(jīng)網(wǎng)絡(luò)，并將該網(wǎng)絡(luò)用于對(duì)加噪、旋轉(zhuǎn)和切割3種情況下的車牌字符樣本的識(shí)別.該方法充分利用了聯(lián)想記憶網(wǎng)絡(luò)對(duì)形變、模糊和不完整樣本的識(shí)別能力以及BP神經(jīng)網(wǎng)絡(luò)的糾錯(cuò)能力.通過(guò)大量對(duì)比實(shí)驗(yàn)，證明混合網(wǎng)絡(luò)在使用LSSM+BP算法時(shí)性能最佳，可糾正LSSM網(wǎng)絡(luò)輸出的部分偽狀態(tài)，進(jìn)一步降低誤識(shí)率.由于目前單一神經(jīng)網(wǎng)絡(luò)很難滿足對(duì)復(fù)雜條件下樣本的高識(shí)別率的要求，本文提出的混合神經(jīng)網(wǎng)絡(luò)的方法為車牌識(shí)別等模式識(shí)別領(lǐng)域的研究和方法的改進(jìn)提供了一種新的思路.在后續(xù)的研究中，將進(jìn)一步探討該方法在現(xiàn)實(shí)交通環(huán)境中對(duì)車牌字符的識(shí)別效果，并對(duì)網(wǎng)絡(luò)的算法進(jìn)行改進(jìn)，以便應(yīng)對(duì)更加復(fù)雜的實(shí)際環(huán)境.

[參考文獻(xiàn)]

[1]葉晨洲，楊杰，宣國(guó)榮.車輛牌照字符識(shí)別[J].上海交通大學(xué)學(xué)報(bào)，2000，34(5)：672-675.

[2]馬俊莉，莫玉龍，王明祥.一種基于改進(jìn)模板匹配的車牌字符識(shí)別方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2003，24(9)：1670-1672.

[3]吳進(jìn)軍.車牌識(shí)別技術(shù)的研究[D].杭州：浙江大學(xué)，2006.

[4]周科偉.Matlab環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別[D].西安：西安電子科技大學(xué)，2009.

[5]孟濤.車牌識(shí)別關(guān)鍵技術(shù)的實(shí)現(xiàn)和研究[D].武漢：華中科技大學(xué)，2006.

[6]咼潤(rùn)華，蘇婷婷，馬曉偉.BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，53(9)：1221-1226.

[7]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)編程[M].北京：化學(xué)工業(yè)出版社，2011：194-199.

[8]陳明.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京：清華大學(xué)出版社，2015：282-284.

[9]PERSONNAZ L，GUYON I，DREFUS G.Collective computational properties of neural networks：new learning mechanisms[J].Physical Review A，1986，34(5)：4217-4228.

[10]CHARTIER S，PROULX R.NDRAM：nonlinear dynamic recurrent associative memory for learningbipolar and nonbipolar correlated patterns[J].Neural Networks，IEEE Transactions on，2005，16(6)：1393-1400.

[11]LI J H，MICHEL A N，POROD W.Analysis and synthesis of a class of neural networks：linear systems operating on a closed hypercube[J].Circuits and Systems，IEEE Transactions on，1989，36(11)：1405-1422.

[12]文祝青，羅威，杜華英.基于BP神經(jīng)網(wǎng)絡(luò)的車牌號(hào)碼識(shí)別[J].現(xiàn)代計(jì)算機(jī)，2015，12(35)：64-68.