基于BP神經(jīng)網(wǎng)絡(luò)的車牌識別方法研究

李潔，李登剛，曾文亮

（湖南工業(yè)大學(xué)軌道交通學(xué)院，湖南株洲，412007）

0 引言

隨著經(jīng)濟(jì)發(fā)展及生活水平的進(jìn)步，大量汽車的出現(xiàn)帶來了許多交通問題，如交通擁堵、肇事逃逸等。為解決上述問題，智能交通、車牌識別已成為近年來的發(fā)展熱點(diǎn)[1-3]。目前在停車場、高速公路，交通路口等領(lǐng)域隨處可見車牌識別的應(yīng)用。我國的普通車牌主要由7個(gè)字符的藍(lán)底矩形牌照框構(gòu)成，根據(jù)車牌的特點(diǎn)，設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識別算法。該算法由以下幾部分構(gòu)成：車牌圖像預(yù)處理，車牌區(qū)域定位，字符分割，字符識別。可以對國內(nèi)普通的藍(lán)底7字符車牌進(jìn)行簡單快速有效的識別。

1 車牌識別系統(tǒng)的方案設(shè)計(jì)

車牌識別算法的流程主要分為四個(gè)部分：1）圖像預(yù)處理，2）車牌定位，3）字符分割，4）字符識別。其中圖像預(yù)處理、車牌定位和字符分割的目的是為了獲取車牌的各個(gè)字符，然后將得到的車牌字符送入后續(xù)模塊中進(jìn)行字符識別，從而得到車牌號碼信息，各步驟如圖1所示。

圖1 車牌識別系統(tǒng)總體方案

1.1 圖像預(yù)處理

圖像預(yù)處理是整個(gè)車牌識別算法中的最基礎(chǔ)的一步，預(yù)處理后的圖像結(jié)果將關(guān)系到后面字符識別部分的準(zhǔn)確度。車輛圖像預(yù)處理[4]的主要作用是突出車牌的主要特征，以及去除圖像在成像、傳輸過程中的噪聲等，本文的車輛圖像預(yù)處理方式如圖2所示。

圖2 圖像預(yù)處理

1.2 車牌定位

車牌定位是使用圖像處理中的去噪算法和數(shù)學(xué)形態(tài)學(xué)方法從給定的圖像中找到車牌所在的部分，將其他部分進(jìn)行區(qū)分并成功提取出來。本文設(shè)計(jì)了車牌區(qū)域粗-細(xì)兩級定位方式，各步驟如圖3所示。

圖3 車牌定位流程圖

1.2.1 粗定位

粗定位就是對車牌區(qū)域輪廓進(jìn)行粗略定位。首先將原始圖像進(jìn)行直方圖均衡化處理用于增強(qiáng)圖像中的信息，再將圖片進(jìn)行灰度化處理增強(qiáng)圖像效果，然后對圖像進(jìn)行濾波操作減少圖像中噪聲，使用Sobel算子邊緣檢測[5]提取出結(jié)構(gòu)特征，最后使用閉運(yùn)算等形態(tài)學(xué)處理方法得到粗定位圖像，粗定位過程如圖4所示。

圖4 車牌圖像粗定位過程

1.2.2 細(xì)定位

精細(xì)定位主要是為了獲得完整、準(zhǔn)確的車牌信息。本文使用HSV色彩空間提取車輛牌照區(qū)域，主要是為了找出圖像中的藍(lán)色像素。在得到HSV色彩空間所提取的車輛牌照區(qū)域后，算法將其轉(zhuǎn)換為RGB圖像從而定位得到藍(lán)色車牌區(qū)域圖像，如圖5所示。

圖5 車牌圖像細(xì)定位過程（提取藍(lán)色車牌區(qū)域）

在得到藍(lán)色車牌區(qū)域之后，將圖5.c進(jìn)行灰度化處理，并且將圖像進(jìn)行二值化，然后通過將二值化圖（圖6.c）與粗定位結(jié)果（圖4.f）使用形態(tài)學(xué)方法進(jìn)行取交集運(yùn)算，從而得到準(zhǔn)確的車牌位置，如圖6所示。

圖6 定位車牌區(qū)域

確定車牌位置之后，對目標(biāo)區(qū)域進(jìn)行長寬比篩選，從而得到目標(biāo)車牌圖像，再通過Radon算法[6]對獲取的車輛牌照進(jìn)行傾斜校正，從而得到精細(xì)定位結(jié)果，如圖7所示。

圖7 精細(xì)定位結(jié)果

1.3 字符分割

《中國人民共和國機(jī)動(dòng)車號牌》行業(yè)標(biāo)準(zhǔn)規(guī)則[7]，我國現(xiàn)行的車輛牌照號碼由7個(gè)字符組成。因此需要把定位后的車牌圖片中的7個(gè)字符，分割開來。在對圖7.b進(jìn)行灰度化處理后，再對其進(jìn)行二值化操作并去除噪聲點(diǎn)，如圖8所示。根據(jù)每個(gè)字符的高度和寬度以及各字符之間的間距等幾何規(guī)律，采用垂直投影分割法[8]對圖8進(jìn)行字符分割，把車牌分割為7個(gè)小區(qū)域，并且調(diào)整各個(gè)區(qū)域的大小為32×40的格式，調(diào)整后的字符如圖9所示。

圖8 車牌區(qū)域二值圖像

圖9 車牌字符分割

1.4 字符識別

字符識別是對分割出來的字符圖像（包括漢字、數(shù)字和字母）進(jìn)行特征識別，從而得到相對應(yīng)的車牌信息，也是整個(gè)車牌識別流程中最核心部分。本文在總結(jié)各方法的基礎(chǔ)上，采用了BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行字符識別。

BP神經(jīng)網(wǎng)絡(luò)[9-10]的網(wǎng)絡(luò)結(jié)構(gòu)如圖10所示。從圖中可以看出，該網(wǎng)絡(luò)模型分為三部分：輸入層、隱藏層、輸出層。

圖10 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)的工作原理是根據(jù)各個(gè)信號的前向傳播以及誤差的反向傳播，從而調(diào)節(jié)自身網(wǎng)絡(luò)的權(quán)重和閾值，利用梯度下降法，使整個(gè)網(wǎng)絡(luò)的平方誤差的和為最小值。基于BP神經(jīng)網(wǎng)絡(luò)的車牌識別算法流程以下：1）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，2）訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，3）根據(jù)字符特征進(jìn)行車牌的識別和分類。

1.4.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)

根據(jù)我國普通車牌的主要特點(diǎn)，建立了兩個(gè)子網(wǎng)去識別不同類型的字符。第一個(gè)子網(wǎng)用來識別車牌號碼中的第一個(gè)漢字字符，第二個(gè)子網(wǎng)用來識別車牌號碼中的第2-7個(gè)字符，這六個(gè)字符除第二個(gè)為英文字符外，其余五個(gè)均為英文和數(shù)字的混合。

第一個(gè)子網(wǎng)，構(gòu)建擁有10個(gè)輸入層、10個(gè)隱含層、14個(gè)輸出層的BP神經(jīng)網(wǎng)絡(luò)；而第二個(gè)子網(wǎng)，構(gòu)建44個(gè)輸入、10個(gè)隱含層、34個(gè)輸出層的BP神經(jīng)網(wǎng)絡(luò)。兩個(gè)子網(wǎng)第一層神經(jīng)元激活函數(shù)都采用logsig，第二層均為sigmode，學(xué)習(xí)方法均采用trainlm。

1.4.2 訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)

將各個(gè)字符的特征值輸入到兩個(gè)BP子網(wǎng)進(jìn)行訓(xùn)練。第一個(gè)子網(wǎng)收集了中國大陸31個(gè)省份簡稱的漢字字符，一共3108張字符圖片。然后將上述圖片進(jìn)行特征值提取，輸入到BP子網(wǎng)進(jìn)行訓(xùn)練，部分漢字字符的訓(xùn)練樣本如圖11所示。

圖11 部分漢字訓(xùn)練樣本

對于第二個(gè)BP子網(wǎng)，因?yàn)檐嚺铺柎a中沒有字母“I”和字母“O”，所以采集了除“I”和字母“O”之外的其它 24個(gè)大寫英文字母字符和“0”到“9”這10個(gè)數(shù)字的字符，共4297張字符圖片。然后對這些圖片進(jìn)行特征提取，輸入到BP子網(wǎng)進(jìn)行訓(xùn)練，部分?jǐn)?shù)字和英文字符的訓(xùn)練樣本如圖12所示。

圖12 部分英文數(shù)字字符訓(xùn)練樣本

1.4.3 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果

完成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后，把圖9中已分割字符的特征值提取出來之后輸入到已經(jīng)訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行識別和分類。實(shí)驗(yàn)結(jié)果顯示：輸出字符識別結(jié)果為“川A7HN79”，與真實(shí)的車牌號碼一致，如圖13所示。

圖13 車牌識別結(jié)果

實(shí)驗(yàn)共收集了停車場出入口、高速公路等不同場景下的30幅車牌圖片，共有漢字字符30個(gè)，英文字符73個(gè)，數(shù)字107個(gè)。將這些車牌信息輸入系統(tǒng)并進(jìn)行車牌識別，識別的結(jié)果如表1所示。從表中可以看出，漢字的識別正確率為96.7%，英文字符的識別正確率為95.9%，數(shù)字識別的正確率為95.3%，所有字符的平均識別正確率為95.7%，取得了比較好的識別結(jié)果。

表1 各個(gè)字符識別正確率情況

2 結(jié)論

本文設(shè)計(jì)了一種BP神經(jīng)網(wǎng)絡(luò)的汽車車牌自動(dòng)識別算法。該方法首先通過對車牌圖像進(jìn)行預(yù)處理，以獲得車牌的主要特征。其次通過粗細(xì)二級定位的方式對車牌區(qū)域進(jìn)行了精準(zhǔn)定位，并對車牌區(qū)域可能出現(xiàn)的傾斜進(jìn)行了校正。然后通過字符分割，分割出了漢字、字母、數(shù)字等7個(gè)字符，最后通過構(gòu)造BP神經(jīng)網(wǎng)絡(luò)對分割出來的7個(gè)字符，進(jìn)行了逐個(gè)識別。實(shí)驗(yàn)結(jié)果表明，該算法可以準(zhǔn)確地識別出車輛的車牌信息。