基于MATLAB與神經(jīng)網(wǎng)絡(luò)的汽車牌照識別系統(tǒng)

劉 巖

（新疆機電職業(yè)技術(shù)學(xué)院，新疆 烏魯木齊市 830000）

1 引言

近幾年，隨著我國國民經(jīng)濟(jì)的的飛速發(fā)展，城市化進(jìn)程不斷加快，城市交通運輸問題已成為很多大城市經(jīng)濟(jì)發(fā)展的瓶頸，所以智能交通系統(tǒng)(簡稱 ITS，Intelligent Traffic System)便應(yīng)運而生，它的推廣直接關(guān)系到城市交通的治理效率與現(xiàn)代化進(jìn)程的發(fā)展。其中，智能交通系統(tǒng)的一個核心組成部分，汽車牌照識別系統(tǒng)(簡稱LPR，License Plate Recognition System)對于交通的實時監(jiān)控、交通治理等道路與交通的智能化有著不可或缺的作用。

汽車牌照識別系統(tǒng)的應(yīng)用十分廣泛，例如交通控制與誘導(dǎo)，交通流量監(jiān)測，超速行駛，車輛安全防盜，港口、小區(qū)與機場的交通管理以及闖紅燈、不停車自動收費等實時監(jiān)控違章車輛等方面。并且在某種意義上，汽車牌照是機動車輛的唯一標(biāo)識，因此，汽車牌照識別系統(tǒng)近幾年引起專家們的格外重視，并且已經(jīng)有部分先期產(chǎn)品投入市場使用。但是在實際的檢驗當(dāng)中，系統(tǒng)的使用存在一些問題，比如：對光線強度比較敏感，系統(tǒng)可移植性不好，識別效率與準(zhǔn)確率不夠高等，所以造成識別后期還需要人工來完成部分工作，這個不符合智能交通的初衷，所以文章提出了一種與神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法來改進(jìn)現(xiàn)有系統(tǒng)的問題，并利用MATLAB來實現(xiàn)汽車牌照識別系統(tǒng)。

2 汽車牌照識別系統(tǒng)總體工作流程

汽車牌照識別系統(tǒng)是模式識別技術(shù)與計算機視覺技術(shù)在智能交通領(lǐng)域的重要應(yīng)用，它的總體工作流程為：汽車駛過某個路段時，車輛檢測器被觸發(fā)，啟動圖像采集設(shè)備，將攝像頭通過視頻信號將拍攝到的包含汽車拍照的圖像傳至計算機，利用牌照定位模塊提取牌照并進(jìn)行定位，然后字符分割模塊對牌照上的字符進(jìn)行分割，最后由基于人工神經(jīng)網(wǎng)絡(luò)算法的字符識別模塊進(jìn)行字符識別，輸出識別結(jié)果，如圖1所示。

圖1 識別系統(tǒng)總體工作流程

3 汽車牌照識別系統(tǒng)各模塊組成

3.1 圖像預(yù)處理模塊

圖像在生成、傳輸或者轉(zhuǎn)換過程中，受到很多因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或者過量等，尤其是相對于運動的物體，往往圖像與原始圖像之間或者與真實事物之間會產(chǎn)生一定差異，這種差異稱為降質(zhì)或者退化。因此要對包含汽車牌照的圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強、灰度化和邊緣檢測等預(yù)處理，以達(dá)到去除噪聲、增強邊界和增加對比度等效果，更好的識別圖像。

3.2 牌照定位模塊

這一模塊就是要從預(yù)處理階段處理后的汽車圖像中定位出牌照的位置，以分割出來牌照圖像，即在一張汽車圖片中準(zhǔn)確找到車牌的所在位置，并得到其矩形區(qū)域?，F(xiàn)實環(huán)境下，各種因素疊加導(dǎo)致情況比較復(fù)雜，比如：汽車圖像的光照均勻程度、汽車車身傾斜程度、天氣狀況好壞等等，如何適應(yīng)實際情況準(zhǔn)確得定位到牌照矩形區(qū)域是整個牌照識別過程的關(guān)鍵步驟。首先將拍攝到的視頻圖像進(jìn)行相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，并對候選區(qū)域做進(jìn)一步識別、判斷，最后選定最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中切分出來。這一模塊的流程圖如圖2所示：

圖2 牌照定位圖

3.3 字符分割模塊

牌照的字符分割就是把進(jìn)行幾何校正、去噪、二值化處理并定位好的牌照矩形區(qū)域的字符串進(jìn)行分割，以得到單個的字符圖像，然后進(jìn)行識別。其中對于字符的分割本文采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件，所以利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。這一模塊的流程圖如3所示。

圖3 字符分割模塊

3.4 字符識別模塊

字符識別就是對分割得到的單個字符圖像進(jìn)行二值化、歸一化處理后，進(jìn)行字符識別以得到最終結(jié)果。字符識別方法目前主要有模板匹配字符識別算法、統(tǒng)計特征匹配法、支持向量機模式識別算法和人工神經(jīng)網(wǎng)絡(luò)字符識別算法。其中，模板匹配字符識別算法首先將分割后的字符圖像二值化，后將其縮放為字符數(shù)據(jù)庫中樣本的尺寸大小，然后與所有的樣本進(jìn)行相似性檢驗，最后選最佳匹配作為結(jié)果。該方法識別速度較快，但是對噪點較為敏感。人工神經(jīng)網(wǎng)絡(luò)字符識別算法有兩種：一種是先對待識別字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是利用神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別出結(jié)果。如圖4所示。

圖4 字符識別模塊

4 汽車牌照識別系統(tǒng)的MATLAB實現(xiàn)

4.1 圖像預(yù)處理與車牌定位

由于輸入牌照是彩色的，含有大量顏色數(shù)據(jù)，在存儲時會占用很大空間，并且會在信息處理過程中降低系統(tǒng)的執(zhí)行效率，因此在對圖像處理時，通常先將彩圖轉(zhuǎn)換成灰色的，從而提高系統(tǒng)的效率。對彩圖灰度化、邊緣提取、然后利用形態(tài)學(xué)方法對車牌進(jìn)行定位。具體操作流程如下：先對圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4×1的結(jié)構(gòu)元素腐蝕圖像，去除圖像的噪聲。采用25×25的結(jié)構(gòu)元素，對圖像進(jìn)行閉合運算使車牌所在的區(qū)域形成連通。在利用形態(tài)學(xué)濾波去除其它區(qū)域。部分結(jié)果如下圖5所示。

圖5 圖像預(yù)處理與車牌定位圖

4.2 車牌字符分割

確定車牌所在的位置后進(jìn)行的工作是將字符切分，然后分離出車牌號碼的全部字符圖像。下圖為形態(tài)學(xué)濾波后的二值化圖像。如圖6所示：

圖6 形態(tài)濾波后圖像

4.3 車牌字符識別

在本程序中用人工神經(jīng)網(wǎng)絡(luò)字符識別車牌字符。在車牌字符識別部分,字符集中包含約50個漢字，26個大寫英文字母及10個阿拉伯?dāng)?shù)字，所以總體字符樣本并不太多。

（1）構(gòu)造訓(xùn)練樣本如圖7所示的數(shù)字和字母

圖7 構(gòu)造訓(xùn)練樣本圖

將樣本進(jìn)行歸一化為50×20大小，再將圖像按列裝置成為一個1000×1的行向量，并與上述18個圖像的樣本排列在一起，構(gòu)成了1000×18的矩陣樣本，用構(gòu)造好的樣本庫對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（2）利用神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識別。

由于神經(jīng)網(wǎng)絡(luò)存在收斂速度較慢、存在局部極小、隱層及其節(jié)點之間的個數(shù)很難決定等缺點，所以本文采用了有動量的梯度下降法進(jìn)行改進(jìn)，即按照某一時刻的負(fù)梯度方向的值修正網(wǎng)絡(luò)權(quán)重，同時加入動量因子，修正負(fù)梯度方向的值，使得整個網(wǎng)絡(luò)能夠更快更好的收斂。在整個車牌識別處理過程中，采用了四個神經(jīng)網(wǎng)絡(luò)，完成了中英文字符、以及數(shù)字的分類、識別等功能。最終識別結(jié)果如圖8所示：

圖8 網(wǎng)絡(luò)進(jìn)行字符識別圖

5 結(jié)語

文章以 MATLAB作為開發(fā)平臺，并利用其強大的圖像處理與計算工具箱，結(jié)合神經(jīng)網(wǎng)絡(luò)設(shè)計并實現(xiàn)了文章的車牌識別系統(tǒng)。通過對350張汽車圖像進(jìn)行識別運算得出結(jié)論，文章設(shè)計系統(tǒng)的車牌識別正確率能夠達(dá)到96.1%，一次識別的運行時間在1s左右，基本滿足實際的需求。