一種基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法

摘 要：車(chē)牌識(shí)別系統(tǒng)是智能交通中的一個(gè)重要分支，本文針對(duì)傳統(tǒng)的模板匹配算法存在識(shí)別準(zhǔn)確率低的問(wèn)題，提出了一種基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別算法。該方法對(duì)分割、歸一化后的字符進(jìn)行特征提取獲取其特征向量，把這個(gè)特征向量送到BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，可以得到訓(xùn)練好的權(quán)值，以此權(quán)值對(duì)車(chē)牌字符進(jìn)行識(shí)別。實(shí)驗(yàn)表明，本算法對(duì)車(chē)牌圖像的識(shí)別率達(dá)90%以上。

關(guān)鍵詞：字符識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；車(chē)牌識(shí)別

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言（Introduction）

汽車(chē)牌照的識(shí)別是計(jì)算機(jī)視覺(jué)與模式識(shí)別應(yīng)用于的重要研究課題，車(chē)牌識(shí)別的準(zhǔn)確率和高效性是識(shí)別的關(guān)鍵。由于車(chē)牌圖像難免會(huì)受到光照、天氣等因素影響，車(chē)牌圖像質(zhì)量會(huì)有所下降，為了對(duì)車(chē)牌字符的進(jìn)行有效地識(shí)別，首先要對(duì)其進(jìn)行去噪、增強(qiáng)等預(yù)處理，之后應(yīng)用識(shí)別算法對(duì)其進(jìn)行識(shí)別[1]。本文研究了用BP神經(jīng)網(wǎng)絡(luò)方法對(duì)汽車(chē)牌照字符的識(shí)別算法。首先對(duì)分割、歸一化后的字符特征進(jìn)行提取，所提取的特征向量記錄的就是字符的特征。把這個(gè)特征向量送到BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，就可以得到訓(xùn)練好的權(quán)值，用這個(gè)權(quán)值對(duì)車(chē)牌字符進(jìn)行識(shí)別。對(duì)于車(chē)牌圖像的識(shí)別率達(dá)90%以上，表明該方法是有效的。

2 字符識(shí)別的原理（The principle of character

recognition）

字符識(shí)別的基本原理即對(duì)字符進(jìn)行匹配識(shí)別。提取代表未知字符基本特征、結(jié)構(gòu)的樣本庫(kù)和提前在計(jì)算機(jī)中保存的標(biāo)準(zhǔn)字符的字典（字符基本特征和結(jié)構(gòu)的集合），在一定的規(guī)則下逐個(gè)匹配比較。在計(jì)算機(jī)中保存的標(biāo)準(zhǔn)字符的字典中，尋找與輸入字符樣本最相似的表達(dá)項(xiàng)，然后找出對(duì)應(yīng)的字符就是識(shí)別的結(jié)果[2]。字符識(shí)別的原理框圖如圖1所示。

3 BP神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法（The BP neural network

character recognition algorithm）

BP算法基本原理是利用輸出后的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層的誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，如此一層一層的反傳下去，就獲得了所有其他各層的誤差估計(jì)[3]。對(duì)BP網(wǎng)絡(luò)的設(shè)計(jì)要點(diǎn)是高效率的特征提取方法、具有代表性的大量訓(xùn)練樣本和穩(wěn)定高效的學(xué)習(xí)方法。

3.1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

算法的基本流程就是：

（1）設(shè)置變量和參量，包括輸入向量（訓(xùn)練樣本和樣本個(gè)數(shù)）、每次迭代中輸入層和隱含層之間、隱含層與隱含層之間、隱含層與輸出層之間的權(quán)值向量矩陣、迭代次數(shù)、每次迭代的實(shí)際輸出、期望輸出和學(xué)習(xí)效率。

（2）隨機(jī)初始化權(quán)值矩陣。給三類權(quán)值矩陣賦一個(gè)相對(duì)較小的隨機(jī)非零值。

（3）進(jìn)行樣本輸入。采用隨機(jī)輸入的方法。

（4）前向傳播。按照公式一層一層的前向計(jì)算隱藏神經(jīng)元和輸出神經(jīng)元的輸入和輸出。

（5）誤差計(jì)算，判斷。根據(jù)每次迭代的期望值和實(shí)際輸出結(jié)果算出誤差，判斷誤差值滿足要求與否，如果滿足進(jìn)行第8步，否則進(jìn)行下一步。

（6）迭代次數(shù)判斷。如果已經(jīng)達(dá)到最大的迭代次數(shù)，則進(jìn)行第8步，否則進(jìn)行反響傳播，即反向按照公式一層層迭代計(jì)算每層神經(jīng)元的局部梯度。

（7）權(quán)值更新。依據(jù)反向傳播過(guò)程計(jì)算出的局部梯度值，計(jì)算出各矩陣的權(quán)值修正值，并進(jìn)行修正。

（8）終止判斷。終止條件為：所有的樣本都學(xué)習(xí)完成。否則進(jìn)行第3步。

3.2 實(shí)際使用BP神經(jīng)網(wǎng)絡(luò)過(guò)程中的一些問(wèn)題

①樣本的處理。可適當(dāng)放寬輸出條件，例如當(dāng)輸出大于0.9時(shí)就當(dāng)作是1，輸出小于0.1時(shí)當(dāng)作0。對(duì)于輸入樣本，也應(yīng)該進(jìn)行歸一化處理。

②初始化權(quán)值的選擇。權(quán)值的不同對(duì)學(xué)習(xí)結(jié)果會(huì)產(chǎn)生影響，因此選擇一個(gè)相對(duì)比較合理的權(quán)值是非常重要的。實(shí)際使用時(shí)，應(yīng)該用較小的隨機(jī)數(shù)來(lái)對(duì)權(quán)值進(jìn)行初始化，隨機(jī)數(shù)的大小的分布也應(yīng)該是均勻的。

③學(xué)習(xí)率的選擇。神經(jīng)網(wǎng)絡(luò)中有一個(gè)學(xué)習(xí)率的概念，為了保證系統(tǒng)的穩(wěn)定性，通常應(yīng)該取較小的學(xué)習(xí)率，一般選取范圍在0.01—0.8。如果學(xué)習(xí)率過(guò)大，可能會(huì)導(dǎo)致系統(tǒng)不穩(wěn)定。如果學(xué)習(xí)率過(guò)小，會(huì)使得學(xué)習(xí)時(shí)間變長(zhǎng)，收斂也會(huì)變慢。

3.3 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用過(guò)程

BP神經(jīng)網(wǎng)絡(luò)應(yīng)用過(guò)程如圖2所示。

3.4 BP網(wǎng)絡(luò)三個(gè)層的神經(jīng)元數(shù)目的確定

目前還沒(méi)有什么成熟的定理能確定各層神經(jīng)元的神經(jīng)元個(gè)數(shù)和含有幾層網(wǎng)絡(luò)，大量經(jīng)驗(yàn)表明，三層的網(wǎng)絡(luò)可以逼近任意一個(gè)非線性網(wǎng)絡(luò)。

首先，使用已知的樣本對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)于輸入層的結(jié)點(diǎn)，其數(shù)目是之前車(chē)牌圖像預(yù)處理后輸出特征的維數(shù)。

對(duì)于隱含層的結(jié)點(diǎn)數(shù)目，一般情況下，隱含層神經(jīng)元數(shù)目和BP網(wǎng)絡(luò)精確度成正比，數(shù)目越多，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間也會(huì)越長(zhǎng)。但是，當(dāng)隱含層神經(jīng)元數(shù)目過(guò)大時(shí)，識(shí)別的準(zhǔn)確率就會(huì)受到影響，同時(shí)也會(huì)使得網(wǎng)絡(luò)的抗噪聲能力下降[4]。綜合考慮上述情況，根據(jù)以往經(jīng)驗(yàn)，使用10個(gè)隱含層的神經(jīng)元。

對(duì)于輸出層結(jié)點(diǎn)數(shù)目，受輸入層結(jié)點(diǎn)數(shù)的約束。本文中，我們采用8421碼對(duì)數(shù)字0—9，字母A—Z，省名簡(jiǎn)稱“京津滬冀魯豫鄂蘇皖晉湘桂閩川浙甘寧陜吉遼臺(tái)”依次進(jìn)行編碼。例如，對(duì)于輸出“1”，表示為（0，0，0，0，0，1），對(duì)于輸出“A”，表示為（0，0，1，0，1，0），對(duì)于輸出“京”，表示為（1，0，0，1，0，0）。因此，采用6個(gè)輸出層神經(jīng)元。

然而，實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)使用上述結(jié)構(gòu)的標(biāo)準(zhǔn)輸出向量時(shí)，會(huì)出現(xiàn)BP神經(jīng)網(wǎng)絡(luò)無(wú)法收斂的問(wèn)題。原因在于BP網(wǎng)絡(luò)學(xué)習(xí)中采用的激活函數(shù)的輸出只可能無(wú)限接近1或0，但不會(huì)是1或0。針對(duì)這個(gè)問(wèn)題，對(duì)標(biāo)準(zhǔn)輸出向量的編碼方式進(jìn)行如下調(diào)整：用0.1代替0，用0.9代替1。即對(duì)于輸出“0”，表示為（0.1，0.1，0.1，0.1，0.1，0.1），對(duì)于輸出“1”，表示為（0.1，0.1，0.1，0.1，0.1，0.9），對(duì)于輸出“A”，表示為（0.1，0.1，0.9，0.1，0.9，0.1），對(duì)于輸出“京”，表示為（0.9，0.1，0.1，0.9，0.1，0.1），以此類推。

3.5 BP神經(jīng)網(wǎng)絡(luò)識(shí)別字符的流程

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別，實(shí)際上可看作是訓(xùn)練和識(shí)別兩個(gè)過(guò)程。其中，訓(xùn)練就是提取訓(xùn)練樣本的特征向量。第一步，將挑選好的圖像形式的已知數(shù)據(jù)作為訓(xùn)練樣本，這些已知數(shù)據(jù)能夠很好的反應(yīng)樣本的可分性。第二步，在訓(xùn)練樣本圖像經(jīng)過(guò)進(jìn)行特征提取操作后送入BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。訓(xùn)練之前，要提前輸入一系列訓(xùn)練參數(shù)。

經(jīng)過(guò)BP網(wǎng)絡(luò)的訓(xùn)練后，就可以用其對(duì)待識(shí)別數(shù)據(jù)進(jìn)行識(shí)別。待識(shí)別數(shù)據(jù)在經(jīng)過(guò)灰度化、二值化、歸一化、分割等預(yù)處理操作后，再經(jīng)過(guò)特征向量提取，最后在BP網(wǎng)絡(luò)中進(jìn)行識(shí)別，得出識(shí)別結(jié)果。

3.6 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中采用了在不同環(huán)境下拍攝到的100張車(chē)牌圖像，這些牌照的清晰程度、區(qū)域大小都不相同，按照前文所述BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模擬實(shí)驗(yàn)。根據(jù)表1所示識(shí)別結(jié)果，由于個(gè)別字母與數(shù)字之間有相似之處，導(dǎo)致其識(shí)別率相對(duì)較低，分別為95.9%、96.2%。而車(chē)牌中漢子字符數(shù)量很少，且特征相對(duì)比較明顯，使得其識(shí)別率相對(duì)較高，實(shí)驗(yàn)結(jié)果為98.0%。

4 結(jié)論（Conclusion）

基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別方法，對(duì)于比較清晰的車(chē)牌圖像，本方法能有效識(shí)別其中的字符，但對(duì)于較低解析度和較為模糊的車(chē)牌還需要進(jìn)行很多預(yù)處理的工作，因?yàn)楸仨殞④?chē)牌中的字符獨(dú)立地被分割后，才能用該方法進(jìn)行識(shí)別。而事實(shí)上，在那些圖像不夠清晰的車(chē)牌上分割出獨(dú)立的字符也是特別困難的。雖然，BP神經(jīng)網(wǎng)絡(luò)在識(shí)別效果上提高的余地較大，具有較強(qiáng)的容錯(cuò)能力，還可進(jìn)一步訓(xùn)練學(xué)習(xí)，識(shí)別率較高，但其識(shí)別速度較慢，不能滿足實(shí)時(shí)性的要求。

參考文獻(xiàn)（References）

[1] 郭榮燕，胡雪惠.BP神經(jīng)網(wǎng)絡(luò)在車(chē)牌字符識(shí)別中的應(yīng)用[J].計(jì)

算機(jī)仿真，2010（9）：299-301；350.

[2] 劉靜.幾種車(chē)牌字符識(shí)別算法的比較[J].電腦與電信，2008（8）：

72-73；78.

[3] 石云.BP神經(jīng)網(wǎng)絡(luò)的Matlab實(shí)現(xiàn)[J].湘南學(xué)院學(xué)報(bào)，2010（5）：86-

88；111.

[4] 尹念東.BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用設(shè)計(jì)[J].信息技術(shù)，2003（6）：18-20.

作者簡(jiǎn)介：

楊建華（1991-），男，本科生.研究領(lǐng)域：圖像識(shí)別.

王 鵬（1992-），男，本科生.研究領(lǐng)域：圖像識(shí)別.