基于BP神經(jīng)網(wǎng)絡(luò)的車牌號碼識別

文祝青，羅威，杜華英（惠州城市職業(yè)學院信息技術(shù)系，惠州　516000）

基于BP神經(jīng)網(wǎng)絡(luò)的車牌號碼識別

文祝青，羅威，杜華英
（惠州城市職業(yè)學院信息技術(shù)系，惠州516000）

0　引言

如今，隨著人們生活水平的不斷提高，我國汽車保有量也越來越高，在道路卡口安防監(jiān)控、智能停車場中一個重要的環(huán)節(jié)是自動提取和識別汽車車牌號碼以供他用，其在現(xiàn)代智能交通監(jiān)控中占據(jù)著非常重要的作用。首先，提取的車牌大致需要經(jīng)過如下的圖像預(yù)處理過程：彩色圖灰度化、梯度銳化、剔除離散噪聲、整體傾斜調(diào)整、二值化、字符分割、尺寸標準歸一化和緊縮重排等等。接著對已經(jīng)分割好的字符進行相應(yīng)的特征提取，形成特征向量；然后把特征向量交由離線訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)［1-3］進行識別。整個識別過程的處理流程圖如圖1所示。

圖1　車牌識別的處理流程圖

1　車牌圖像預(yù)處理

車牌圖像預(yù)處理過程主要包括：車牌定位與提取、灰度化、圖像銳化、噪聲處理、傾斜校正、二值化、字符分割、尺寸歸一化和緊縮重排。

在具有復(fù)雜背景的圖像中定位出車牌區(qū)域是車牌識別中的重要環(huán)節(jié)。一般采用的車牌定位算法有：基于色彩分割的提取算法；基于圖像紋理特征的算法；基于邊緣檢測的定位算法［4］；基于小波變換的定位算法［5］；基于數(shù)學形態(tài)學的定位算法［6］等。本文采用的是基于色彩分割的提取算法，根據(jù)車牌的藍白比、長寬比等的特點，分X水平、Y垂直兩個方向進行多次車牌搜索以獲取車牌位置。提取的彩色車牌圖像如圖2所示。

圖2　車牌彩色圖像

256灰度化指的是把彩色圖像轉(zhuǎn)換成具有256個灰度等級的灰度圖像?？刹捎眉訖?quán)法對256彩色圖進行灰度化處理。人們對RGB三個分量的綠色比較敏感，藍色較弱，紅色居中。因此，可增大G分量的權(quán)值，減少B分量的權(quán)值。根據(jù)經(jīng)驗值，G分量取權(quán)值0.59，R分量取權(quán)值0.30，B分量取權(quán)值0.11，可得到較合理的灰度像素點f（i，j），如公式（1）所示。轉(zhuǎn)換的灰度圖如圖3所示。

f（i，j）=0.30R（i，j）+0.59G（i，j）+0.11B（i，j）（1）

圖3　灰度圖

圖像銳化在保證不影響高頻分量的前提下，剔除圖像中的低頻分量，通過對低頻分量的濾波后增加圖像反差，通過補償部分圖像邊緣輪廓使圖像邊緣變得更為清晰。本系統(tǒng)采用梯度銳化的方法對字符圖像進行銳化操作。根據(jù)門限判斷的梯度銳化方法，初始閾值設(shè)為θ=255，設(shè)像素點H（i，j）的灰度為c，H（i+1，j）的灰度為a，H（i，j+1）的灰度為b，則梯度值等于|（a-b）+|a-b||，如果該值大于，則c=梯度值，否則c=θ，即為白點，如式2所示。

車牌圖像產(chǎn)生噪聲的主要原因有以下幾個：下雨、下雪、起霧、黑夜和沙塵暴等天氣氣候原因；設(shè)備抖動、脈沖電流等硬件原因；圖像預(yù)處理算法不夠精細等軟件原因?？梢圆捎弥兄禐V波算法剔除大部分的離散噪聲，中值濾波的基本原理是，把3×3局部像素區(qū)域的像素按灰度等級進行升序或降序排序，取該局部像素區(qū)域中灰度的中值作為當前像素的灰度值，如圖4（a）所示。中值濾波前后圖如圖4（b）所示。

圖4　

提取的車牌或多或少地存在一定程度的傾斜，因此需要對車牌進行傾斜校正。采用Hough和Radon算法［7］檢測出車牌的水平傾斜角，然后進行旋轉(zhuǎn)修正，使車牌呈水平狀。這有利于提高車牌號碼的識別率。傾斜校正效果如圖5所示。

圖5　傾斜校正

圖像二值化的方法有很多，本文采用的二值化方法是最大類間方差法［8］（大律法，OTSU），它是一種逢適應(yīng)的閾值確定方法，根據(jù)灰度圖像的特征，將圖像分成背景區(qū)域和目標區(qū)域兩部分，當類間方差最大時，則目標和背景的錯分概率最小?；谧畲箢愰g方差法的二值化如圖6所示。為了方便車牌號碼的提取，需要對二值化圖進行反色處理，如圖6所示。

二值化后的車牌圖像還是有諸如邊框、鉚釘?shù)确擒嚺茲h字、字母和數(shù)字的區(qū)域，為了提取出貼合的區(qū)域，需要采取裁剪處理，去掉多余的部分?？梢詮姆諼水平、Y垂直兩個方向進行相應(yīng)的掃描，以最終獲得車牌的號碼部分，如圖8所示。然后對車牌號碼進行字符分割和尺寸歸一化處理。

圖6　二值化圖

圖8　裁剪

2　特征提取

經(jīng)過預(yù)處理后，車牌字符從原來“無序”的狀態(tài)變成了整齊排列和大小相同的狀態(tài)。特征提取的算法是整個識別過程的關(guān)鍵部分，它可以決定識別的準確性。針對我國車牌的字符結(jié)構(gòu)，對其抽取了車牌字符的一些特征——區(qū)域像素、橫線特征和豎線特征——進行相應(yīng)的分析。

先把圖像分為8塊，把每一份里面的黑色像素的個數(shù)作為特征，那么共有8個特征，并且通過累加獲得總像素，那么就共得到8+1＝9個特征，如圖9（a）所示；接著我們分別用兩條水平和垂直線切割字符圖像，把切割線經(jīng)過的黑色像素點作為特征，得到4個橫縱像素特征；一共得到9+4＝13個特征值，如圖9（b）所示。

3　BP神經(jīng)網(wǎng)絡(luò)識別處理

圖9　特征提取

接著，就可以把提取得到的特征值存儲在一個特征向量P里，接著將特征向量輸入已經(jīng)離線訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到輸出特征向量T與表一中的字符編碼表進行逐一比對，這樣就可以對需要識別的字符圖像進行識別了。

表1　字符編碼表

4　結(jié)語

車牌號碼的識別過程主要分成兩個部分，第一部分是圖像預(yù)處理部分，包括車牌圖像的定位與提取、彩色圖像灰度化、圖像傾斜校正、圖像二值化、字符分割、尺寸歸一化和緊縮重排；第二部分是特征提取與識別部分，包括9區(qū)域像素提取和雙橫縱像素提?。?3個特征）、三層13-8-7的BP神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練與識別。在MATLAB中對此進行了模擬實現(xiàn)，取得了良好的效果，識別率在95%以上。誤識的情況主要體現(xiàn)在由于天氣環(huán)境、車牌污損和拍攝質(zhì)量等原因?qū)е碌能嚺贫ㄎ皇　④嚺茍D像預(yù)處理階段中對字符關(guān)鍵部位的誤處理。

［1］杜華英.基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)研究［J］.現(xiàn)代計算機（專業(yè)版），2009，（02）.

［2］杜華英，趙躍龍.人工神經(jīng)網(wǎng)絡(luò)典型模型的比較研究.計算機技術(shù)與發(fā)展，2006，（05）.

［3］杜華英.基于車型識別的BP算法MATLAB實現(xiàn)［J］.計算機與現(xiàn)代化，2012（5）：20-22.

［4］沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法［J］.儀器儀表學報，2008，29（12）：2673-2677.

［5］尚趙偉等.基于二進小波變換的多車牌定位算法［J］.計算機工程，2011，37（3）：16-18.

［6］廖春生.基于數(shù)學形態(tài)學車牌定位算法仿真研究［J］.計算機仿真，2012，28（12）：353-356.

［7］于明等.融合Hough與Radon變換的車牌傾斜校正算法［J］.控制工程，2013，20（6）：1014-1017.

［8］徐國華等.基于改進的最大類間方差法的遙感影像變化檢測［J］.測繪科學，2012，37（1）：80-82.

License Plate；BP Neural Network；Feature Extraction

Research on the License Plate Recognition Based on BP Neural Network Algorithm

WEN Zhu-qing，LUO Wei，DU Hua-ying
（Department of Information Technology，City College of Huizhou，Huizhou 516000）

1007-1423（2015）35-0065-04

10.3969/j.issn.1007-1423.2015.35.014

文祝青（1981-），女，四川自貢人，碩士研究生，講師，研究方向為計算機教育、軟件工程

羅威（1978-），女，廣東河源人，碩士研究生，講師，研究方向為電子商務(wù)

杜華英（1975-），女，江西樟樹人，碩士研究生，高級講師，研究方向為神經(jīng)網(wǎng)絡(luò)、模式識別

2015-11-20

2015-12-05

車牌號碼的提取與識別在現(xiàn)代智能交通系統(tǒng)中起著非常重要的作用。采用兩個主要步驟對車牌進行處理：首先是圖像預(yù)處理部分，包括車牌圖像的定位與提取、彩色圖像灰度化、圖像傾斜校正、圖像二值化、字符分割、尺寸歸一化和緊縮重排；其次是特征提取與識別部分，提取字符中9區(qū)域像素數(shù)和雙橫縱像素數(shù)共13個特征，然后交由已經(jīng)離線訓(xùn)練好的三層13-8-7的BP神經(jīng)網(wǎng)絡(luò)進行識別。在MATLAB中得以模擬實現(xiàn)，取得良好的識別效果。

車牌號碼；BP神經(jīng)網(wǎng)絡(luò)；特征提取

惠州城市職業(yè)學院課題項目（No.HZC2015-5-1-3）

The feature extraction and recognition of the license plate plays a very important role in the modern intelligent transportation system.Uses two main steps to deal with the license plate:the first is the image preprocessing part，including the location and extraction of license plate image，grayscale，tilt correction，binarization，character segmentation，size normalization and rearrangement.The second is the feature extraction and recognition part，gets the number of pixels of 9 regions and Double horizontal and vertical lines for the three-layer 13-8-7 BP neural network that is trained offline to recognize the characters of the license plate.We achieve good recognition results in the MATLAB simulation environment.