車牌圖像特征提取及改進(jìn)神經(jīng)網(wǎng)絡(luò)的識(shí)別算法研究

摘 要： 針對(duì)車牌字符圖像進(jìn)行特征提取與識(shí)別算法的研究。使用BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法建立車牌字符圖像的識(shí)別。由于常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法本身存在訓(xùn)練過程容易陷入局部最小值、收斂效率低以及網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)不易確定等缺點(diǎn)。另外，BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的選取對(duì)算法的性能影響很大，而參數(shù)的選取通常是根據(jù)經(jīng)驗(yàn)公式選取的，存在很大的隨機(jī)性和盲目性，使算法的性能無法得到保證。因此該文使用收斂速度快、適用于全局搜索的PSO優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法的性能進(jìn)行優(yōu)化，研究一種雙粒子群優(yōu)化的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法。最后通過車牌識(shí)別實(shí)驗(yàn)對(duì)識(shí)別算法進(jìn)行研究，結(jié)果表明，通過對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，使用其建立漢字識(shí)別模型、字母識(shí)別模型以及混合識(shí)別模型的識(shí)別準(zhǔn)確率均優(yōu)于常規(guī)神經(jīng)網(wǎng)絡(luò)算法建立的模型，具有較好的識(shí)別性能。

關(guān)鍵詞： 車牌字符識(shí)別； 特征提?。?神經(jīng)網(wǎng)絡(luò)； 粒子群優(yōu)化算法

中圖分類號(hào)： TN926?34； U495 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）16?0102?03

Abstract： The feature extraction and recognition algorithm of license plate character image are studied. The BP neural network recognition algorithm is used to identify the license plate character image. Since the conventional BP neural network algorithm is easy to fall into local minimum value and low convergence efficiency， and difficult to determine the network structure parameters in training process， moreover， since the selection of BP network structure parameters has great influence on the performance of the algorithm， and the parameters selection is usually based on the empirical formula and has prodigious randomness and blindness， the performance of the algorithm can’t be guaranteed. Therefore， the PSO algorithm is used to optimize the performance of BP neural network algorithm， which has fast convergence rate and is suitable for global search. The improved BP neural network algorithm for the dual particle swarm optimization is studied. The recognition algorithm is studied with the experiment of license plate recognition. The results show that the recognition accuracy of Chinese characters recognition model， letters recognition model and mixed recognition model established by means of the improved neural network algorithm is superior to that of the model established with conventional neural network algorithm， and the recognition algorithm has good recognition performance.

Keywords： license plate character recognition； feature extraction； neural network； particle swarm optimization algorithm

0 引 言

在現(xiàn)代交通智能管理和數(shù)字化信息控制實(shí)現(xiàn)的道路上，車牌識(shí)別正發(fā)揮著越來越重要的作用。車牌識(shí)別主要用于停車管理、收發(fā)管理、超速等違章的追查以及車輛識(shí)別等。對(duì)于車牌識(shí)別需要進(jìn)行車牌定位、車牌字符的分割以及車牌字符識(shí)別三步實(shí)現(xiàn)，每一步驟都是研究的熱點(diǎn)與重點(diǎn)，本文主要針對(duì)車牌字符圖像進(jìn)行特征提取與識(shí)別[1]。

對(duì)于車牌字符識(shí)別主要分為基于結(jié)構(gòu)識(shí)別方法和基于統(tǒng)計(jì)的識(shí)別方法。其中基于結(jié)構(gòu)識(shí)別方法采用局部變換的方法，比較符合人類直覺，但是抗干擾抗噪聲能力較弱；基于統(tǒng)計(jì)的識(shí)別方法，主要有神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)算法等成熟的算法，因其識(shí)別率高、識(shí)別速度快、抗干擾抗噪聲能力強(qiáng)等優(yōu)勢(shì)得到了廣泛應(yīng)用[2]。

1 車牌圖像特征提取

我國(guó)國(guó)內(nèi)固定的車牌字符顏色以及車牌背景主要有藍(lán)底白字、黃底黑字以及白底黑字等搭配，本文主要針對(duì)外圍框?yàn)?40 mm×140 mm的藍(lán)底白字車牌進(jìn)行識(shí)別研究，樣式如圖1所示[3]。

本文由神經(jīng)網(wǎng)絡(luò)識(shí)別算法建立車牌字符圖像的識(shí)別。首先需要將車牌字符圖像進(jìn)行特征提取，之后將提取的特征作為學(xué)習(xí)訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)識(shí)別模型，提高識(shí)別模型的泛化能力。車牌圖像的特征提取對(duì)于車牌識(shí)別至關(guān)重要，也是車牌能夠被正確識(shí)別的關(guān)鍵，對(duì)車牌識(shí)別的特征要求滿足：特征結(jié)構(gòu)要穩(wěn)定，抗噪聲能力強(qiáng)；特征的維數(shù)要盡量低，便于計(jì)算機(jī)實(shí)現(xiàn)；特征要能夠表示完整的物體[4?5]。

使用常規(guī)的方法，將車牌圖像字符轉(zhuǎn)換為二值化圖像點(diǎn)陣作為圖像特征，直接作為神經(jīng)網(wǎng)絡(luò)識(shí)別算法的輸入，會(huì)使得識(shí)別算法的網(wǎng)絡(luò)結(jié)構(gòu)過大，不易于計(jì)算機(jī)的實(shí)現(xiàn)和實(shí)現(xiàn)效率過低等。因此本文使用粗網(wǎng)絡(luò)字符特征提取法代替常規(guī)方法[6?8]。首先將字符進(jìn)行歸一化處理，使得所有待處理車牌字符圖像的長(zhǎng)寬相同，設(shè)歸一化后的二值化點(diǎn)陣圖像用[fi，j]表示：

[fi，j=0， 白像素1 ， 黑像素] （1）

式中：[fi，j=0]，白像素表示此像素點(diǎn)沒有筆畫；[fi，j=1]，黑像素表示此像素點(diǎn)有筆畫。

將歸一化處理的圖像劃分[M×N]的網(wǎng)格，統(tǒng)計(jì)網(wǎng)格內(nèi)黑像素的個(gè)數(shù)，獲得以黑像素的個(gè)數(shù)表示[M×N]的網(wǎng)格特征。以數(shù)字字符“0”為例說明粗網(wǎng)格特征提取方法，待識(shí)別的字符“0”如圖2所示。將待識(shí)別的字符“0”歸一化到32×16字符點(diǎn)陣，如圖3所示。將圖3中得到字符點(diǎn)陣劃分為8×4的網(wǎng)格，如圖4所示。之后根據(jù)粗網(wǎng)格特征提取的圖像處理方法，統(tǒng)計(jì)網(wǎng)格內(nèi)黑像素個(gè)數(shù)，最后得到待識(shí)別的字符“0”的特征8×4網(wǎng)格，如圖5所示。

2 神經(jīng)網(wǎng)絡(luò)識(shí)別模型及改進(jìn)方法

常規(guī)BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降算法的反向傳播神經(jīng)網(wǎng)絡(luò)，目標(biāo)函數(shù)是誤差的平方，所以算法本身存在訓(xùn)練過程容易陷入局部最小值、收斂效率低以及網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)不易確定等缺點(diǎn)。另外，BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的選取對(duì)算法的性能影響很大，而參數(shù)的選取通常是根據(jù)經(jīng)驗(yàn)公式選取，存在很大的隨機(jī)性和盲目性，算法的性能無法得到保證[9?10]。

因此本文使用收斂速度快，適用于全局搜索的PSO優(yōu)化算法對(duì)BP神經(jīng)網(wǎng)絡(luò)算法的性能進(jìn)行優(yōu)化，研究一種雙粒子群優(yōu)化的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法。本文使用第一層PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)個(gè)數(shù)。使用第二次PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值。

在對(duì)第一層PSO算法的編碼時(shí)，僅需要確定其數(shù)量，粒子維數(shù)等于1，設(shè)[particle_outer=M]，M在1～100范圍內(nèi)。

在對(duì)第二層PSO算法的編碼時(shí)，需要確定BP神經(jīng)網(wǎng)絡(luò)輸入層到隱含層網(wǎng)絡(luò)權(quán)值以及隱含層到輸出層的網(wǎng)絡(luò)權(quán)值和閾值，設(shè)：

3 車牌識(shí)別實(shí)驗(yàn)

本文采集100幅640×480的車牌圖像，通過圖像字符分割等預(yù)處理后，得到700個(gè)車牌字符識(shí)別樣本。其中500個(gè)樣本作為訓(xùn)練樣本，剩余200個(gè)樣本作為測(cè)試樣本。使用常規(guī)神經(jīng)網(wǎng)絡(luò)算法建立的識(shí)別模型與本文研究的改進(jìn)型神經(jīng)網(wǎng)絡(luò)算法建立的識(shí)別模型進(jìn)行對(duì)比試驗(yàn)。兩種識(shí)別模型的識(shí)別結(jié)果如表1所示。

表1 兩種識(shí)別模型的識(shí)別結(jié)果 %

由表1可看出，本文通過對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，使用其建立漢字識(shí)別模型、字母識(shí)別模型以及混合識(shí)別模型的識(shí)別準(zhǔn)確率均優(yōu)于常規(guī)神經(jīng)網(wǎng)絡(luò)算法建立的模型，具有較好的識(shí)別性能。通過實(shí)驗(yàn)結(jié)果分析可知，本文研究的識(shí)別模型不僅能夠識(shí)別圖像清晰規(guī)范的車牌字符圖像，對(duì)噪聲干擾、變形、底面褪色以及圖像模糊情況下的車牌字符圖像也具有一定的識(shí)別能力，識(shí)別結(jié)果如圖6所示。產(chǎn)生錯(cuò)誤識(shí)別主要來源于：車牌圖像的拍攝角度使得字符產(chǎn)生變形；車牌長(zhǎng)時(shí)間使用，底色褪色，褪色部分和字符部分容易混淆；光線、環(huán)境以及攝像設(shè)備等使得車牌圖像模糊；在長(zhǎng)期使用過程中，車牌上存有污點(diǎn)、泥點(diǎn)等。

果

4 結(jié) 論

對(duì)車牌識(shí)別需要進(jìn)行車牌定位、車牌字符的分割以及車牌字符識(shí)別三步實(shí)現(xiàn)，每一步驟都是研究的熱點(diǎn)與重點(diǎn)，本文主要針對(duì)車牌字符圖像進(jìn)行特征提取與識(shí)別。本文使用BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法建立車牌字符圖像的識(shí)別。并使用雙粒子群優(yōu)化算法對(duì)常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行優(yōu)化。通過實(shí)驗(yàn)研究識(shí)別算法的性能，結(jié)果表明：本文通過對(duì)神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)，使用其建立漢字識(shí)別模型、字母識(shí)別模型以及混合識(shí)別模型的識(shí)別準(zhǔn)確率均優(yōu)于常規(guī)神經(jīng)網(wǎng)絡(luò)算法建立的模型，具有較好的識(shí)別性能。本文研究的識(shí)別模型不僅能夠識(shí)別圖像清晰規(guī)范的車牌字符圖像，對(duì)噪聲干擾、變形、底面褪色以及圖像模糊情況下的車牌字符圖像也具有一定的識(shí)別能力。

參考文獻(xiàn)

[1] 趙志宏，楊紹普，馬增強(qiáng).基于卷積神經(jīng)網(wǎng)絡(luò)LeNet?5的車牌字符識(shí)別研究[J].系統(tǒng)仿真學(xué)報(bào)，2010，22（3）：638?641.

[2] 吳佳.車輛牌照識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京交通大學(xué)，2015.

[3] 梁朝軍.基于支持向量機(jī)的車牌識(shí)別系統(tǒng)的研究[D].合肥：合肥工業(yè)大學(xué)，2004.

[4] 陸璐.卷積神經(jīng)網(wǎng)絡(luò)的研究及其在車牌識(shí)別系統(tǒng)中的應(yīng)用[D].合肥：合肥工業(yè)大學(xué)，2006.

[5] 張吉斌.基于圖像處理及支持向量機(jī)的車牌識(shí)別技術(shù)研究[D].蘭州：蘭州交通大學(xué)，2013.

[6] 馮知凡.基于圖像處理及BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)的研究[D].武漢：武漢科技大學(xué)，2011.

[7] 趙鉦.基于支持向量機(jī)的車牌識(shí)別技術(shù)的研究[D].西安：西安電子科技大學(xué)，2008.

[8] 杜晶.基于支持向量機(jī)的車牌字符識(shí)別研究[D].邯鄲：河北工程大學(xué)，2008.

[9] 譚駿，陳興蜀，杜敏，等.基于自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量識(shí)別算法[J].電子科技大學(xué)學(xué)報(bào)，2012，41（4）：580?585.

[10] 王永貴，林琳，劉憲國(guó).結(jié)合雙粒子群和K?means的混合文本聚類算法[J].計(jì)算機(jī)應(yīng)用研究，2014，31（2）：364?368.

[11] 吳定海，張培林，李勝，等.基于混沌變異的自適應(yīng)雙粒子群優(yōu)化[J].控制與決策，2011，26（7）：1083?1086.

[12] 谷海紅，齊名軍，許少華.一種基于混沌優(yōu)化機(jī)制的雙粒子群優(yōu)化算法[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（10）：258?260.

[13] 商建平，俞樹榮.基于雙粒子群算法的板式換熱器優(yōu)化設(shè)計(jì)[J].自動(dòng)化與儀器儀表，2015（3）：78?80.