基于Gabor特征和協(xié)同神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法

石貴民,余文森 ,肖鐘捷

(武夷學(xué)院 數(shù)學(xué)與計(jì)算機(jī)學(xué)院,福建 武夷山　354300)

?

基于Gabor特征和協(xié)同神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法

石貴民,余文森 ,肖鐘捷

(武夷學(xué)院 數(shù)學(xué)與計(jì)算機(jī)學(xué)院,福建 武夷山354300)

研究了車牌字符識(shí)別問題，針對(duì)車牌識(shí)別系統(tǒng)易受天氣及光照變化影響的實(shí)際應(yīng)用，將Gabor特征和協(xié)同神經(jīng)網(wǎng)絡(luò)應(yīng)用在車牌字符識(shí)別中，提高了識(shí)別率.首先對(duì)車牌字符進(jìn)行二值化和切分，然后利用Gabor濾波器提取車牌字符的特征參數(shù)；再利用協(xié)同模式訓(xùn)練特征參數(shù)，進(jìn)而得出訓(xùn)練樣本；最后根據(jù)協(xié)同神經(jīng)網(wǎng)絡(luò)進(jìn)一步識(shí)別車牌字符.通過大量仿真實(shí)驗(yàn)表明，該方法在不同場(chǎng)景、光照條件下，與傳統(tǒng)方法相比，識(shí)別率有了較大改進(jìn)，該方法在車牌識(shí)別領(lǐng)域有較強(qiáng)的實(shí)用性.

特征提??；神經(jīng)網(wǎng)絡(luò)；車牌識(shí)別；字符分割；Gabor變換

汽車牌照識(shí)別LPR(license plate recognition)是智能交通領(lǐng)域中的重要研究課題，隨著中國經(jīng)濟(jì)和汽車數(shù)量的迅速增長，LPR成為交通管理智能化的迫切需求.車牌識(shí)別綜合了計(jì)算機(jī)視覺、數(shù)字圖像處理、人工智能、模式識(shí)別、自動(dòng)控制等多個(gè)學(xué)科，主要分牌照定位和字符識(shí)別2個(gè)階段.傳統(tǒng)的字符識(shí)別方法有模板匹配[1-2]、神經(jīng)網(wǎng)絡(luò)[3-5]、支持向量機(jī)[6]等.模板匹配的準(zhǔn)確率偏低，神經(jīng)網(wǎng)絡(luò)存在偽狀態(tài)也降低了識(shí)別率，支持向量機(jī)則更適合2類問題的分類.針對(duì)車牌識(shí)別易受天氣狀況以及光線變化等環(huán)境因素的影響，識(shí)別準(zhǔn)確率和效率低的問題，本文采用掃描線、區(qū)域生長及投影相結(jié)合的方法定位車牌區(qū)域[7]，然后利用Gabor濾波器提取方向特征，應(yīng)用協(xié)同神經(jīng)網(wǎng)絡(luò)對(duì)特征分類，進(jìn)而識(shí)別出車牌字符.

由于存在光照變化、污損等因素，首先利用直方圖規(guī)格化、濾波等對(duì)圖像進(jìn)行預(yù)處理.車牌識(shí)別系統(tǒng)主要包括圖像預(yù)處理、車牌定位、傾斜校正、字符分割及識(shí)別這幾個(gè)部分.車牌定位是車牌識(shí)別系統(tǒng)的主要部分，基于掃描線的車牌定位方法[8]能最終精確定位車牌；在此基礎(chǔ)上采用傳統(tǒng)的Hough變換來校正傾斜車牌，然后通過水平投影分割出每個(gè)字符；最后對(duì)分割后的字符規(guī)格化后提取Gabor方向特征參數(shù)，利用協(xié)同神經(jīng)網(wǎng)絡(luò)識(shí)別出字符.

1　車牌二值化及字符切分

字符分割和字符識(shí)別部分，如圖1所示.

圖1　系統(tǒng)流程Fig.1　Flow chart of the system

1.1二值化

目前中國的汽車牌照有黃底黑字、藍(lán)底白字、黑底白字、白底黑字紅字、黑底紅字等5種車牌，常見民用的有黃底黑字和藍(lán)底白字2種車牌，大型汽車前后均為黃底黑字的車牌，小型汽車前后均為藍(lán)底白字的車牌.

在車牌二值化中，使用改進(jìn)的Otsu算法.假設(shè)車牌字符灰度為g1，背景灰度為g2，車牌圖像中字符所占比例為r1，背景像素所占比例為r2，則車牌圖像的均值為

M=r1g1+r2g2.

(1)

車牌灰度圖像的方差為

(2)

根據(jù)式(1)得字符及背景灰度為

(3)

對(duì)于白底黑字車牌，提取黑字，取域值

(4)

對(duì)于黑底白字車牌，提取白字，取域值

(5)

字符與背景的比值一般為0.3～0.4，這樣就可以實(shí)現(xiàn)車牌區(qū)域二值化.但是該方法也存在不足，針對(duì)不同類型的車牌有不同的規(guī)則，不能統(tǒng)一實(shí)現(xiàn)5種車牌的二值化.

本文采用一種簡單的方法，實(shí)現(xiàn)車牌區(qū)域的二值化，取得了較好的效果.根據(jù)車牌區(qū)域的特點(diǎn)，字符之間為背景，可以通過邊緣圖像來定位字符之間的背景區(qū)域.車牌為了醒目，不管哪種類型的車牌背景跟字符在色調(diào)上都是較大的差別，這樣通過判斷像素點(diǎn)與背景的差異來決定是前景還是背景.

具體步驟如下：

1)車牌區(qū)域邊緣圖像水平投影；

2)計(jì)算前10條邊緣點(diǎn)最少的列；

3)用遮罩技術(shù)[9]增強(qiáng)車牌區(qū)域；

3)對(duì)這些列中不是邊緣點(diǎn)的像素點(diǎn)統(tǒng)計(jì)其RGB均值；

4)將均值RGB轉(zhuǎn)化為HSL；

5)車牌區(qū)域內(nèi)的每個(gè)像素點(diǎn)先轉(zhuǎn)化為HSL，然后將其H分量與均值的H分量比較，如果大于一定域值，就表示前景，如圖2所示.

圖2　二值化結(jié)果示意Fig.2　Schematic diagram of the two values

1.2字符切分

目前最常見的是92式車牌，一般牌照總長為440 mm,單字寬44 mm左右，高90 mm左右；第2和第3個(gè)字符的間距34 mm左右，其余字符間距約為12 mm，因此字符寬度在總寬度的1/10～1/7.

新疆大學(xué)的萬金娥等[10]提出雙投影互相關(guān)性匹配識(shí)別來進(jìn)行字符切分，西南民族大學(xué)的黑光月[11]提出多方向文本行完成字符切分.

投影法較簡單且實(shí)用，該方法將車牌圖像作垂直方向投影，基于車牌字符的本身特點(diǎn)，字符區(qū)域的目標(biāo)點(diǎn)多并且集中，字符之間有固定空隙，因此投影下來必有7個(gè)相對(duì)集中的峰值群，接著根據(jù)峰值群的特征進(jìn)行分割可得車牌字符.如此，可以定位出每個(gè)字符的左右邊界，然后進(jìn)行水平方向的投影，即可確定上下邊界,如圖3所示.

圖3　字符切分效果示意Fig.3　Schematic diagram of character segmentation effect

2　字符特征提取

要識(shí)別不同種類的對(duì)象，首先必須確定被測(cè)量對(duì)象的特征，并用某些描述參數(shù)去度量這些對(duì)象的特征.假設(shè)不同種類的分類問題是在特征空間中進(jìn)行的，則可以數(shù)字化識(shí)別對(duì)象的某些特征，并按一定的規(guī)則進(jìn)行選擇，進(jìn)而形成特征空間里的一個(gè)向量，用這些向量代表所要識(shí)別的對(duì)象.

字符識(shí)別的特征包括：直方圖、輪廓、分塊、幾何不變矩、Zernike矩、Fourier變換，分形特征等等.Gabor變換能夠兼顧信號(hào)在時(shí)域和頻域中的分辨能力，利用Gabor 變換提取的特征具有較強(qiáng)的魯棒性，因此廣泛應(yīng)用與漢字識(shí)別領(lǐng)域.

在特征提取之前，需要對(duì)每個(gè)字符圖像進(jìn)行歸一化處理，本文將分割得到的每個(gè)字符歸一化為24×24的字符圖像.樣本圖像也使用24×24的規(guī)格.

2.1Gabor變換

Gabor 函數(shù)[12]是由Gabor 首先定義，其后Daugman[13]將其擴(kuò)展成二維結(jié)構(gòu).它能兼顧信號(hào)在時(shí)域和頻域中的分辨能力，是能夠達(dá)到時(shí)頻測(cè)不準(zhǔn)關(guān)系下界的函數(shù).利用2D Gabor函數(shù)形成的Gabor濾波器有著較好的濾波器性能，并且與生物視覺系統(tǒng)相似，近年來在指紋識(shí)別、人臉檢測(cè)、紋理分割等領(lǐng)域應(yīng)用廣泛.

二維Gabor濾波器的沖激響應(yīng)函數(shù)一般取如下形式：

(6)

其中G(x,y)為高斯函數(shù)

(7)

Gabor濾波器的沖激響應(yīng)函數(shù)可分解為實(shí)濾波器hr(x,y,θ,λ)和虛濾波器hi(x,y,θ,λ)，在σx=σy=σ時(shí)可簡化為

(8)

(9)

2.2基于Gabor的特征提取

本文利用采樣點(diǎn)與Gabor核卷積得到特征參數(shù)，組成特征向量.樣本圖像I(X,Y)抽取采樣點(diǎn)(X,Y)，則在該點(diǎn)處提取的特征為

(10)

式(10)主要解決參數(shù)的選擇問題，包括方向θ，方差σ，波長λ，Gabor核的大小w，抽樣點(diǎn)的間隔.

方向選取越多，特征的表達(dá)能力越強(qiáng)，但是計(jì)算量也越大，綜合考慮2方面的因素，θ取0、π/4、-π/4、-π/2 4個(gè)方向.根據(jù)實(shí)驗(yàn)效果取σx=σy=σ=5.6，λ=10.核大小w=7時(shí)與w=13時(shí)識(shí)別率相近，而在小于7時(shí)顯著下降，因此本文取w=7，如表1所示.謝勁芳等[14]實(shí)驗(yàn)表明抽樣間隔在小于等于4時(shí)，識(shí)別率穩(wěn)定在最優(yōu)值附近，當(dāng)大于4時(shí)，識(shí)別率急劇下降，因此本文取抽樣點(diǎn)間隔為4.

對(duì)于24×24的樣本，抽樣點(diǎn)為25個(gè)，每個(gè)抽樣點(diǎn)分4個(gè)方向，因此每個(gè)樣本可以得到100維的特征向量.

表1　7×7 Gabor核，θ=0

3　基于協(xié)同的字符識(shí)別

3.1協(xié)同模式識(shí)別

協(xié)同學(xué)是一門橫跨自然科學(xué)和社會(huì)科學(xué)的橫斷學(xué)科，是一門研究系統(tǒng)從無序到有序轉(zhuǎn)變的規(guī)律和特征的學(xué)科.以復(fù)雜系統(tǒng)宏觀特征的質(zhì)變?yōu)檠芯拷裹c(diǎn)，Haken教授[15]將協(xié)同學(xué)原理運(yùn)用于模式識(shí)別，并提出了協(xié)同模式識(shí)別(synergetic pattern recognition)的方法.

將協(xié)同模式識(shí)別的過程對(duì)應(yīng)于某一動(dòng)力學(xué)的過程.假設(shè)有一虛擬粒子，在某有勢(shì)地形上移動(dòng)，并且該粒子能被某一模式描述；當(dāng)它被吸引進(jìn)入某個(gè)地形谷底時(shí)，就可以識(shí)別該粒子所對(duì)應(yīng)的某個(gè)模式.把部分有序化的子系統(tǒng)設(shè)置為初始狀態(tài)，模式識(shí)別系統(tǒng)則可被認(rèn)為是協(xié)同系統(tǒng).當(dāng)模式確定后，最后具有最強(qiáng)初始支撐的序參量將獲得勝利，并且讓協(xié)同系統(tǒng)呈現(xiàn)原來缺少的特征[16].

在識(shí)別中，對(duì)于模式q，使q經(jīng)過某個(gè)中間狀態(tài)q(t)進(jìn)入所有原型模式中的某一個(gè)原型模式vk，則vk與q(0)最近，即可表示為q處于vk的吸引谷底，構(gòu)造一個(gè)類動(dòng)力學(xué)的過程，描述如下[17]：

(11)

設(shè)原型模式數(shù)為M，狀態(tài)向量維數(shù)為N，要滿足原型向量間的線性無關(guān)條件，必有M≤N.動(dòng)力學(xué)方程描述如下：

(12)

(13)

(14)

(15)

式(12)可以描述為一有勢(shì)動(dòng)力學(xué)，忽略F(t)和暫態(tài)量，勢(shì)函數(shù)為

(16)

相應(yīng)的動(dòng)力學(xué)方程為

(17)

式(16)每項(xiàng)的含義：第1項(xiàng)描述在勢(shì)能面上各原型模式的極小值，每一個(gè)極小值的深度由注意參數(shù)λk決定；第2項(xiàng)描述各原型模式之間的競爭，并決定各原型模式吸引域之間的邊界，由參數(shù)Bkk′來定義；第3項(xiàng)是由常數(shù)C來定義限制項(xiàng)[18-19].

為了減少維數(shù)，哈肯引入序參量來重新表達(dá)公式(12)和(16).q在最小二乘意義下在Vk上的投影，可用系統(tǒng)的序參量ξk進(jìn)一步表示為[19-20]

(18)

顯然

(19)

根據(jù)式(19)，式(16)可被重寫成

(20)

而

(21)

因此可以得到序參量的動(dòng)力學(xué)方程為

(22)

其中ξk滿足初始化條件

(23)

通過分析網(wǎng)絡(luò)勢(shì)函數(shù)方程，Haken證明了：當(dāng)λk=C>0時(shí)，V的穩(wěn)定不動(dòng)點(diǎn)按正負(fù)對(duì)稱分布在各原型模式上，用ξk=1描述，其他用ξ=0，唯一的不穩(wěn)定不動(dòng)點(diǎn)在q=0處.系統(tǒng)的終態(tài)取決于原始輸入向量的序參量值，其對(duì)應(yīng)的序參量ξk趨向于1，而其他序參量趨向于0，只有一個(gè)序參量獲勝，即系統(tǒng)只識(shí)別出一個(gè)模式[20].

3.2基于協(xié)同模式的字符識(shí)別

Gabor 特征能最好地兼顧信號(hào)在時(shí)域和頻域中的分辨能力，協(xié)同神經(jīng)網(wǎng)絡(luò)在不變性圖像識(shí)別中具有較大優(yōu)勢(shì)，因此兩者的結(jié)合得到了理想的效果.

人工神經(jīng)網(wǎng)絡(luò)模型——協(xié)同神經(jīng)網(wǎng)絡(luò)(SNN)，構(gòu)造了自上而下的識(shí)別過程，有較強(qiáng)的抗噪聲能力和抗缺損能力，沒有偽狀態(tài)，對(duì)車牌字符的識(shí)別具有獨(dú)到的優(yōu)勢(shì).

協(xié)同神經(jīng)網(wǎng)絡(luò)模式識(shí)別的過程如下[20]：

1)選擇原型；

2)預(yù)處理原型樣本，即計(jì)算出滿足零均值和歸一化條件的原型模式向量；

3)求出原型模式向量的伴隨矩陣；

4)求出初始序參量；

5)進(jìn)行動(dòng)力學(xué)演化.

由于車牌字符都是統(tǒng)一的標(biāo)準(zhǔn)字符，因此原型模式的選擇比較簡單，直接利用標(biāo)準(zhǔn)的字符樣本即可.樣本包括0～9 10個(gè)阿拉伯?dāng)?shù)字，A-Z除I，O外24個(gè)大寫英文字母及相關(guān)漢字60多個(gè)，樣本大小為24×24.

原型樣本的預(yù)處理包括特征提取及標(biāo)準(zhǔn)化.利用特征作為原型模式可以更好地描述樣本的內(nèi)在特性，加上 Gabor變換的優(yōu)勢(shì)，本文利用的Gabor變換提取特征作為原型模式的向量，并將其零均值和歸一化.一般車牌第1個(gè)字符為漢字，第2個(gè)為英文字母，接下來5個(gè)字符為阿拉伯?dāng)?shù)字或英文字母，因此求得阿拉伯?dāng)?shù)字，阿拉伯?dāng)?shù)字和英文字母，漢字3個(gè)特征矩陣，并各自求出其伴隨矩陣.

利用式(19)求出初始序參量.平衡型神經(jīng)網(wǎng)絡(luò)中，所有注意參數(shù)都等于1，當(dāng)初始序參量大于其他原型初始序參量時(shí)，則它在競爭中必定勝利，可直接選擇序參量最大的原型模式作為分類結(jié)果，而不需要進(jìn)行動(dòng)力學(xué)演化，進(jìn)而可大大節(jié)省時(shí)間.由于本系統(tǒng)實(shí)時(shí)性要求比較高，因此采用平衡型神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別.

在車牌定位階段，由于本文是針對(duì)不同大小、數(shù)量、場(chǎng)景、光照條件下的車牌進(jìn)行識(shí)別，相對(duì)其他特定場(chǎng)合的車牌定位來說難度要大得多.盡管如此，本文給出的方法，能夠達(dá)到較高的定位率，定位不準(zhǔn)確的情況主要是圖像質(zhì)量過差造成，或者是由于車牌太大，占據(jù)了整張圖片的1/3以上.

3.3仿真實(shí)驗(yàn)結(jié)果

綜合車牌定位、字符識(shí)別，本文在CPU3.1 GHz、內(nèi)存4 GB的PC機(jī)上，利用Win7+Matlab7.0作為集成開發(fā)仿真實(shí)驗(yàn)環(huán)境，對(duì)近300張不同條件下的車牌圖片分別采用模板匹配算法、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法和形態(tài)學(xué)算法作為對(duì)比模型.用車牌識(shí)別的定位率、字母識(shí)別率和漢字識(shí)別率作為評(píng)價(jià)指標(biāo)，幾種算法的識(shí)別結(jié)果如表2所示，實(shí)驗(yàn)結(jié)果表明本文算法的識(shí)別正確率較高.

表2　不同方法識(shí)別率比較

4　結(jié)束語

識(shí)別不同大小、數(shù)量、場(chǎng)景、光照條件下的車牌圖像是研究的難點(diǎn).首先概述了車牌識(shí)別的相關(guān)技術(shù)，提出系統(tǒng)的總體結(jié)構(gòu).本文在定位車牌的基礎(chǔ)上，重點(diǎn)對(duì)車牌識(shí)別系統(tǒng)的識(shí)別部分進(jìn)行了研究.提出了結(jié)合Gabor特征和協(xié)同神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行字符識(shí)別，Gabor特征兼顧信號(hào)在時(shí)域和頻域中的分辨能力，在文本識(shí)別領(lǐng)域有較廣泛的應(yīng)用，而協(xié)同神經(jīng)網(wǎng)絡(luò)沒有偽狀態(tài)，而且有較強(qiáng)的抗噪聲能力和抗缺損能力,對(duì)不變性圖像的識(shí)別有獨(dú)到的優(yōu)勢(shì)，因此兩者的結(jié)合很適合車牌字符的識(shí)別，實(shí)驗(yàn)取得了較理想的結(jié)果，表明該方法是有效性.本文提出的方法，還有一些待改進(jìn)的地方，比如對(duì)質(zhì)量過差圖像識(shí)別率較低，預(yù)處理過程也有待進(jìn)一步的改進(jìn).

[1]王敏,黃心漢,魏武,等.一種模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2001,29(03):48-50.DOI:10.3321/j.issn:1671-4512.2001.03.017.

WANG Min,HUANG Xinhan,WEI Wu,et al.A vehicle license character recognition method based on module matching and neural network [J].Journal of Huazhong University of Science and Technology,2001,29(3):48-50.DOI:10.3321/j.issn:1671-4512.2001.03.017.

[2]任柯昱,唐丹,尹顯東.基于字符結(jié)構(gòu)知識(shí)的車牌漢字快速識(shí)別技術(shù)[J].計(jì)算機(jī)測(cè)量與控制,2005,13(6):592-594.DOI:10.3321/j.issn:1671-4598.2005.06.031.

REN Keyu,TANG Dan,YIN Xiandong.Fast recognition method of license plate character based on image structure feature analysis [J].Computer Measurement & Control,2005，13(6):592-594.DOI:10.3321/j.issn:1671-4598.2005.06.031.

[3]郭榮艷.BP神經(jīng)網(wǎng)絡(luò)在車牌字符識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)仿真,2010,27(9):299-301,350.DOI:10.3969/j.issn.1006-9348.2010.09.076.

GUO Rongyan.The study of the application of neural network in the vehicle license character recognition [J].Computer Simulation，2010,27(9):299-301,350.DOI:10.3969/j.issn.1006-9348.2010.09.076.

[4]ANAGNOSTOPOULOS C,ANAGNOSTOPOULOS I,LOUMOS V,et al.License plate recognition from still images and video sequences:A survey[J].IEEE Transactions on Intelligent Transportation Systems,2008,9(3):377-391.

[5]權(quán)金娟,溫顯斌,王春東,等.基于兩種神經(jīng)網(wǎng)絡(luò)的SAR圖像多尺度分割與分析[J].光電子·激光,2008,19(4):542-545.DOI:10.3321/j.issn:1005-0086.2008.04.031.

QUAN Jinjuan,WEN Xianbin,WANG Chundong.et al.Multiscale segmetation of SAR images via two neural networks[J].Journal of Optoelectronics·Laser,2008,19(4)：542-545.DOI:10.3321/j.issn:1005-0086.2008.04.031.

[6]楊曉敏.基于Gabor變換和支持向量機(jī)的車牌字符識(shí)別算法[J].四川大學(xué)學(xué)報(bào)(工程科學(xué)版),2005,37(5):130-134,138.DOI:10.3969/j.issn.1009-3087.2005.05.026.

YANG Xiaomin.The vehicle license character recognition method based on Gabor transformation and support vector machine[J].Journal of Sichuan University (Engineering science version),2005,37(5):130-134,138.DOI:10.3969/j.issn.1009-3087.2005.05.026.

[7]呂秀麗,谷立冬,祝立群,等.基于數(shù)學(xué)形態(tài)學(xué)和垂直投影的車牌定位[J].科學(xué)技術(shù)與工程,2012,12(10):2465-2467.DOI:10.3969/j.issn.1671-1815.2012.10.051.

Lü Xiuli,GU Lidong,ZHU Liqun,et al.The vehicle license location based on mathematical morphology and vertical projection [J].Scientific technology and engineering，2012,12(10):2465-2467.DOI:10.3969/j.issn.1671-1815.2012.10.051.

[8]石貴民.基于掃描線的新型車牌定位方法研究[J].科學(xué)技術(shù)與工程,2014,14(8):218-221.DOI:10.3969/j.issn.1671-1815.2014.08.042.

SHI Guimin.Research of a new vehicle license plate location method based on scan line [J].Scientific technology and engineering，2014,14(8):218-221.DOI:10.3969/j.issn.1671-1815.2014.08.042.

[9]劉松,孫東,盧一項(xiàng).基于單尺度Retinex霧天降質(zhì)圖像增強(qiáng)算法[J].微電子學(xué)與計(jì)算機(jī),2013,30(11):43-46,50.

LIU Song,SUN Dong，LU Yixiang.The fog-degraded image enhancement algorithm based on a single-dimension Retinex [J].Microelectronics & Compute,2013,30(11):43-46,50.

[10]萬金娥,袁保社,谷朝,等.基于字符歸一化雙投影互相關(guān)性匹配識(shí)別算法[J].計(jì)算機(jī)應(yīng)用,2013,33(3):645-647,716.

WANG Jine,YUAN Baoshe,GU Chao,et al.The double projection correlation match recognition algorithm based on character normalization [J].Computer application,2013,33(3):645-647,716.

[11]黑光月,王江晴,孫陽光.脫機(jī)手寫女書字符圖像多方向文本行提取[J].計(jì)算機(jī)應(yīng)用研究,2013,30(2):627-630.DOI:10.3969/j.issn.1001-3695.2013.02.086.

HEI Guangyue,WANG Jiangqing,SUN Yangguang.Multi-oriented text line extraction from offline Nǚshu characters image [J].Computer application,2013,30(2):627-630.DOI:10.3969/j.issn.1001-3695.2013.02.086.

[12]GABOR D.Theory of communication[J].Journal of Institute for Electrical Engineering,1946,93:429-457.

[13]DAUGMAN J G.Two dimensional spectral analysis of cortical receptive field profiles[J].Vision Research,1980,20:847-856.

[14]謝勁芳.基于Gabor小波變換的人臉表情識(shí)別[J].通信技術(shù),2014,47(1):33-36.DOI:10.3969/j.issn.1002-0802.2014.01.007.

XIE Jinfang.The facial expression recognition based on Gabor wavelet transform [J].Communications Technology,2014,47(1):33-36.DOI:10.3969/j.issn.1002-0802.2014.01.007.

[15]HAKEN H.Synergetics and introduction[M].Berlin:Spinger,1977.

[16]劉秉瀚,王偉智,方秀端.協(xié)同模式識(shí)別方法綜述[J].系統(tǒng)工程與電子技術(shù),2003,25(6):758-762.DOI:10.3321/j.issn:1001-506X.2003.06.030.

LIU Binghan，WANG Weizhi,FANG Xiuduan.A summary of synergetic pattern recognition methods [J].System engineering and electronic technology,2003,25(6):758-762.DOI:10.3321/j.issn:1001-506X.2003.06.030.

[17]方秀端.協(xié)同模式識(shí)別算法的研究與應(yīng)用[D].福州:福州大學(xué),2001.

FANG Xiuduan.The synergetic pattern recognition algorithm and application [D].Fuzhou:Fuzhou University,2001.

[18]葛強(qiáng).基于協(xié)同學(xué)的數(shù)字指紋技術(shù)[D].武漢：華中科技大學(xué),2007.GE Qiang.Digital fingerprinting based on synergetic[D].Wuhan:Huazhong University of Science and Technology,2007.

[19]張麗熙.基于紋理特征空間的淋巴組織病理圖像協(xié)同分類研究[D].福州：福州大學(xué),2006.

ZHANG Lixi.The study on lymphoid tissue color pathological images synergetic classification based on the textural feature space[D].Fuzhou:Fuzhou University,2006.

[20]黃敏霽.離線手寫體筆跡鑒別多分類器研究[D].福州:福州大學(xué),2002.

HUANG Minji.Offline handwriting identification multi-classifier study [D].Fuzhou:Fuzhou University,2002.

(責(zé)任編輯：孟素蘭)

A method for license plate recognition in vehicle based on Gabor feature and synergetic neural network

SHI Guimin,YU Wensen,XIAO Zhongjie

(College of Mathematics and Computer,Wuyi University,Wuyishan 354300,China)

Vehicle license recognition has been studied under the climate and light conditions.The feature extraction of Gabor and synergetic neural network has been used to enhance the recognition rate.First,the characters of vehicle license go through the binarization and segmenting to extract the characteristic parameters of the license characters by Gabor filter.Then,the synergetic mode is used to train the characteristic parameters and work out the training sample.Finally,the synergetic neural network is utilized to recognize the license character.Under a variety of environments and light conditions, this approach achieves a much higher rate of recognition rate compared with the traditional mode suggesting that this new method is very effective in the field of vehicle license recognition.

Feature extraction ;Neural network;license plate recognition;character segmentation;Gabor filter

10.3969/j.issn.1000-1565.2016.02.017

2015-09-15

福建省自然科學(xué)基金資助項(xiàng)目(2015J01668；2015J01669)；福建省高校專項(xiàng)基金資助項(xiàng)目(JK2015052)；福建省中青年教師教育科研基金資助項(xiàng)目(JB14099)；福建省教育科學(xué)“十二五”規(guī)劃2015年度課題資助項(xiàng)目(FJJKCG15-195)；武夷學(xué)院?？蒲谢鹳Y助項(xiàng)目(XQ201306)

石貴民(1980—),男,河北灤南人,武夷學(xué)院副教授,主要從事認(rèn)知科學(xué)、教育人機(jī)交互及數(shù)字化學(xué)習(xí)技術(shù)方向研究.E-mail:13874265@qq.com

TP391

A

1000-1565(2016)02-0210-08