基于改進(jìn)BP網(wǎng)絡(luò)的車牌字符識(shí)別方法研究

張國云 向燦群 吳健輝 郭龍?jiān)?涂 兵

(湖南理工學(xué)院信息與通信工程學(xué)院 湖南 岳陽 414006)(復(fù)雜系統(tǒng)優(yōu)化與控制湖南省普通高等學(xué)校重點(diǎn)實(shí)驗(yàn)室 湖南 岳陽 414006)

基于改進(jìn)BP網(wǎng)絡(luò)的車牌字符識(shí)別方法研究

張國云 向燦群 吳健輝 郭龍?jiān)?涂 兵

(湖南理工學(xué)院信息與通信工程學(xué)院 湖南 岳陽 414006)(復(fù)雜系統(tǒng)優(yōu)化與控制湖南省普通高等學(xué)校重點(diǎn)實(shí)驗(yàn)室 湖南 岳陽 414006)

針對(duì)傳統(tǒng)BP算法在車牌字符識(shí)別速度較慢和識(shí)別準(zhǔn)確率較低的問題，提出一種改進(jìn)的BP網(wǎng)絡(luò)車牌字符識(shí)別方法。通過對(duì)BP算法的輸入特征數(shù)優(yōu)化，在不降低識(shí)別精度的情況下精簡了輸入層節(jié)點(diǎn)數(shù)，提升了識(shí)別速度。改進(jìn)后的BP算法采用全參數(shù)自動(dòng)調(diào)整，引入自適應(yīng)學(xué)習(xí)率、動(dòng)量因子、坡度因子，增加了BP算法的識(shí)別精度；同時(shí)通過更好的利用車牌字符特征和BP網(wǎng)絡(luò)特征，降低了算法結(jié)構(gòu)的復(fù)雜性，增強(qiáng)了算法的魯棒性。實(shí)驗(yàn)結(jié)果表明，該算法在實(shí)際采集的自建整副車牌數(shù)據(jù)集上的識(shí)別率上比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別算法提高近6.5%；在識(shí)別速度上提高近1.3 s。

改進(jìn)BP網(wǎng)絡(luò) 車牌 字符識(shí)別 全參數(shù)自動(dòng)調(diào)整

0 引 言

車牌字符識(shí)別是公安卡口、電子警察、高速公路測速與收費(fèi)、停車場管理、天網(wǎng)監(jiān)控、專車專停管理等領(lǐng)域的一項(xiàng)重要技術(shù)，具有重要的實(shí)際應(yīng)用價(jià)值。近年來，國內(nèi)外廣大科研人員圍繞車牌字符識(shí)別開展了廣泛的研究，針對(duì)車牌上的字符提出了一些有針對(duì)性的算法，取得了一定的識(shí)別效果。在非機(jī)器學(xué)習(xí)方法上，萬燕等[1]針對(duì)低質(zhì)量的車牌字符開展了基于形狀上下文的識(shí)別研究，采用局部特征和形狀上下文特征的兩級(jí)識(shí)別方法，有效地提升了相近字符的識(shí)別率；莫林等[2]提出了基于評(píng)分模型的車牌字符識(shí)別方法，首先對(duì)待識(shí)別字符進(jìn)行分區(qū)，然后對(duì)分區(qū)的各個(gè)方格進(jìn)行評(píng)分，采用類似模板匹配的方式，最終得分高的字符模板作為識(shí)別結(jié)果；Zahedi等[3]將尺度不變特征應(yīng)用到車牌識(shí)別系統(tǒng)中來，有效地改善了不同環(huán)境不同光照下的車牌識(shí)別結(jié)果。而在基于機(jī)器學(xué)習(xí)的識(shí)別方法上，王桂文等[4]提出了SVM和正交蓋氏矩相結(jié)合的車牌字符識(shí)別方法，楊建華等[5]提出了采用BP神經(jīng)網(wǎng)絡(luò)的識(shí)別方法，Dong等[6]采用BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配進(jìn)行車牌識(shí)別。這些方法針對(duì)特定的車牌字符，都取得了一定的識(shí)別效果。然而，基于特征的非機(jī)器學(xué)習(xí)方法盡管不需要訓(xùn)練直接應(yīng)用，卻存在易受干擾，且單字符識(shí)別時(shí)間較長的問題，通用的經(jīng)典SVM和BP網(wǎng)絡(luò)方法由于受到訓(xùn)練樣本的影響，因此很多研究人員采用與其他方法進(jìn)行結(jié)合的方式進(jìn)行識(shí)別，影響了其應(yīng)用的通用性。但是BP網(wǎng)絡(luò)作為目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，在各個(gè)領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用[7-8]，如果針對(duì)車牌字符的特點(diǎn)進(jìn)行改進(jìn)，則有可能大幅度提高字符的識(shí)別結(jié)果和速度。通過綜合分析和探究，本文在傳統(tǒng)BP網(wǎng)絡(luò)的基礎(chǔ)提出了一種改進(jìn)的算法，通過提取字符的主要特征減少輸入層的維數(shù)，在結(jié)構(gòu)上降低BP算法的復(fù)雜度，同時(shí)融入了自適應(yīng)學(xué)習(xí)率、動(dòng)量項(xiàng)以及坡度因子等參數(shù)，加快了BP算法的收斂速度。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的BP網(wǎng)絡(luò)算法在車牌識(shí)別率和速度上均有提升，具有一定的實(shí)際應(yīng)用價(jià)值。

1 相關(guān)工作

1.1 車牌圖像預(yù)處理

車牌識(shí)別的原理可分為四個(gè)過程，首先從一幅圖像對(duì)車牌進(jìn)行定位，然后將定位成功后的車牌從原始圖像中提取，對(duì)提取的車牌進(jìn)行預(yù)處理以便切割成單個(gè)字符，最后對(duì)切割的單個(gè)字符用改進(jìn)后的算法進(jìn)行識(shí)別并得出識(shí)別結(jié)果。車牌識(shí)別的大概過程如圖1所示，為了方便描述，將預(yù)處理、牌照定位和字符分割統(tǒng)稱為車牌圖像預(yù)處理。

圖1 車牌識(shí)別系統(tǒng)

具體處理過程如下：

1) 圖像預(yù)處理。對(duì)原始圖像灰度化、二值化、除噪等處理?；叶然捎眉訖?quán)平均值法，二值化采用動(dòng)態(tài)閾值法，運(yùn)算速度快，并且對(duì)不同的車牌均有很好的分割效果。

2) 車牌定位。采用的車牌定位算法是基于對(duì)車牌特征信息分析得出的，算法運(yùn)算簡單，具有較好的魯棒性以及運(yùn)算速度快等特點(diǎn)。

3) 字符切割。對(duì)提取的車牌進(jìn)行灰度化、去噪、二值化等處理，然后使用垂直投影法獲得單個(gè)字符所在區(qū)域，切割字符區(qū)域后對(duì)字符進(jìn)行歸一化處理。車牌圖像預(yù)處理結(jié)果如圖2所示。

圖2 車牌圖像預(yù)處理

經(jīng)過車牌圖像預(yù)處理后，能夠?qū)⒃紙D像中的車牌提取出來，并將提取的車牌分割成大小統(tǒng)一的單個(gè)可識(shí)別字符。

1.2 特征值選取

目前對(duì)于字符特征提取與選擇還沒有確定一套通用的理論方法，傳統(tǒng)的方法主要有兩種：基于統(tǒng)計(jì)的特征選取和基于字符結(jié)構(gòu)的特征選取。特征選取的目的是獲取一組“少而精”的特征數(shù)據(jù)進(jìn)行字符的快速識(shí)別，結(jié)合本文改進(jìn)的BP網(wǎng)絡(luò)算法，對(duì)字符提取7個(gè)特征，包括4個(gè)占空比特征，以及面積、均值、中心二階矩3個(gè)特征。假設(shè)采用如圖3所示的M×N訓(xùn)練模板，二值圖像矩陣像素點(diǎn)像素為f(i,j)，假設(shè)白色區(qū)域像素為‘0’，黑色字符區(qū)域像素為‘1’，則特征參數(shù)可以進(jìn)行如下計(jì)算。

圖3中占空比為在給定區(qū)域D1、D2、D3、D4內(nèi)像素為‘1’的像素點(diǎn)個(gè)數(shù)占整個(gè)區(qū)域像素點(diǎn)個(gè)數(shù)的比值，則：

(1)

(2)

(3)

(4)

S對(duì)應(yīng)于二值圖像的像素面積，這里的面積是指二值圖像中像素值為‘1’的像素的個(gè)數(shù)，則：

(5)

均值C是指字符的面積S與字符的寬度L之間的比值，即：

(6)

中心二階矩是指獲得字符灰度直方圖后各點(diǎn)值f(x)與均值C之差的平方和，如圖4所示。則中心二階矩B可表示為：

(7)

圖3 字符劃分

圖4 “湘”字在X軸上的投影面積

2 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)原理

2.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)原理

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)通常為三層前向神經(jīng)網(wǎng)絡(luò)，由輸入層、一層隱含層和輸出層組成，每一個(gè)節(jié)點(diǎn)表示一個(gè)神經(jīng)元，同層節(jié)點(diǎn)間無信號(hào)傳遞，相鄰層節(jié)點(diǎn)間兩兩連接，信號(hào)由輸入層向輸出層單向傳遞。其結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的每個(gè)神經(jīng)元可表示為一個(gè)多輸入、單輸出的非線性函數(shù)，其各層之間可用相對(duì)應(yīng)的函數(shù)關(guān)系式表示，輸入層向隱含層的函數(shù)關(guān)系可表示為：

(8)

式中，ai是輸入信號(hào)，在車牌識(shí)別中為提取的特征值；ωij是輸入層的第i個(gè)節(jié)點(diǎn)和隱含層的第j個(gè)節(jié)點(diǎn)之間的權(quán)值；θj是隱含層的第j個(gè)節(jié)點(diǎn)的閾值。各層的傳遞函數(shù)有多種形式，本文采用的為Sigmoid函數(shù)，可表示為：

(9)

經(jīng)傳遞函數(shù)的作用，則隱含層的輸出可表示為：

(10)

隱含層向輸出層的函數(shù)關(guān)系跟輸入層向隱含層的關(guān)系類似，函數(shù)關(guān)系表示為：

(11)

(12)

式中，vjt是隱含層的第j個(gè)節(jié)點(diǎn)和輸出層的第t個(gè)節(jié)點(diǎn)之間的權(quán)值；γt是輸出層的第t個(gè)節(jié)點(diǎn)的閾值；lt是第t個(gè)輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的過程分兩個(gè)階段：學(xué)習(xí)階段和識(shí)別階段。學(xué)習(xí)階段根據(jù)輸入的學(xué)習(xí)樣本，按照初始權(quán)值、閾值以及傳輸函數(shù)獲得一組輸出結(jié)果，這個(gè)過程中信號(hào)是正向傳遞的；然后通過計(jì)算給定的理想結(jié)果與實(shí)際輸出結(jié)果之間的誤差來對(duì)權(quán)值、閾值進(jìn)行修改，這個(gè)修改信號(hào)是從輸出層到輸入層反向傳遞的。反復(fù)進(jìn)行這兩個(gè)過程，直至結(jié)果收斂為止，這是學(xué)習(xí)階段。理論上權(quán)值、閾值的好壞決定識(shí)別效果的好壞，因此研究更優(yōu)的權(quán)值和閾值將是改進(jìn)方向之一。

2.2BP算法全參數(shù)自動(dòng)調(diào)整

在傳統(tǒng)BP算法的基礎(chǔ)上引入學(xué)習(xí)率自適應(yīng)系數(shù)η、動(dòng)量因子λ以及坡度因子δ，并且這些引入量可隨BP學(xué)習(xí)算法的狀態(tài)改變而改變。

2.2.1 學(xué)習(xí)率自適應(yīng)調(diào)整

傳統(tǒng)BP算法中針對(duì)權(quán)值和閾值的變化量的計(jì)算式如下：

(13)

(14)

(15)

(16)

(17)

(18)

vjt(N+1)=vjt(N)+Δvjt

(19)

γt(N+1)=γt(N)+Δγt

(20)

ωij(N+1)=ωij(N)+Δωij

(21)

θj(N+1)=θj(N)+Δθj

(22)

本算法引入學(xué)習(xí)率自適應(yīng)系數(shù)η，如式(23)、式(24)。

α=η·α

(23)

β=η·β

(24)

若經(jīng)過一批次權(quán)值調(diào)整后總誤差變大，則認(rèn)為此次調(diào)整無效，此時(shí)取0<η<1的數(shù)；若總誤差減小，則認(rèn)為此次調(diào)整有效，取η>1的數(shù)。

2.2.2 增加動(dòng)量項(xiàng)

將T時(shí)刻以前的狀態(tài)考慮進(jìn)來，可以減小震蕩，加速收斂。

(25)

(26)

(27)

(28)

動(dòng)量項(xiàng)可以反應(yīng)以前積累的調(diào)整經(jīng)驗(yàn)，對(duì)T+1時(shí)刻權(quán)值和閾值的調(diào)整有阻尼作用。當(dāng)誤差曲面出現(xiàn)很大的起伏時(shí)，可減弱振蕩趨勢，從而提高訓(xùn)練的速度。

2.2.3 引入坡度因子

當(dāng)調(diào)整進(jìn)入到平緩區(qū)時(shí)，可以壓縮神經(jīng)元的凈輸入，使其脫離函數(shù)的飽和區(qū)，這就可以改變誤差函數(shù)形狀，使其退出平坦區(qū)。在其原函數(shù)中引入坡度因子δ：

(29)

2.3 算法設(shè)計(jì)

通過對(duì)切割好的字符進(jìn)行特征提取，按照本文的改進(jìn)獲取7個(gè)主要的特征作為BP網(wǎng)絡(luò)的輸入。BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)為：輸入層含7個(gè)節(jié)點(diǎn)，隱含層含179個(gè)節(jié)點(diǎn)，輸出層7個(gè)節(jié)點(diǎn)，隱含層節(jié)點(diǎn)數(shù)計(jì)算式如式(30)。

(30)

式中m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層節(jié)點(diǎn)數(shù)，P為訓(xùn)練樣本數(shù)。輸出7個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)于二進(jìn)制的7位。將0～9、A～Z以及34個(gè)字符編碼為0～87的7位二進(jìn)制數(shù)，如‘0’編碼為‘0000000’，‘2’編碼為‘0000010’依此類推，這里由于Sigmoid函數(shù)永遠(yuǎn)無法達(dá)到0或1，所以BP網(wǎng)絡(luò)永遠(yuǎn)無法收斂，為避免這個(gè)問題的出現(xiàn)這里采用‘0.1’代替‘0’、‘0.9’代替‘1’，則‘2’的二進(jìn)制由‘0.1 0.1 0.1 0.1 0.1 0.9 0.1’，訓(xùn)練與輸出結(jié)果均以7位二進(jìn)制形式體現(xiàn)。綜合本文對(duì)BP網(wǎng)絡(luò)參數(shù)的改進(jìn)，對(duì)輸入車牌字符的識(shí)別的具體流程如圖6所示。

圖6 算法實(shí)現(xiàn)流程

3 字符識(shí)別結(jié)果及分析

本文的實(shí)驗(yàn)環(huán)境硬件平臺(tái)為Dell5500圖形工作站，其基本配置為IntelCorei7-4710MQ四核處理器、NVIDIAGT940 2GB獨(dú)立顯卡、6GBDDR3內(nèi)存、1TB硬盤，所使用的軟件仿真平臺(tái)為MatlabR2014b。實(shí)驗(yàn)中分別用本文方法、基于傳統(tǒng)BP網(wǎng)絡(luò)識(shí)別算法以及文獻(xiàn)[6]提出的BP網(wǎng)絡(luò)識(shí)別算法進(jìn)行對(duì)比實(shí)驗(yàn)，下面對(duì)實(shí)驗(yàn)過程和結(jié)果進(jìn)行分析。

3.1 字符識(shí)別訓(xùn)練樣本和測試樣本

本文用5套共1 360個(gè)分辨率為25×20的單字符訓(xùn)練樣本，其中每套樣本包含“湘”、“川”、“粵”、“貴”、“京”、“陜”、“遼”等全國32個(gè)省和直轄市的簡稱漢字(不包括香港和澳門特別行政區(qū))、0～9數(shù)字字符以及大寫A～Z英文字符。測試樣本為自建的數(shù)據(jù)集，共200副藍(lán)底白字小車車牌。部分訓(xùn)練樣本如圖7所示，自建測試數(shù)據(jù)集部分樣本如圖8所示。

圖7 部分訓(xùn)練樣本

圖8 部分測試樣本

3.2BP網(wǎng)絡(luò)訓(xùn)練結(jié)果

用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法與改進(jìn)后的算法對(duì)樣本進(jìn)行訓(xùn)練，最大迭代次數(shù)設(shè)置為10 000，最大精度為0.01，訓(xùn)練誤差結(jié)果如圖9所示。從圖中可知，改進(jìn)后的算法在收斂速度上遠(yuǎn)大于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法。由于改進(jìn)后的算法輸入節(jié)點(diǎn)數(shù)小于傳統(tǒng)BP網(wǎng)絡(luò)識(shí)別算法，故初始總體誤差較小。在迭代過程中由于自適應(yīng)學(xué)習(xí)率與動(dòng)量因子的作用，改進(jìn)后的算法沒有出現(xiàn)起伏狀態(tài)。在多次訓(xùn)練過程中，傳統(tǒng)BP算法偶爾出現(xiàn)無法收斂情況，而改進(jìn)后的算法由于引入了坡度因子，始終能夠收斂，結(jié)果如圖10所示。

圖9 誤差曲線圖

圖10 誤差曲線圖

3.3 單字符識(shí)別結(jié)果

首先對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行單字符識(shí)別，從測試車牌中隨機(jī)選擇70副車牌進(jìn)行預(yù)處理和字符分割，然后選擇70個(gè)漢字字符、200個(gè)數(shù)字字符、160個(gè)字母字符分別輸入到訓(xùn)練好后的傳統(tǒng)BP網(wǎng)絡(luò)、文獻(xiàn)[6]提出的改進(jìn)BP網(wǎng)絡(luò)以及本文改進(jìn)后BP網(wǎng)絡(luò)中，各個(gè)字符的識(shí)別統(tǒng)計(jì)結(jié)果分別如表1和表2所示。

表1 漢字識(shí)別結(jié)果

表2 字母及數(shù)字識(shí)別結(jié)果

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法與基于傳統(tǒng)BP網(wǎng)絡(luò)識(shí)別算法相比，在漢字字符識(shí)別率上提高了4.3%，識(shí)別速度上提高近150ms；在字母、數(shù)字識(shí)別率上提高了4.5%，識(shí)別速度上提高近150ms。與文獻(xiàn)[6]的算法相比，在漢字字符識(shí)別率上提升了2.8%，識(shí)別速度上提高近100ms；在字母、數(shù)字識(shí)別率上提高了2.5%，識(shí)別速度上提高了近50ms。對(duì)比前兩種BP識(shí)別算法，在單字符的識(shí)別上，無論是漢字還是數(shù)字和字母，改進(jìn)后的方法在識(shí)別的準(zhǔn)確率和速度上有明顯提升，并且隨著樣本的增加，其識(shí)別的穩(wěn)定性更好，具有很好的魯棒性。

3.4 整副車牌識(shí)別結(jié)果

在單字符識(shí)別的基礎(chǔ)上對(duì)整副車牌進(jìn)行了整體識(shí)別，采用自建的200副藍(lán)底白字的實(shí)際拍攝車小車牌照數(shù)據(jù)集，分別用傳統(tǒng)BP網(wǎng)絡(luò)、文獻(xiàn)[6]方法和本文方法進(jìn)行對(duì)比使用，部分車牌的識(shí)別結(jié)果對(duì)比如表3所示。由于實(shí)際車牌中部分字符受到污染，所以傳統(tǒng)BP網(wǎng)絡(luò)的誤識(shí)率明顯增加，文獻(xiàn)[6]在傳統(tǒng)BP網(wǎng)絡(luò)基礎(chǔ)上有所提升，但抗干擾的能力依然較低，而本文方法由于采用了參數(shù)的自適應(yīng)調(diào)整，因而對(duì)污染牌照依然有較好的識(shí)別效果，并且識(shí)別時(shí)間明顯降低，達(dá)到實(shí)際使用要求。

表3 整副車牌識(shí)別結(jié)果對(duì)比

通過對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，本文方法和傳統(tǒng)BP算法及文獻(xiàn)[6]算法的識(shí)別準(zhǔn)確率和識(shí)別速度分別如表4所示。其中本文方法準(zhǔn)確無誤識(shí)別的車牌有188副，識(shí)別準(zhǔn)確率達(dá)到94%，整副車牌的平均識(shí)別時(shí)間為1.5s左右。相比前兩種BP網(wǎng)絡(luò)算法，車牌整體識(shí)別準(zhǔn)確率提高了近7個(gè)百分點(diǎn)，速度提升了1.3s左右。通過對(duì)誤識(shí)車牌的分析，識(shí)別錯(cuò)誤的字符均是受到較為嚴(yán)重的污染或者車牌拍攝時(shí)存在反光、車牌變形嚴(yán)重等，因此，通過改善車牌圖像獲取的質(zhì)量，特別是適當(dāng)?shù)难a(bǔ)光，本文改進(jìn)后的BP網(wǎng)絡(luò)車牌字符識(shí)別率將會(huì)進(jìn)一步提高。

表4 整副車牌識(shí)別結(jié)果

4 結(jié) 語

本文在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上，通過對(duì)輸入層節(jié)點(diǎn)數(shù)的優(yōu)化以及引入學(xué)習(xí)率自適應(yīng)系數(shù)η、動(dòng)量因子λ、坡度因子δ，降低了算法結(jié)構(gòu)的復(fù)雜度，有效的提升了算法的收斂速度，降低了算法的收斂誤差。改進(jìn)后的識(shí)別算法與傳統(tǒng)BP網(wǎng)絡(luò)識(shí)別算法相比，在車牌的識(shí)別率以及識(shí)別速度上均有較高提升。本文目前只針對(duì)藍(lán)底白字的小車牌照進(jìn)行實(shí)驗(yàn)，在下一步的研究中將進(jìn)一步擴(kuò)大訓(xùn)練樣本和測試樣本。同時(shí)針對(duì)漢字字符、字母、數(shù)字分開訓(xùn)練得到3組不同的權(quán)值閾值，在識(shí)別前對(duì)待識(shí)別字符進(jìn)行判斷，對(duì)不同的字符調(diào)用對(duì)應(yīng)的權(quán)值和閾值進(jìn)行識(shí)別，最終實(shí)現(xiàn)對(duì)各種不同車牌的高效率整體識(shí)別。

[1] 萬燕,李曉園,周增剛.基于形狀上下文的低質(zhì)量車牌字符識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(5):267-270,310.

[2] 莫林,凌文彪,張福元,等.基于評(píng)分模型的車牌字符識(shí)別方法[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(5):203-206.

[3]ZahediM,SalehiSM.LicenseplaterecognitionsystembasedonSIFTfeatures[J].ProcediaComputerScience,2011,3:998-1002.

[4] 王桂文,孫涵.基于正交蓋氏矩和SVM的車牌字符識(shí)別[J].計(jì)算機(jī)工程,2012,38(13):192-195,198.

[5] 楊建華,王鵬.一種基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別算法[J].軟件工程師,2015,18(1):19-20.

[6]DongJ,SunM,LiangG,etal.TheImprovedNeuralNetworkAlgorithmofLicensePlateRecognition[J].InternationalJournalofSignalProcessing,ImageProcessingandPatternRecognition,2015,8(5):49-54.

[7]YangG,GuC,HuangY,etal.BPneuralnetworkintegrationmodelresearchforhydraulicmetalstructurehealthdiagnosing[J].InternationalJournalofComputationalIntelligenceSystems,2014,7(6):1148-1158.

[8]AiH,GuoS.BridgeHealthEvaluationSystembasedontheOptimalBPNeuralNetwork[J].InternationalJournalofControlandAutomation,2014,7(1):331-338.

RESEARCH ON LICENSE PLATE CHARACTER RECOGNITION METHOD BASED ON IMPROVED BP NEURAL NETWORK

Zhang Guoyun Xiang Canqun Wu Jianhui Guo Longyuan Tu Bing

(CollegeofInformationandCommunicationEngineering,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China)(KeyLaboratoryofOptimizationandControlforComplexSystems,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China)

Aiming at the problem that the traditional BP algorithm is slow in the recognition speed of the license plate and the recognition accuracy is low, an improved BP neural network license plate character recognition method is proposed. By optimizing the input feature number of BP algorithm, the number of nodes in the input layer is reduced and the recognition speed is improved without reducing the recognition accuracy. The improved BP algorithm adopts the all parameter automatic adjustment and introduces adaptive learning rate, momentum factor and slope steepness factor, which increases the recognition accuracy of BP algorithm. At the same time, through better use of the license plate character features and BP network features, it reduced the complexity of the algorithm structure, and enhanced the robustness of the algorithm. The experimental results show that the recognition rate of the algorithm is 6.5% higher than that of the traditional BP neural network license plate recognition algorithm based on the self-built license plate data set, and the recognition speed is improved by 1.3 s.

Improved BP neural network License plate Character recognition All parameter automatic adjustment

2016-01-22。湖南省教育廳產(chǎn)業(yè)化培育項(xiàng)目(13CY021)；湖南省教育廳開放基金項(xiàng)目(15K051)。張國云，教授，主研領(lǐng)域：機(jī)器視覺。向燦群，碩士生。吳健輝，副教授。郭龍?jiān)?，副教授。涂兵，講師。

TP391

A

10.3969/j.issn.1000-386x.2017.04.041