一種基于BP神經(jīng)網(wǎng)絡的車牌字符識別算法

王++娜

摘要：從目前智能交通的發(fā)展實際出發(fā)，結合圖形圖像處理技術對智能交通的重要組成部分車牌識別中的字符識別進行了研究。采用了一種新的方法對車牌字符進行識別，即神經(jīng)網(wǎng)絡方法與模板匹配法相結合。通過實踐可以得出，這種方法識別效果很好，而且提高了識別的效率及準確性。

關鍵詞：BP神經(jīng)網(wǎng)絡；車牌字符識別；模板匹配；智能交通系統(tǒng)

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2017）32-0201-02

A License Plate Character Recognition Algorithm Based on BP Neural Network

WANG Na

（Department of Information Engineering， Liaoning Construction Vocational College， Liaoyang 111000， China）

Abstract： From the reality of the development of intelligent transportation， combined with graphics and image processing technology， the character recognition of license plate recognition is studied， which is an important component of intelligent transportation.A new method is used to recognize license plate characters， that is， neural network method is combined with template matching method.Through practice， we can conclude that this method has good recognition effect， and improves the efficiency and accuracy of recognition.

Key words： BP neural network； License plate character recognition； template matching； Intelligent transportation system

目前，全球經(jīng)濟迅速發(fā)展，汽車數(shù)量的不斷增加，進而智能交通系統(tǒng)（簡稱ITS）也就成了研究的焦點。在ITS領域中車輛車牌識別（簡稱LPR）的車牌字符識別和車牌定位技術是研究的熱點。LPR技術作為交通管理自動化的重要手段，其任務是分析、處理汽車監(jiān)控圖像，自動識別汽車牌號，并進行相關智能化數(shù)據(jù)庫管理[1]。因而對車牌識別技術的研究和應用系統(tǒng)開發(fā)具有重要的現(xiàn)實意義[2]。

本文提出了一種基于BP神經(jīng)網(wǎng)絡的車牌字符識別算法，可以有效地提高識別的準確性。

1 神經(jīng)網(wǎng)絡方法分析

1.1 神經(jīng)網(wǎng)絡概述

人工神經(jīng)網(wǎng)絡是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統(tǒng)[3]。對人體內(nèi)各部分之間進行信息相互傳遞的基本單元是遞神經(jīng)元（神經(jīng)細胞），它是神經(jīng)系統(tǒng)的基本構造。

1.2 神經(jīng)網(wǎng)絡的學習和訓練

神經(jīng)網(wǎng)絡的基本特性是利用學習環(huán)境獲取知識進而改進自身的性能，通過調(diào)節(jié)網(wǎng)絡權值和閑值來實現(xiàn)神經(jīng)網(wǎng)絡的學習與訓練。通常，改善性能可以通過某種預定的度量隨時間逐步調(diào)節(jié)自身參數(shù)（加權值）而達到。學習方式從環(huán)境提供的信息多少可分為三種[4]：

（1） 監(jiān)督學習（有教師學習）：此方式要有“教師”，對于輸入數(shù)據(jù)會得到正確的輸出結果。

（2） 非監(jiān)督學習（無教師學習）：該學習沒有“教師”，對于自身結構或參數(shù)的調(diào)節(jié)參照環(huán)境提供數(shù)據(jù)的某些統(tǒng)計規(guī)律進行。

（3） 再勵學習（強化學習）：此方式介于上述兩種學習之間，對于系統(tǒng)的輸出結果環(huán)境只是給予評價（獎或懲）并不是正確答案，系統(tǒng)改善自身的性能是通過強化那些受獎勵的動作實現(xiàn)的。

2 BP神經(jīng)網(wǎng)絡實現(xiàn)

BP學習算法的步驟：

（1） 聲明變量、參數(shù)，包括學習速率、權值矩陣、訓練樣本；

（2） 初始化，為每個權值矩陣賦值一個較小的隨機非零向量；

（3） 隨機樣本輸入；

（4） 對輸入樣本的BP網(wǎng)絡每層神經(jīng)元的輸入和輸出信號進行前向計算；

（5） 計算實際輸出和期望輸出的誤差，若滿足要求轉(zhuǎn)（8），否則轉(zhuǎn)（6）；

（6） 若達到最大迭代數(shù)，轉(zhuǎn)（8），否則反向計算每層神經(jīng)元的局部梯度；

（7） 根據(jù)局部梯度對每個矩陣的權值進行修正；

（8） 如果學完所有的樣本就結束學習，否則轉(zhuǎn)到（3）。

3 英文字母識別

在車牌圖像中會有英文字符，用神經(jīng)網(wǎng)絡方法可以實現(xiàn)對它的識別。但這樣會使特征提取復雜化，而且輸出層的節(jié)點數(shù)會增加，進而降低了計算機的處理速度，不能得到好的識別效果。這里，使用圖像模板匹配方法完成對英文字符的識別，用神經(jīng)網(wǎng)絡方法識別數(shù)字字符。

圖像模板匹配法的基本原則就是通過相關函數(shù)的計算找到它以及被搜索圖的坐標位置[5]。把所有的英文字符組成一個搜索圖庫S，如圖1所示，模板T為待識別車牌中的英文字符，S和T都是經(jīng)過緊縮、歸一化處理后的。

T可以在S上移動，被T覆蓋到的區(qū)域為子圖[Sij]，子圖左上角的坐標為[（i，j）]，為參考點，其中，其取值范圍為，[1

[D（i，j）=m=1Mn=1M[Si，j（m，n）-T（m，n）]2] （1）

或：

[D（i，j）=m=1Mn=1M|Si，j（m，n）-T（m，n）|] （2）

如展開（1）式，則：

[D（i，j）=m=1Mn=1M[Si，j（m，n）]2-2m=1Mn=1MSi，j（m，n）×T（m，n）+m=1Mn=1M[T（m，n）]2] （3）

其中，等號右邊第一個式子表示[Sij]能量，第二個式子表示[Sij]和T互關性，第三個表示T的總能量?？捎孟率綔y量相似性：

[R（i，j）=m=1Mn=1MSi，j（m，n）×T（m，n）m=1Mn=1M[Si，j（m，n）]2] （4）

或歸一化為：

[R（i，j）=m=1Mn=1MSi，j（m，n）×T（m，n）m=1Mn=1M[Si，j（m，n）]2m=1Mn=1M[T（m，n）]2] （5）

其中，0

[R（i，j）=tTS1（i，j）（tTt）ST1（i，j）S1（i，j）] （6）

當[S1（i，j）=kt]（[k]為常數(shù)），即[S1]和[t]無夾角時，[R（i，j）=1]，否則[R（i，j）<1]。由于模板要在[（N-M+1）]個位置上做相關匹配計算，計算量會很大，并且其中只有一個匹配點，其余都是在做無用功。所以需要一種快速的計算方法，其主要分為幾類：①幅度排序相關算法；②分層搜索的序貫判決算法；③序貫相似性檢測算法，簡稱SSDA；④FFT相關算法[6]。這里采用SSDA算法，要點如下：

（1） 計算絕對誤差值

[ε（i，j，mk，nk）=Sij（mk，nk）-S∧（i，j）-T（mk，nk）+T∧] （7）

其中：

[S∧（i，j）=1M2m=1Mn=1MSi，j（m，n）] （8）

[T∧（i，j）=1M2m=1Mn=1MT（m，n）] （9）

（2） 選取固定閾值TK

（3） 隨機地在子圖[Sij（M，M）]中選取像素點。累加所有選取點在T中對應點的誤差值C，當累加[r]次，如果[C>Tk]，則累加停止，SSDA的檢測曲面定義如下：

[I（i，j）={rmin1≤r≤m2[k=1rε（i，j，mk，nk）≥Tk]}] （10）

（4） 選取[I（i，j）]值大的[（i，j）]點為匹配點。

進一步改進SSDA算法：

（1） 模扳不需要對[（N-M+1）]個參考都進行匹配，可以先每隔[m]點計算匹配值，對有極大匹配值四周的點再進行匹配。

（2） 對參考點[（i，j）]，其模板覆蓋的[M2]個點的計算誤差的順序，可在模板中按突出特征選偽隨機序列決定，從而能更早地放棄非匹配點。

（3） 選用單調(diào)增長的閾值序列，進而更早地丟棄非匹配點。

SSDA是一種很受重視的方法，其速度比FFT快50倍。在搜索圖S中如找到待識別英文字符T的匹配點時，就會確定這個點對應的字母上，進而識別工作結束。

4 結束語

車牌識別是車牌自身特點與圖像處理技術的結合，其中也包含神經(jīng)網(wǎng)絡、模糊理論、小波分析、數(shù)學形態(tài)學等知識的運用。實驗表明，這種神經(jīng)網(wǎng)絡識別數(shù)字字符，模板匹配識別英文字符的方法能夠很好地識別車牌圖像。

參考文獻：

[1] 歐陽俊，劉平. 基于BP神經(jīng)網(wǎng)絡的車牌字符識別算法研究[J]. 光學與光電技術，2012，10（5）：67-71.

[2] 郭榮艷，胡雪惠. BP神經(jīng)網(wǎng)絡在車牌字符識別中的應用研究[J]. 計算機仿真，2010，27（9）：299-301，350.

[3] 葛曉玢. 神經(jīng)網(wǎng)絡算法研究及其在車牌識別中的應用[D]. 淮北：淮北師范大學，2014.

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

[5] Basu J K，Bhattacharyya D，Kim T.Use of artificial neural network in pattern recognition

[J].International Journal of Software Engineering and its Applications，2010，4（2）：23-34.

[6] 賀瑜飛. 車牌字符識別的一種快速算法[J]. 哈爾濱師范大學自然科學學報，2014，30（5）：40-43.