基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別

江蘇省鹽城中學(xué) 楊晨武

1.引言

模式識(shí)別是人工智能一個(gè)重要領(lǐng)域，現(xiàn)在最著名的一種神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)。反饋的神經(jīng)是為了將輸入轉(zhuǎn)成我們所預(yù)期分類。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)于許多領(lǐng)域表現(xiàn)出優(yōu)越的特性，例如：醫(yī)學(xué)，工程學(xué)和商業(yè)領(lǐng)域。然而，對(duì)于時(shí)態(tài)數(shù)據(jù)不能完全處理。近十年來(lái)，人工神經(jīng)網(wǎng)絡(luò)不斷地發(fā)展，為了處理這些時(shí)態(tài)數(shù)據(jù)，我們構(gòu)建了新一代神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)稱為“脈沖神經(jīng)網(wǎng)絡(luò)”。脈沖神經(jīng)網(wǎng)絡(luò)更接近人腦，可以用于任何的數(shù)據(jù)，適宜性更強(qiáng)。

脈沖神經(jīng)作為第三代神經(jīng)網(wǎng)絡(luò)，對(duì)于提取圖像信息和圖像識(shí)別已經(jīng)有較好的精度。準(zhǔn)確提取運(yùn)動(dòng)圖像的信息成為了人們追求的目標(biāo)，也是對(duì)于人們的一種挑戰(zhàn)。但是人腦的神經(jīng)電路太過(guò)于復(fù)雜，大多數(shù)生物學(xué)家將其簡(jiǎn)化成單個(gè)神經(jīng)元電路，對(duì)于提高視覺系統(tǒng)輸出有著極其重要的作用。

因此，我們需要通過(guò)建立一個(gè)基于單個(gè)神經(jīng)元和神經(jīng)局部電路的結(jié)構(gòu)或者用電回路建立一個(gè)生物系統(tǒng)的模型，來(lái)將視覺神經(jīng)的感受野的仿真結(jié)構(gòu)應(yīng)用在實(shí)際的人工智能系統(tǒng)中，更加精確地提取運(yùn)動(dòng)目標(biāo)的信息與特征。進(jìn)一步通過(guò)特征值的矩陣運(yùn)算得到結(jié)果。如果該模型能準(zhǔn)確地提取運(yùn)動(dòng)目標(biāo)的特征，從而提高分類的效果，將在今后的智能監(jiān)控系統(tǒng)中擁有廣闊的應(yīng)用前景。

2.車牌圖像預(yù)處理

2.1 圖像預(yù)處理

我們獲得的車牌圖像都是彩色圖像，且彩色圖像的尺寸不一，并有一定的干擾，而且存儲(chǔ)的消耗較大。所以我們需要對(duì)他進(jìn)行預(yù)處理，預(yù)處理的過(guò)程直接影響到了車牌的識(shí)別準(zhǔn)確率和效率，降低車牌中噪聲的影響可以有效的提高準(zhǔn)確率且圖像灰度化可以降低系統(tǒng)的存儲(chǔ)，節(jié)約處理時(shí)間提高效率。

脈沖神經(jīng)網(wǎng)絡(luò)最重要的是，圖像的時(shí)間以及速率的編碼：時(shí)間編碼是基于概率模型，對(duì)于圖像進(jìn)行信息編碼。圖像格式轉(zhuǎn)換及尺寸歸一：也就是需要圖像都進(jìn)行一定得縮放，將大小放進(jìn)統(tǒng)一尺寸當(dāng)中，因此可以有效的提取特征，提高準(zhǔn)確率。圖像處理過(guò)程需要采取統(tǒng)一的格式轉(zhuǎn)換或算法。本文采取圖像類處理軟件：ACDSEE進(jìn)行變化。

圖像灰度化，通過(guò)拍照得到的圖像為RGB的三色圖像，對(duì)于M*N大小的圖像中，那么存儲(chǔ)該圖像的為三維數(shù)據(jù)，M*N*3。圖像包括了大量的三位信息，不但在存儲(chǔ)上有很大開銷，而且在處理上速度過(guò)慢，而且識(shí)別的過(guò)程會(huì)涉及一些無(wú)關(guān)緊要的信息，對(duì)于識(shí)別過(guò)程中處理是極其不利的。對(duì)于處理之前我們需要灰度處理，這是為了節(jié)省時(shí)間以及內(nèi)存。灰度處理的過(guò)程主要是采取加權(quán)平均，對(duì)于RBG賦予不同的權(quán)值，求得加權(quán)平均。

其中，可以得到最合理的灰度圖像。

圖像增強(qiáng)，是為了改善視覺效果，便于機(jī)器的分析與計(jì)算，對(duì)于圖像的存在的問(wèn)題進(jìn)行分析處理。由于拍攝過(guò)程中圖像較容易出現(xiàn)失真使得出現(xiàn)的圖像和原始的圖像有較大的區(qū)別，為了改善圖的效果，我們可以通過(guò)對(duì)比度增強(qiáng)，濾波等方法對(duì)圖像進(jìn)行增強(qiáng)處理。直方圖均衡過(guò)程中，圖像中字符和背景的明暗對(duì)比會(huì)被削弱，對(duì)于識(shí)別過(guò)程獲得阻礙。對(duì)于亮度的調(diào)整，我們可以對(duì)圖像像素進(jìn)行統(tǒng)計(jì)，找到了V1,V2，是的小于V1的像素值比例5%，大于V2占比例為5%，我們將亮度小于V1的全部調(diào)整為V1，大于V2的全部調(diào)整V2。接下來(lái)按照比率[0，255]拉伸。矯正過(guò)后可以通過(guò)濾波算法進(jìn)行處理，為了處理噪聲我們可以采用較為通用的高斯濾波。

圖像二值化，二值化處理過(guò)程中，我們只有黑白兩個(gè)顏色，二值化原理比較簡(jiǎn)單，當(dāng)灰度值大于某一閾值我們就設(shè)為1，其他設(shè)為0。在設(shè)置過(guò)程分為三種方法，全局閾值法，局域閾值法和動(dòng)態(tài)閾值方法。本文采用平均值方法進(jìn)行二值化處理。取得閾值為TH。如果背景幾乎不被干擾，平均值較小；如若背景有干擾，平均值較大；如果背景關(guān)照很暗，平均值中等。

背景色統(tǒng)一，在處理車牌的過(guò)程中，我們針對(duì)不同的汽車類型有不同的顏色，我們處理圖像過(guò)程造成一定困難，有的是黑底，有的是藍(lán)底，有的是黃底，我們必須進(jìn)行背景的統(tǒng)一處理。我們將車牌統(tǒng)一轉(zhuǎn)換成黑底白字進(jìn)行處理。

我們?cè)谂臄z過(guò)程會(huì)出現(xiàn)拍攝角度的，車輛的運(yùn)行會(huì)使得拍攝的車牌不是真正的矩形，我們采取了霍夫變換，檢測(cè)直線?；舅枷胧屈c(diǎn)線對(duì)偶，通過(guò)建立離散參數(shù)空間，建立累加器，求出局部最小值確定傾斜程度進(jìn)行幾何圖像矯正，我們?cè)谲嚺频奶幚淼膶?shí)際過(guò)程中，基本都是存在汽車保險(xiǎn)杠以及邊框，需要車牌上下邊框去除。基本思想是能夠確定m*n，自動(dòng)自下而上的掃描，統(tǒng)計(jì)每一行黑色像素點(diǎn)，設(shè)定閾值大于時(shí)停止，并且記錄然后切除余下部分。

2.2 圖像分割

進(jìn)過(guò)一連串的預(yù)處理，得到了上下邊緣緊密貼連的二值圖像。我們通過(guò)垂直投影的方法投影。我們?cè)O(shè)定邊界為w，我們自右向左的方法，逐列掃描當(dāng)小于某個(gè)閾值，則認(rèn)為字符邊界，設(shè)定w=1.我們尋找下一個(gè)邊界。一直循環(huán)直到切割完畢。經(jīng)過(guò)上述步驟之后，將圖像中七個(gè)字符邊界全部找到，考慮了不一致以及二值化，采取了切割。如圖1所示是預(yù)處理的結(jié)果。

3.構(gòu)建脈沖神經(jīng)元

構(gòu)建神經(jīng)元模型，簡(jiǎn)化神經(jīng)元模型。分析神經(jīng)元的動(dòng)力學(xué)特性。神經(jīng)元主要是由胞體，樹突，軸突以及突觸組成。神經(jīng)元神經(jīng)元之間進(jìn)行連接，我們可以進(jìn)行信號(hào)之間的相互傳輸。我們采取了H-H的神經(jīng)元，通過(guò)膜電位運(yùn)行模型，主要是通過(guò)離子通道的運(yùn)行機(jī)制，表現(xiàn)的鉀離子電流，鈉離子電流以及漏電導(dǎo)，描述著膜電位的關(guān)系。

圖1 預(yù)處理后車牌

4.脈沖神經(jīng)網(wǎng)絡(luò)識(shí)別

脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)空信息的處理，構(gòu)建基本框架并且評(píng)判性能，包括序列脈沖的學(xué)習(xí)能力，學(xué)習(xí)規(guī)則的局部特性，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的適應(yīng)性，學(xué)習(xí)的精度。

進(jìn)行圖形的特征提取，N維的模式變換轉(zhuǎn)換到維數(shù)比較小的M維，進(jìn)行維數(shù)的變換降低計(jì)算的復(fù)雜度，計(jì)算字符圖像特征，分類器的設(shè)計(jì)，網(wǎng)絡(luò)參數(shù)設(shè)計(jì)和訓(xùn)練。通過(guò)統(tǒng)計(jì)出來(lái)的數(shù)據(jù)和識(shí)別率和結(jié)果固定相乘修正結(jié)果。最后進(jìn)行字符和數(shù)字的識(shí)別。

第一層輸入處理之后的圖像，作為像素接收器。中間為隱藏層，表現(xiàn)突出之間的鏈接特性，顯示了圖像的特征表現(xiàn)。最后一層得到了圖像脈沖表現(xiàn)結(jié)果，表現(xiàn)了字符和數(shù)字的類別。

5.總結(jié)

本文提出了基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別的研究，提出了模型以及算法，可以用于智能檢測(cè)和交通系統(tǒng)之中?？梢赃M(jìn)行自動(dòng)的識(shí)別，該模型算法可以有效的準(zhǔn)備的進(jìn)行識(shí)別，是一種類腦技術(shù)，圖像的預(yù)處理大大加快了圖像處理的準(zhǔn)確度以及精確度，具有良好的應(yīng)用。

[1]廖翔云,許錦標(biāo),龔仕偉.車牌識(shí)別技術(shù)研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2003,13(a02):31-32.

[2]何鐵軍,張寧,黃衛(wèi).車牌識(shí)別算法的研究與實(shí)現(xiàn)[J].公路交通科技,2006,23(8):147-149.

[3]芮挺,沈春林,張金林.車牌識(shí)別中傾斜牌照的快速矯正算法[J].計(jì)算機(jī)工程,2004,30(13):122-124.

[4]閻建國(guó),高亮.圖象處理技術(shù)在車牌識(shí)別中的應(yīng)用[J].電子技術(shù)應(yīng)用,2000,26(1):17-18.

[5]蔡榮太,吳慶祥.基于脈沖神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)[J].微電子學(xué)與計(jì)算機(jī),2010,27(10):178-181.

[6]藺想紅,王向文,張寧,等.脈沖神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)算法研究綜述[J].電子學(xué)報(bào),2015,43(3):577-586.

[7]曹平,陳盼,章文彬,等.基于脈沖神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法的初步探究[J].計(jì)算機(jī)工程與科學(xué),2008,30(4):139-141.

[8]Yi Zeng,Tielin Zhang,Bo Xu.受腦啟發(fā)的學(xué)習(xí)規(guī)則對(duì)深層脈沖神經(jīng)網(wǎng)絡(luò)性能的提升[J].Science China Information Sciences,2017,60(5):052201.