基于SVM與ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)

摘 ?要： 由于車牌識(shí)別系統(tǒng)中車牌位置精確定位難和車牌中字符識(shí)別率低等問題。本文提出了一種基于SVM與ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法。通過Soble邊緣檢測(cè)算法與形態(tài)學(xué)算法相結(jié)合來確定大致的車牌輪廓，結(jié)合車牌的外接矩形的面積與長(zhǎng)寬比來篩選出符合車牌特征的候選區(qū)域，再利用SVM分類器來判斷檢測(cè)到的區(qū)域中是否是車牌，來最終篩選出是車牌的區(qū)域。對(duì)于篩選出的車牌利用ANN神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌字符的識(shí)別。經(jīng)驗(yàn)證，該車牌識(shí)別系統(tǒng)能夠適用于比較復(fù)雜的環(huán)境，且識(shí)別速度快，準(zhǔn)確率相對(duì)較高。

關(guān)鍵詞： SVM;ANN神經(jīng)網(wǎng)絡(luò);車牌識(shí)別

中圖分類號(hào)： TP27 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.08.025

本文著錄格式：林乾畢. 基于SVM與ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)[J]. 軟件，2019，40（8）：105107

【Abstract】： Due to the difficulty in accurately positioning the license plate position in the license plate recognition system and the low recognition rate of the characters in the license plate. This paper proposes a license plate recog-nition algorithm based on SVM and ANN neural network. The Soble edge detection algorithm is combined with the morphological algorithm to determine the approximate license plate contour. The area and aspect ratio of the cir-cumscribed rectangle of the license plate are combined to select the candidate area that meets the license plate char?acteristics， and the SVM classifier is used to judge the detected area. Whether it is a license plate or not， to finally screen out the area of the license plate. For the selected license plates， the ANN neural network is used to identify the license plate characters. It has been verified that the license plate recognition system can be applied to a rela?tively complicated environment， and the recognition speed is fast and the accuracy is relatively high.

【Key words】： License plate recognition; SVM; ANN neural network

0 ?引言

車牌識(shí)別技術(shù)是指能夠檢測(cè)復(fù)雜環(huán)境中的車輛并且自動(dòng)的獲取車輛車牌信息的技術(shù)，車牌識(shí)別技術(shù)中最關(guān)鍵的還是車牌位置的精確定位與車牌字符的準(zhǔn)確識(shí)別。目前車牌定位的方法很多，最常見的有基于色彩分割的方法[1]、基于邊緣檢測(cè)的方法[2]、基于小波變換的方法[3]、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法[4]、基于灰度圖像紋理特征分析的方法等等[5]。車牌字符識(shí)別的方法方法也有很多，最常見的有基于區(qū)域統(tǒng)計(jì)和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別[6]、基于HAAR特征與BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[7]、基于小波和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別新方法等[8]。

本文主要是利用Sobel邊緣檢測(cè)的方法和利用車牌的寬高比與面積來驗(yàn)證符合車牌特征的區(qū)域，再利用訓(xùn)練好的SVM分類器來判斷檢測(cè)到的區(qū)域是否是車牌區(qū)域，最后利用ANN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練分割檢測(cè)到的車牌的字符，這個(gè)系統(tǒng)主要是利用Opencv機(jī)器視覺庫(kù)來設(shè)計(jì)的。

1 ?車牌定位

本文主要采用的是Sobel邊緣檢測(cè)方法、OTSU自適應(yīng)閾值化、形態(tài)學(xué)處理、車牌的寬高比與面積處理、SVM分類器等方法結(jié)合來定位車牌的位置，具體的流程圖如圖1所示。

1.1 ?基于Sobel邊緣檢測(cè)

Sobel邊緣檢測(cè)算法由于其算法簡(jiǎn)單，計(jì)算量小，速度快，成為了很多場(chǎng)景的首選算法之一。Sobel算法主要是使用水平與垂直兩個(gè)方向的3*3的卷積模板來分別對(duì)原始圖像進(jìn)行卷積計(jì)算，分別得到水平與分別得到橫向G（x）和縱向G（y）的梯度值，如果梯度值大于某一個(gè)閾值，則認(rèn)為該點(diǎn)為邊緣點(diǎn)。這些所有的點(diǎn)構(gòu)成了圖像的邊緣，圖像中不是邊緣的區(qū)域，圖像的強(qiáng)度變化的十分的緩慢，相鄰的像素之間的灰度值變化的也相對(duì)的小，因此，梯度幅值變換的也小，但是在圖像的邊緣區(qū)域，相鄰的像素之間的插值很大，變化的十分的劇烈，因此梯度幅值也相對(duì)的較大，因此Sobel的主要原理也就是利用計(jì)算圖像的梯度值來判斷是不是圖片的邊緣。Sobel邊緣檢測(cè)的水平與垂直的卷積模板如圖2所示。

由公式可知，如果選擇的閾值t過小的話會(huì)存在很多的噪聲，如果閾值選擇過大的話，會(huì)有很多邊緣點(diǎn)丟失，邊緣點(diǎn)的準(zhǔn)確與否主要在于閾值t的選擇，本文采用OTSU自適應(yīng)的閾值化來獲取最佳的閾值。

1.2 ?OTSU自適應(yīng)二值化

otsu算法中這個(gè)判據(jù)就是最大類間方差?，F(xiàn)在任意選取一個(gè)灰度值 t，則可以將這個(gè)直方圖分成前后兩部分。我們稱這兩部分分別為 A 和 B。對(duì)應(yīng)的就是前景色和背景色。這兩部分各自的平均值成為MA和MB。A部分里的像素?cái)?shù)占總像素?cái)?shù)的比例記作PA，B部分里的像素?cái)?shù)占總像素?cái)?shù)的比例記作PB，那么最大類間方差可以表示為公式5。

1.3 ?形態(tài)學(xué)處理

圖像處理中的形態(tài)處理主要包括以下幾個(gè)算法：腐蝕、膨脹、開操作、閉操作、形態(tài)學(xué)梯度、頂帽、黑帽，本文上述的圖片經(jīng)過Sobel和閾值化之后，車牌的位置會(huì)有很多的孔洞，形態(tài)學(xué)的閉操作可以去除微小的孔洞，填平小的溝壑，因此本文利用形態(tài)學(xué)的閉操作來對(duì)上述的處理過的圖片進(jìn)行處理，消除字母之間的小型孔洞，使之形成連通域，便于對(duì)車牌矩形輪廓的提取。圖3列舉了各個(gè)部分的預(yù)處理之后的圖。

從圖3的f可以看出最后的結(jié)果中有三個(gè)結(jié)果，但是只有一個(gè)是屬于車牌的位置的，因此接下來選擇SVM分類器來對(duì)預(yù)處理的結(jié)果進(jìn)行精確的篩選是出于車牌的圖片。

1.4 ?SVM車牌定位

SVM也叫支持向量機(jī)，是一種按照監(jiān)督學(xué)習(xí)方式對(duì)數(shù)據(jù)進(jìn)行二分類的分類器，其決策邊界是對(duì)學(xué)習(xí)樣本求解的最大邊距超平面，本文使用的是c_svm函數(shù)對(duì)樣本進(jìn)行分類，首先對(duì)前面處理了的結(jié)果進(jìn)行歸一化處理，選出1000張屬于車牌的圖片作為正樣本，選出2000張不屬于車配的圖片作為負(fù)樣本，svm分類器的特征向量是水平與垂直的直方圖值，利用2.4.9版本的opencv的函數(shù)svm.train_auto，設(shè)置相應(yīng)的參數(shù)，就可以訓(xùn)練一個(gè)可以分類是否是車牌的二分類器這樣就可以得到一個(gè)正確的車牌。

2 ?車牌字符分割

對(duì)車牌進(jìn)行字符分割主要包括以下步驟：1、對(duì)輸入的車牌進(jìn)行二值化;2、利用Opencv自帶的findContours函數(shù)求取每個(gè)字母的輪廓;3、再獲取最小外接矩形，對(duì)矩形的寬高比和面積進(jìn)行驗(yàn)證，分割出每一個(gè)字符，再統(tǒng)一成一樣的大小，保存下來，字符分割的結(jié)果圖如圖4所示。

3 ?ANN神經(jīng)網(wǎng)絡(luò)識(shí)別字符

本文采用ANN人工神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行訓(xùn)練并且識(shí)別字符，首先將得到的字符進(jìn)行仿射變換，將字母統(tǒng)一成20*20的大小，提取字母的水平與垂直的累計(jì)直方圖和低分辨率圖像這兩個(gè)特征作為ANN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練的兩個(gè)特征，ANN神經(jīng)網(wǎng)絡(luò)設(shè)置10個(gè)隱藏層，通過Opencv提供的ANN.train函數(shù)并設(shè)置相應(yīng)的參數(shù)對(duì)字符進(jìn)行訓(xùn)練，然后使用ann.predict函數(shù)對(duì)各個(gè)車牌特征進(jìn)行預(yù)測(cè)，經(jīng)過試驗(yàn)可以得到對(duì)車牌的識(shí)別率可以達(dá)到95左右。

4 ?結(jié)束語

本文提出了一種基于SVM與ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)，使用的Opencv的版本為2.4.9和Visual Studio 2015進(jìn)行這個(gè)系統(tǒng)的開發(fā)，選取200張不同的車牌進(jìn)行測(cè)試發(fā)現(xiàn)，這個(gè)系統(tǒng)的車牌定位率達(dá)到了98.32%，車牌字符的識(shí)別率達(dá)到了95.64%，該系統(tǒng)適應(yīng)于復(fù)雜環(huán)境，對(duì)車牌的識(shí)別速度快，具有很強(qiáng)的實(shí)用性。

參考文獻(xiàn)

[1] 趙雪春， 戚飛虎. 基于彩色分割的車牌自動(dòng)識(shí)別技術(shù)[J]. 上海交通大學(xué)學(xué)報(bào)， 1998， 32（10）： 4-9.

[2] 李學(xué)順， 魏宗壽. 基于彩色邊緣檢測(cè)和Edge Boxes的車牌定位方法[J]. 電腦知識(shí)與技術(shù)， 2019， 15（7）： 187-188.

[3] 戴青云， 余英林. 一種基于小波與形態(tài)學(xué)的車牌圖象分割方法[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2000（5）： 411- 415.

[4] 盧雅琴， 鄔凌超. 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法[J]. 計(jì)算機(jī)工程， 2005， 31（3）： 224-226.

[5] 郭捷， 施鵬飛. 基于顏色和紋理分析的車牌定位方法[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2002， 7（5）： 432-476.

[6] 盛兆亮， 高軍偉. 基于區(qū)域統(tǒng)計(jì)和BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別[J]. 信息技術(shù)及圖像處理， 2019， 42（8）： 78-82.

[7] 劉伍豐， 何前磊， 鄭維. 基于HAAR特征與BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[J]. 信息技術(shù)及圖像處理， 2019， 42（8）： 61-67.

[8] 郭招球， 趙躍龍， 高敬欣. 基于小波和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別新方法[J]. 計(jì)算機(jī)測(cè)量與控制， 2006， 14（9）： 1257-1259.

[9] 梁娟. 一種基于Sobel圖像邊緣檢測(cè)的改進(jìn)算法[J]. 軟件導(dǎo)刊， 2014， 13（12）： 78-82.