基于神經(jīng)網(wǎng)絡的車牌字符匹配識別系統(tǒng)的研究與實現(xiàn)

許崇 劉新

摘要： 隨著交通網(wǎng)絡的不斷發(fā)展，和現(xiàn)代私有汽車擁有量的日益上升，計算機視頻模式識別技術的不斷進步，交通化的智能交通管理變得尤為重要，利用電子信息技術進行管理也成為管理的不可或缺的方式。文章深入的研究實時動態(tài)車輛進行字符識別的問題，將模式識別技術與神經(jīng)網(wǎng)絡技術結合起來，提出了一種將基于改進的神經(jīng)網(wǎng)絡技術與改進的字符模板匹配方法結合，以圖像邊界分割技術為基礎，基于垂直投影法結合字符特征，對字符分割方法進行精確分割，進而對車輛牌照采用字符網(wǎng)絡特征法來實現(xiàn)字符識別，采用輸出字符識別結果，由此完成車輛牌照字符識別。經(jīng)過大量實驗驗證，經(jīng)過改進的算法，在提高了系統(tǒng)的實時性的同時，也保證車輛牌照識別匹配正確率。

關鍵詞：車牌識別;神經(jīng)網(wǎng)絡;字符模式匹配

引言：

車牌識別系統(tǒng)具有適應性強、智能化程度高等特點，已經(jīng)是現(xiàn)代智慧城市交通系統(tǒng)中重要的組成部分。作為智能交通系統(tǒng)中核心環(huán)節(jié)得到廣泛應用，實現(xiàn)實時、準確、高效的車牌識別系統(tǒng)，保障大數(shù)據(jù)條件下的交通安全與智慧化管理，也是當前智能交通領域的重要挑戰(zhàn)之一[1][2]，對于交通系統(tǒng)中車輛的監(jiān)控和管理智能化起到關鍵作用。

一、 算法研究設計與實現(xiàn)

（一）字符模式分割法

在圖像定位后對字符的分割過程中，干擾元素也包含車輛牌照的4個邊界。邊界分布具有規(guī)律性，很容易把該干擾因素去除掉。對經(jīng)過二值化處理后的車牌圖像進行水平投影時，應該依次將每行的白點個數(shù)計入到數(shù)組C1[i]中去，再對C1[i]平移，平移半徑為圖像高度的1/10;

1.基于垂直投影法的字符分割

在水平投影法中，以圖像面積大小為衡量標準來判斷待識別區(qū)域是否有存放字符得空間，將字符的列進行合并，這樣得到的字符區(qū)就是有效的。設定K為一維向量，其大小與車輛牌照的長度W相等，圖像中每一列像素中亮點的總和分別用向量中的值來表示，可以在每個字符內部和各個字符間的空隙處獲取字符塊在垂直方向上投影的最小值，再對字符圖像面積進行垂直方向投影的投影圖。清晰地分析出投影中存在8條空隙，其中6個字符的間隙有5個，其余的3個間隙位于各個字符之間[3]。在字符識別模式時，每個字符的模板大小不等，模式不同，需要再將得到的6個數(shù)組進行矩陣大小轉換，能使變化之后的每個數(shù)組都能達到26×14的形式。對通過圖像定位的車牌圖像的6個字符進行分割，分割效果。

2.基于神經(jīng)網(wǎng)絡的字符分割方法

神經(jīng)網(wǎng)絡模式識別方法是模式識別領域里面的重要研究方向和研究內容，它是神經(jīng)網(wǎng)絡技術基于神經(jīng)網(wǎng)絡模式的識別方法，能夠實現(xiàn)模式計算上識別理論無法完成的模式信息處理工作，所謂人工神經(jīng)網(wǎng)絡，就是由一定數(shù)量的神經(jīng)元組成的可以完成某些功能的自適應系統(tǒng)。如果一個神經(jīng)元所接收到的信號總和如果超過了它本身能承受的“閥值”，神經(jīng)元就會處于興奮狀態(tài)，進而向后續(xù)神經(jīng)元發(fā)出脈沖信號，通過神經(jīng)元與軸突組成的網(wǎng)狀系統(tǒng)，可以逼近任意的有理函數(shù)，進而完成各種各樣簡單或者復雜任務。

神經(jīng)元的結構和功能都比較簡單，神經(jīng)網(wǎng)絡由大量簡單的基本單元相互聯(lián)接而成，組成非線性動態(tài)系統(tǒng)，但由它們組成的系統(tǒng)卻非常復雜且功能強大。在模式識別過程中，存在著噪聲干擾或輸入模式的一部分損失，而人工神經(jīng)元網(wǎng)絡可以將信息有效的分布存儲于連結的權值中，每個神經(jīng)元都具有很多非線性映射的能力，它們之間通過權值來相互連結起來。組織和自適應學習的功能，大大減少了傳統(tǒng)識別方法所必須的約束條件，使其在某些識別問題時凸顯了其較大的優(yōu)越性相比于傳統(tǒng)機器，這種大規(guī)模的并行結構具有很高的計算速度 。

（二）車牌字符識別方法

1.模板匹配法

在多種車牌字符識別方法中，模板匹配法是具有典型代表性，該方法計算量大，定位準確性和精度都較低，通過對比分析待識別字符與已設定好的字符模板，根據(jù)他們的匹配相似度來確定字符的識別結果。接下來將整個待識別的字符圖中的所有像素逐個進行掃描與匹配的操作，這樣就可以確定待識別字符圖像I是否存在模板T中所含有的字符。通過圖像處理設備實現(xiàn)模板匹配法相對簡單，且受噪聲的影響較小，因此在車輛牌照字符識別中常用模板匹配法，但其也存在著很多缺點。

2.神經(jīng)網(wǎng)絡識別法

神經(jīng)網(wǎng)絡識別法脈沖神經(jīng)網(wǎng)絡進行時空信息的處理，構建基本框架并且評判性能，包括序列脈沖的學習能力，學習規(guī)則的局部特性，對網(wǎng)絡結構的適應性，學習的精度。包括兩種情形：一是將整幅圖像送入網(wǎng)絡，利用神經(jīng)網(wǎng)絡的特點來自動實現(xiàn)字符特征提取和識別過程;二是通過對待識別字符進行字符特征提取，然后傳入到字符特征訓練神經(jīng)網(wǎng)絡分類器，再與經(jīng)過從字符樣本中提取到的字符特征經(jīng)過BP網(wǎng)絡訓練后輸出的權值一起輸入到神經(jīng)網(wǎng)絡訓練器，比較分析后輸出對字符的識別結果，其對應的BP神經(jīng)網(wǎng)絡字符識別的原理。

二、實驗測試與分析

為了進一步驗證算法的性能，找出功能需求與系統(tǒng)之間所存在的差異，以該超市的地下停車場為例，實驗采用隨機抽取動態(tài)實時錄像作為視頻源進行試驗測試，選取幾段不同光照、復雜背景設置需求條件下的AVI視頻測試整個系統(tǒng)的識別率。在光照條件良好，攝像機在行駛的車內，架設位置不固定，圖像的晃動較大的情況下拍攝的錄像30 min;傍晚時分光照條件較差情況，人眼感覺灰暗環(huán)境下拍攝的錄像30 min。其中90 min的視頻在良好光照條件下共有人眼識別可見的車牌的車720輛，30 min架設在車內的錄像中共含有人言可識別車輛牌照的車85輛，30 min光照條件較差環(huán)境下共有人眼可識別車輛牌照的車150輛。試驗過程在光照條件良好的90min視頻中內共識別出車輛5800輛，30min架設在車內的錄像中共識別出67輛，30min光照條件較差環(huán)境下能識別出車輛120輛。

車牌識別系統(tǒng)是“ITS”中相當重要的一項科學技術，提出了一種基于改進的神經(jīng)網(wǎng)絡和改進的模板匹配車牌字符識別算法方法。通過試驗仿真驗證了算法的有效性，其優(yōu)點是克服了模板匹配對數(shù)字、字母和漢字分別尋找形狀子圖像的困難，并利用了神經(jīng)網(wǎng)絡來識別中文字符，通過試驗結果表明，字符的識別率得到了提高并且取得較好的效果。

參考文獻：

[1] SHAN S G， KAN M N， LI S X，et al. Face image analysis and rec?ognition with deep learning[J]. Communications of the CFF， 2015， 11（4）：15-21.

[2]ZHU M，LIU C，WANG J，et al.Instant discovery of moment companion vehicles from big streaming traffic data [C].2015 International Conference on Cloud Computing and Big Data（CCBD），2015：73-80.

[3]PRIYA V LAKSHMI，PERUMAL K.Detecting the car numberplate using segmentation[J].International Journal of Engineeringand Computer Science，2014（10）：8823-8829.

作者簡介：

許崇（1982-），女，實驗師，就職于沈陽建筑大學。