基于BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別建模及實(shí)現(xiàn)

高勇

（中國(guó)航空工業(yè)集團(tuán)公司洛陽(yáng)電光設(shè)備研究所，河南洛陽(yáng)，471000）

0 引言

智能交通系統(tǒng)（Intelligent Transportation System，ITS）是一個(gè)運(yùn)行十分有序的系統(tǒng)，它把車輛、道路和人有機(jī)地連接在一起。該系統(tǒng)的運(yùn)用不但可以使車輛更加放心、安全地行駛在道路上，還可以有效的緩解交通壓力、提高群眾出行效率，避免資源浪費(fèi)[1][2]。在智能交通系統(tǒng)當(dāng)中車牌識(shí)別系統(tǒng)具有非常重要的應(yīng)用地位，是當(dāng)今交通領(lǐng)域研究重點(diǎn)關(guān)注的焦點(diǎn)之一。其采用的技術(shù)包括模式識(shí)別技術(shù)、信號(hào)處理技術(shù)以及圖像處理技術(shù)[1-3]。在進(jìn)行城市道路以及高速公路路況情況監(jiān)控時(shí)，可以通過(guò)圖像處理和人工智能技術(shù)提取和識(shí)別具有違法行為的車輛號(hào)牌信息，以便準(zhǔn)確做出處罰。

本文研究設(shè)計(jì)了基于BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別模型，利用數(shù)字圖像處理技術(shù)完成車牌圖像處理、車牌定位以及字符分割，通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)字符識(shí)別，最后利用MATLAB軟件開展仿真實(shí)驗(yàn)。

1 車牌識(shí)別

車牌識(shí)別系統(tǒng)的實(shí)現(xiàn)需要應(yīng)用多種現(xiàn)代化技術(shù)，包括模式識(shí)別技術(shù)以及機(jī)器視覺技術(shù)等等。在監(jiān)控范圍內(nèi)，通過(guò)應(yīng)用車牌識(shí)別系統(tǒng)可以有效的獲取到圖像信息，首先預(yù)處理圖像，然后定位到圖像中的車牌部分，分割車牌部分中的字符，最后準(zhǔn)確的識(shí)別出這些字符。該系統(tǒng)主要應(yīng)用于以下幾個(gè)領(lǐng)域[2]：公路的自動(dòng)化管理、車輛定位、城市路口“電子警察”、社區(qū)車輛管理系統(tǒng)和停車場(chǎng)車輛管理系統(tǒng)等。

根據(jù)GA36-2018 《中華人民共和國(guó)機(jī)動(dòng)車號(hào)牌》的規(guī)定，我國(guó)現(xiàn)行的車牌中，第1位為漢字，第2位為字母，第3至6位為數(shù)字或字母，第7位為漢字（警、學(xué)）、數(shù)字或字母。漢字共有48個(gè)，數(shù)字共有0～9共10個(gè)，字母從A～Z除O和I之外共有24個(gè)。車牌的特征包括以下四個(gè)方面[4]：

（1）車牌的長(zhǎng)、寬及兩者比例都有相應(yīng)的規(guī)定要求，幾何尺寸差別較小，外形特征較明顯；（2）車牌由漢字、字母或數(shù)字組成，且有一定的排列組成規(guī)律，字符信息特征較明顯；（3）車牌號(hào)碼由漢字、數(shù)字以及字母組成，前者較后兩者識(shí)別難度大，為了識(shí)別效果應(yīng)采取不同手段進(jìn)行識(shí)別；（4）車牌牌照種類較多，且有幾種不同的格式，增加了識(shí)別的難度。

2 車牌識(shí)別系統(tǒng)原理

一般情況下，車牌識(shí)別系統(tǒng)主要包括四個(gè)部分，分別是車牌預(yù)處理、車牌定位、車牌字符分割和車牌字符識(shí)別[1-4]：

（1）車牌預(yù)處理

車牌預(yù)處理主要作用是剔除同車牌無(wú)關(guān)的干擾項(xiàng)，讓車牌的主要特征更為凸顯，通常采用的手段包括幾何變換、圖像增強(qiáng)以及去噪等。

（2）車牌定位

車牌定位的目的是進(jìn)一步提取圖像中的車牌區(qū)域，將其他區(qū)域排除。

（3）車牌字符分割

車牌字符分割即將整個(gè)車牌區(qū)域分割成7個(gè)單一字符，字符包括漢字、字母和數(shù)字。

（4）車牌字符識(shí)別

車牌字符識(shí)別就是對(duì)分割后的7個(gè)單一字符進(jìn)行特征提取，然后識(shí)別成相似度最高的字符，是整個(gè)系統(tǒng)的核心部分。

2.1 圖像預(yù)處理

圖像預(yù)處理是對(duì)帶有干擾和噪聲的圖像進(jìn)行圖像復(fù)原和信息增強(qiáng)的過(guò)程，使得圖像的有用信息可以更容易進(jìn)行后端圖像算法處理，包括圖像灰度拉伸、圖像去噪等[3-4]。

2.2 車牌定位

車牌定位是從給定的圖像中找到車牌所在的部分，將其同其他部分進(jìn)行區(qū)分并成功提取出來(lái)。能夠根據(jù)車牌獨(dú)有的特點(diǎn)，例如字符、顏色、形狀以及區(qū)域灰度等來(lái)進(jìn)行定位。本文采用Canny算子進(jìn)行邊緣檢測(cè)，通過(guò)開閉運(yùn)算的數(shù)字形態(tài)學(xué)濾波，然后像素行掃描和列掃描確定車牌上下和左右邊界，從而定位車牌的準(zhǔn)確區(qū)域。并且通過(guò)Hough 變換進(jìn)行傾斜校正，得到正立的車牌區(qū)域圖像，有利于后續(xù)車牌字符的精準(zhǔn)分割。

2.3 字符分割

每個(gè)車牌號(hào)碼由7個(gè)字符所組成，通過(guò)字符分割操作后，它們相互拆分出來(lái)，成為7幅獨(dú)立的字符圖像。本文采用垂直投影法進(jìn)行字符分割，在水平軸上投影車牌定位后獲得的車牌圖像，可以在垂直方向發(fā)現(xiàn)若干個(gè)波峰值，每個(gè)字符邊界都會(huì)表現(xiàn)為波谷點(diǎn)，自左向右掃描，發(fā)現(xiàn)的首個(gè)波峰區(qū)域即是第一個(gè)字符，依此類推就得到所有7個(gè)字符。

3 字符識(shí)別

字符識(shí)別是對(duì)分割后的字符圖片（包括漢字、數(shù)字和字母）進(jìn)行辨認(rèn)，給出對(duì)應(yīng)的字符，是車牌識(shí)別的最核心部分。本文采用BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別。

BP神經(jīng)網(wǎng)絡(luò)由輸入層、若干隱含層和輸出層等組成，只含有一個(gè)隱含層的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如下圖1所示[1-4]，包括信號(hào)正向傳播和誤差反向傳播。輸入信號(hào)依次通過(guò)輸入層、隱含層以及輸出層。假使輸出值無(wú)法滿足所期望的數(shù)值，那么就會(huì)啟動(dòng)誤差反向傳播，也就是誤差由輸出層逐層向前傳播，將誤差分配給各層的所有神經(jīng)元，并對(duì)神經(jīng)元間的權(quán)重值做出相應(yīng)改變。在正向/反向傳播不斷迭代過(guò)程中，修正了神經(jīng)元權(quán)重值，直至誤差滿足設(shè)計(jì)要求時(shí)則停止。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

根據(jù)車牌七個(gè)字符的特征和特點(diǎn)，設(shè)計(jì)三個(gè)BP神經(jīng)網(wǎng)絡(luò)。第一個(gè)BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別車牌的第一位漢字字符，第二個(gè)BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別車牌的第二位字母字符，第三個(gè)BP神經(jīng)網(wǎng)絡(luò)用于識(shí)別車牌的第3～7位字母或數(shù)字字符。

4 仿真實(shí)現(xiàn)

使用Matlab軟件編程實(shí)現(xiàn)車牌識(shí)別建模、設(shè)計(jì)和仿真[1-5]，具體識(shí)別流程圖如圖2所示。

圖2 車牌識(shí)別流程圖

采用投影濃度法提取具有20組特征值的漢字、數(shù)字和字母字符特征，因此確定三個(gè)BP網(wǎng)絡(luò)輸入層神經(jīng)元數(shù)目為20個(gè)。對(duì)輸出字符進(jìn)行二進(jìn)制編碼，所有48個(gè)漢字需要6位編碼，因此第一個(gè)BP網(wǎng)絡(luò)輸出層神經(jīng)元數(shù)量為6個(gè)。所有24個(gè)英文字母需要5位編碼，因此第二個(gè)BP網(wǎng)絡(luò)輸出層神經(jīng)元數(shù)量為5個(gè)。所有34個(gè)字母和數(shù)字需要6位編碼，因此第三個(gè)BP網(wǎng)絡(luò)輸出層神經(jīng)元數(shù)量為6個(gè)。隱含層神經(jīng)元數(shù)量由經(jīng)驗(yàn)計(jì)算，一共需要6個(gè)神經(jīng)元。

BP網(wǎng)絡(luò)參數(shù)設(shè)置如下：顯示間隔50，學(xué)習(xí)速率0.01，遞增乘因子1.15，遞減乘因子0.8，最大循環(huán)次數(shù)8000，誤差目標(biāo)0.00001。經(jīng)過(guò)Matlab程序建模和仿真實(shí)現(xiàn)，車牌定位、字符分割和車牌識(shí)別結(jié)果如圖3所示。隨機(jī)進(jìn)行了100張車牌圖片進(jìn)行車牌識(shí)別仿真，能夠正確識(shí)別其中的93張車牌圖片，識(shí)別過(guò)程簡(jiǎn)潔高效，識(shí)別結(jié)果可靠有效。

5 結(jié)束語(yǔ)

本文介紹了車牌識(shí)別系統(tǒng)的原理、組成和實(shí)現(xiàn)方法，開展了基于BP神經(jīng)網(wǎng)絡(luò)的字符識(shí)別建模、仿真和實(shí)現(xiàn)。結(jié)果表明該方法能夠?qū)嚺七M(jìn)行定位、分割和識(shí)別，具有一定的工程實(shí)用價(jià)值。