基于BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別系統(tǒng)的研究

蘇康友

（廣東白云學(xué)院 電氣與信息工程學(xué)院，廣東 廣州 510450）

0 引 言

隨著經(jīng)濟(jì)的快速發(fā)展，汽車擁有量不斷上升，導(dǎo)致了交通堵塞、城市停車緊張、交通事故等問(wèn)題不斷發(fā)生。因此，國(guó)內(nèi)外相繼提出了適應(yīng)運(yùn)輸要求的智能交通系統(tǒng)（Intelligent Traffic System, 簡(jiǎn)稱ITS），其中汽車車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的核心，它的發(fā)展決定了智能交通系統(tǒng)的廣泛應(yīng)用[1]。車牌識(shí)別大致分三個(gè)階段：第一階段為圖片處理階段，80年代，首次提出車牌識(shí)別的理念，采用傳統(tǒng)的攝像機(jī)拍下車牌，人工對(duì)圖片加工處理和分類，并沒(méi)有一個(gè)智能的系統(tǒng)；第二階段為傳統(tǒng)模式識(shí)別階段，90年代，Johnson等采用CV和圖像處理技術(shù)識(shí)別車牌，擺脫了人工識(shí)別車牌的過(guò)程[2]；第三階段為人工神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展階段，1980年，F(xiàn)ukushima提出了神經(jīng)認(rèn)知機(jī)（neocognitron）。神經(jīng)網(wǎng)絡(luò)在圖像分類[3-4]、圖像特征提取[5-6]、圖像分割[7]、圖像融合[8]、目標(biāo)識(shí)別與追蹤[9-10]方面得到了很大的運(yùn)用，因此車牌識(shí)別系統(tǒng)也應(yīng)運(yùn)而生。

90年代開(kāi)始，我國(guó)引入國(guó)外的算法中對(duì)ITS技術(shù)進(jìn)行研究，但是國(guó)外不少算法被應(yīng)用于我國(guó)的車牌識(shí)別時(shí)存在識(shí)別率低的問(wèn)題。因?yàn)槲覈?guó)的車牌具有特殊性，包含了漢字、字母、數(shù)字，其中漢字識(shí)別是個(gè)技術(shù)難題，所以本文提出了基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)，對(duì)圖像進(jìn)行預(yù)處理，對(duì)車牌定位分割，再進(jìn)入BP神經(jīng)網(wǎng)絡(luò)從而實(shí)現(xiàn)字符識(shí)別。

1 車牌圖像預(yù)處理

1.1 車牌灰度化

圖像處理中，采用RGB中的三個(gè)分量（R：Red，G：Green，B：Blue）來(lái)表示真彩色；本文采用平均法對(duì)圖像進(jìn)行灰度化，即取三種變量R、G、B的平均值作為其灰度變量，減少彩色圖像過(guò)多的信息干擾量。

1.2 去噪

圖像信號(hào)在產(chǎn)生、傳輸過(guò)程中都可能受到噪聲的污染，主要有高斯噪聲（主要由阻性元器件內(nèi)部產(chǎn)生）、椒鹽噪聲（圖像切割引起的白點(diǎn)噪聲或光電轉(zhuǎn)換過(guò)程中產(chǎn)生的泊松噪聲）、量化噪聲（量化過(guò)程存在量化誤差導(dǎo)致的噪音），這些噪音直接影響后序的邊緣檢測(cè)，因此降噪是圖像處理的關(guān)鍵。本項(xiàng)目為了提高圖像質(zhì)量，研究三種去噪方法，分別是均值濾波、中值濾波、維納（Wiener）濾波。采取最佳濾波獲取灰度更加平滑的圖片。

（1）均值濾波：

（2）中值濾波：

其中：Med表示中間取值；f表示車牌的原始圖像函數(shù)；i、v表示圖像二維模板中的二維序列號(hào)。

（3）維納（Wiener）濾波：

1.3 車牌傾斜校正

對(duì)分割出來(lái)的車牌進(jìn)行傾斜校正。由于對(duì)傾斜的車牌字符識(shí)別容易出錯(cuò)，所以車牌傾斜校正對(duì)車牌字符識(shí)別率有較大的影響。本系統(tǒng)用Imrotate函數(shù)進(jìn)行旋轉(zhuǎn)，得到完整的車牌字符。

1.4 車牌定位分割

在車牌定位中，本項(xiàng)目采用效果較好的邊緣提取方式，經(jīng)過(guò)形態(tài)學(xué)處理后的車牌特征越明顯，車牌定位越準(zhǔn)確。因此本項(xiàng)目分別進(jìn)行Sobel算子、Robert算子、Laplacian算子運(yùn)算，并選取最優(yōu)邊緣檢測(cè)方式，對(duì)車牌進(jìn)行邊緣檢測(cè)定位；同時(shí)利用藍(lán)色車牌顏色閾值T，將圖像的數(shù)據(jù)分成兩部分，大于T的像素群則為前景目標(biāo)，小于T的像素群則為背景，從而更加清楚地將圖片的黑白二值化，對(duì)找出來(lái)的車牌位置進(jìn)行分割。

（1）Sobel 算子邊緣檢測(cè)：如圖1所示，采用原圖作為矩陣內(nèi)容，將邊緣提取后該像素點(diǎn)的位置改為0，進(jìn)行Sobel運(yùn)算。

圖1 Sobel算子邊緣檢測(cè)

（2）Robert算子邊緣檢測(cè)：采用Robert算子公式對(duì)圖像進(jìn)行運(yùn)算，效果如圖2所示。

圖2 Robert算子邊緣檢測(cè)

（3）Laplacian算子：由于導(dǎo)數(shù)在邊緣點(diǎn)出現(xiàn)零交叉，即邊緣點(diǎn)兩旁二階導(dǎo)數(shù)取異號(hào)，因此對(duì)數(shù)字圖像{f（i, j）}的每個(gè)像素，選取x軸方向和y軸方向的二階差分之和，Laplacian算子運(yùn)算結(jié)果如圖3所示。

圖3 Laplacian算子運(yùn)算結(jié)果

由圖1～圖3可以看出，采用Laplacian算子運(yùn)算進(jìn)行車牌定位，車牌圖像更加清晰，車牌邊緣更加明確，更利于下一步的車牌字符識(shí)別。

1.5 字符識(shí)別

BP網(wǎng)絡(luò)模型利用誤差反向傳播訓(xùn)練算法模型，能夠很好地解決多層網(wǎng)絡(luò)中隱含層神經(jīng)元連接權(quán)值系數(shù)的學(xué)習(xí)問(wèn)題。它的特點(diǎn)是信號(hào)前向傳播、誤差反向傳播；它的實(shí)現(xiàn)分為學(xué)習(xí)過(guò)程和識(shí)別過(guò)程兩個(gè)部分。在學(xué)習(xí)過(guò)程中，同時(shí)進(jìn)行著兩個(gè)過(guò)程，分別是信息的正向傳播和誤差的反向傳播。

本項(xiàng)目采用Sigmoid型的激活函數(shù)作為輸出函數(shù)。

其對(duì)x的導(dǎo)數(shù)可以用自身表示：

2 算法仿真

采用MATLAB作為仿真環(huán)境，對(duì)車牌“滬JZ0265”進(jìn)行車牌識(shí)別。仿真效果如圖4～圖5所示。

圖4 車牌圖像預(yù)處理

圖5 車牌圖像分割與識(shí)別

3 結(jié) 語(yǔ)

本文采用平均法對(duì)車牌圖像進(jìn)行灰度化，并對(duì)車牌圖像采用中值濾波法去噪；利用Imrotate函數(shù)進(jìn)行旋轉(zhuǎn)，并選取Laplacian算子進(jìn)行邊緣檢測(cè)，完成車牌圖像的初始化；最后采用Sigmoid型的激活函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)，對(duì)車牌圖像進(jìn)行識(shí)別訓(xùn)練，實(shí)現(xiàn)了更精準(zhǔn)的車牌自動(dòng)識(shí)別。