一种基于BP神经网络的车牌字符识别方法

最新推荐文章于 2024-05-01 10:31:09 发布

置顶 LPR_Pro

最新推荐文章于 2024-05-01 10:31:09 发布

阅读量1.6w

点赞数 1

分类专栏：车牌识别文章标签：网络算法联想 matlab processing 交通

本文链接：https://blog.csdn.net/lpr_pro/article/details/4382917

版权

车牌识别专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一种基于 BP 神经网络的车牌字符识别方法

摘　要 : 本文就机动车牌照的字符识别与处理进行详细的讨论，重点讨论了用 BP 神经网络方法在机动车牌照字符识别中的应用 , 用 Visual C++ 完成了对机动车牌照字符识别的模拟 , 最后给出实验结果。

关键词 : 　车牌识 别； BP 神经网 络； 图像预处理

中图分类号 : 　 TP391 · 41

文献标识码 : 　 A

A METHOD OF LICENSE PLATE’S RECOGNITION

BASED ON BP NEURON NETWORKS

Abstract: 　 BP neuron networks have been applied to automatic recognition of registration mar k 。 This paper briefly introduces 　 pretreatment of registration mark and emphatically discusses howto recognize registration markwith BP neuron network s ， simulates 　 the recognition in use of MATLA B 。 Finally the result of simulation is provide d 。

Key words: 　 Recognition of license plate s ； BP neuron network s ； Image Preprocessing

1 　引　言

随着智能交通系统的发展，以及国家对机动车辆的监控管理力度的加强，与机动车的自动监控、识别相关的系统( 城市治安卡口系统、超速抓拍系统、移动或固定点道路稽查系统等) 相继应用在道路、高速公路上。这些系统的自动化程度与机动车牌照的自动识别率紧密相连。车辆牌照的识别率高低直接影响着上述相关系统的实效性、自动化程度、智能性。机动车牌照的自动识别是目标自动识别的一个典型问题。机动车牌照中的字符主要由有限汉字、字母和数字组成，采用固定的印刷格式。目前，人工神经网络模式识别方法是近些年提出的新方法，为牌照自动识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。

2 　车牌图像的预处理

车辆牌照自动识别中，主要包含三个处理过程：车牌图像提取、车牌字符分割、车牌字符识别。

车牌图像提取：从系统抓拍的车辆图片中提取出车牌的图像，因为车牌图像在图片中的位置不是固定的，以及收到光照、天气、背景等因素的影响，车牌图像在抓拍图片中会受到不同程度的影响。为了克服这种问题，需要对抓拍图片进行相关的处理：平滑处理和边缘加强、倾斜度校正等。

车牌字符分割：机动车牌照号码是由汉字、字母和数字依据一定格式组成。字符的识别只能采用单个字符的识别，因此需要从车牌图像中将字符分割、提取出来，分割和提取的方法有：八领域算法、分水岭算法。

车牌字符识别：在车牌字符分割和提出来之后，对车牌字符识别还需要对字符图像进行二值化处理、特征值提取。

上述三个过程在机动车牌照识别系统中统称为车牌图像预处理。下面简单描述预处理过程。

2.1 平滑处理和边缘增强

图像的平滑处理也称为图像的去噪处理，方法有空域法 ( 如中值滤波， k 近邻平均法等 ) 和频域法 ( 低通滤波和高通滤波 ) 。本文基于对汽车车牌识别，对物体的边缘清晰度要求较高，故选取中值滤波法进行图像平滑。为提高图像的对比度，使车牌与背景的反差增强，要对图像进行增强处理。图像增强实际上就是对图像的灰度进行修正，主要目标是提高车牌数字轮廓线的清晰度，而直方图均衡技术最佳，算法简单，为此本文采用直方图均衡方法进图像增强。

2.2 机动车牌照倾斜度校正

本文采用 Hough 变换技术实现对牌照的倾斜度校正。

2.2.1 Hough 变换的基本原理

考虑任意的边缘点 (x, y ) ，将有无数条直线通过这一点。最简单的直线表达方式是斜截式；任何一条通过(x, y) 的直线可被两参数m 、b 所表示。(m, b) 构成通过任意点(x, y) 的参数空间。参数空间(m, b) 中的每一点也对应着图象空间(x, y) 的一条直线。对参数空间的每一点都开一个累加器( 即图像空间中每条直线一个累加器) 。

Hough 变换的算法如下：

寻找图像中的所有特征点；把通过每一特征点(x, y) 的所有直线对应的累加器增一；找(m, b) 空间中的累加器中数值最大的，并由此在图像空间中画出直线。

2.2.2 机动车牌照倾斜度校正算法描述

Hough 变换的处理对象是二值图，首先要把彩色图像转换为256 级灰度图转换公式为：

(1)

其中 R 、G 、B 为点灰度的颜色量。

然后对灰度图取二领域微分，形成微分灰度图，此图中所反映的是图像的边缘信息。再对微风灰度图进行二值化，经反复实验在此灰度图的灰度直方图上取0.8% 的亮点进行1- 像素点，其余为0- 像素点，阈值公式如下所示：

(2)

其中： h(i) 为灰度值是 i 的像素数，由此式可求出阈值 Thr ，并对微分灰度图进行二值化：

(3)

1- 像素即为 Hough 变换中的特征点，在此图中利用 Hough 变换便得到直线，其中m 值即为车牌倾斜度角正切值。考虑到尽可能虑除噪声，提高准确度，本文采用均值滤波，确定最终的倾斜度。

2.3 车辆牌照字符分割

为了对图像进行特征抽取 , 首先要对汽车车牌数字从原图像复杂的背景中分离出来。即对原图像进行分割。车辆牌照字符分割是将牌照中的 7 个字符进行分离。本文利用灰度信息进行字符分割。由于字符间隙处 1- 像素较少，而字符所在出 1- 像素多，可根据车牌中灰度的竖直分布，把车牌切分为 7 个字符区域。见图 1 ，车辆牌照提取和字符分割情况。

图 1

3 　车辆牌照字符识别系统

车辆牌照字符识别主要的方法有模式匹配和神经网络算法。模式匹配算法是将待识别字符与采集样本字符进行欧式距离计算，然后根据事先确认的阈值进行判断。神经网络算法主要模拟人的神经元组织，对输入的牌照字符进行识别处理，神经网络识别算法具有一定的记忆功能，相对模式匹配来讲，具有更好的适应性和准确性。目前，常用的神经网络主要有 BP 神经网络、 Hopfield 网络、 Kohonen 网络等。本文将选用神经网络算法实现对牌照字符的识别。由于神经网络自身的复杂性，选用那种类型网络并没有最优化的方式，主要是针对神经网络进行分类的样本类型、数量来决定，本文中采用 BP 神经网络算法实现。下面将详细描述牌照字符的识别过程和 BP 神经网络在识别中的原理。

3.1 字符识别过程

机动车牌照字符识别过程见图 2 ，主要包括四个部分：第一步，规一化处理，将待识别字符区域规一化为20*20 像素的灰度图；第二步，二值化处理，将灰度值图片采用最大累间方差法( 即OSTU 算法) 进行二值化处理；第三部分，提取特征值，依据事先对牌照字符二值化图像的分析，提取二值化图像的特征值，特征值的提取采用4*4 区域内1- 像素的累加值；第四部分，将特征值输入到已经训练好的神经网络系统中，并根据可信度原则输出识别结果。

标准的机动车牌照由7 个字符组成。第一位字符是汉字( 省名简称) ，第二位字符是大写英文字母，第三位字符为大写英文字母或阿拉伯数字，剩余几位字符为阿拉伯数字。

图 2

3.2 牌照字符BP 神经网络识别原理

BP 神经网络的字符识别系统是神经网络模式识别系统的一种，它们的原理是一致的，都是基于人脑的神经元组织进行设计。 BP 神经网络具有联想记忆和分类的功能。所谓联想记忆是指：设给定m 个样本。当输入为时，要求输出为 ( 可以等于，这就是记忆的功能) 。现在，当输入为时，其中是噪声，希望其输出仍为，这就是联想的功能，即当输入与有一些误差时，网络仍然能够“认得”是，故称之为联想。

设有一样本集K ，它分成m 个互不相交的类：。若约定当属于时令其输出的第个分量为1 ，其余分量为0 ，用式子表示为：

当属于时，否则为0 (4)

若给定的网络能完成上述的功能，则称对应的网络具有分类的能力。

因为神经网络有联想记忆和分类的能力，在车牌字符识别中可以采用神经网络对车牌字符进行识别。采用神经网络对车牌字符进行识别的过程如下：

(1) 采集样本，神经网络具有记忆功能，在进行车牌字符时之前大量采集车牌中出现的各类字符，记忆各类车牌字符；

(2) 训练样本，将采集到的车牌字符样本根据类别进行分类，根据神经网络的分类能力就能够对车牌字符进行分类处理，以期达到车牌字符识别；

(3) 识别车牌字符，将分割好的车牌字符作为神经网络的输入分量，与训练好的神经网络进行运算，最后输出识别结果。

4 　 BP 神经网络结构和算法

这里我们采用 BP 神经网络来进行车辆字符的识别。 BP 网络是采用 Widrow-Hoff 学习算法和非线性可微转移函数的多层网络。一个典型的 BP 网络采用的是梯度下降算法 , 也就是 Widrow-Hoff 算法所规定的。 backpropagation 就是指的为非线性多层网络计算梯度的方法。一个典型的 BP 网络结构如图 3 所示。

图 3

其中，对于第 k 个模式对，输出层单元的 j 的加权输入为，该单元的实际输出为，而隐含层单元 i 的加权输入为，该单元的实际输出为，函数 f 为可微分递减函数。

(1) 中间层的输出为：

(5)

为隐含层阈值。

(2) 输出层单元的输出为：

(6)

为输出层阈值。

(3) 计算实际输出与期望输出的误差：

(7)

( 为实际输出 ; 为期望输出 )

(4) 调整权值：

ω ; (8)

　　； ( 为学习因子 ) (9)

其算法描述如下：

(1) 初始化网络及学习参数，如设置网络初始权矩阵、学习因子等。

(2) 提供训练模式，训练网络，直到满足学习要求。

(3) 前向传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式比较，若有误差 , 则执行 (4 ) ；否则，返回 (2) 。

(4) 后向传播过程： a 、计算同一层单元的误差； b 、修正权值和阈值； c 、返回 (2) 。

5 　结果及分析

应用本文中介绍的车牌字符识别方法，采用 Visual C++ 实现车牌图片自动识别系统。测试数据选取卡口系统和移动稽查系统中抓拍的 50000 张有效图片，各类字符共计 350000 个。对每类数据随机抽取 20% 作为训练样本，即选取 10000 张图片，共计70000 个样本字符，剩余的样本作为测试数据。因实际条件限制，汉字样本仅采集到 12 类样本，分别包括：沪、京、浙、粤、川、冀、新、贵、宁、桂、皖、苏。数字和字母样本齐全，最后综合识别率见表1 。

识别项目	样本数	误识数	识别准确数	识别准确率
汉字字符	50000	1931	48061	96.128%
字母字符	50000	732	49268	98.536%
字母数字字符	50000	979	49021	98.042%
数字字符	200000	1059	198941	99.471%
牌照总体	50000	2437	47563	95.126%

试验结果显示采用BP 神经网络对机动车辆牌照进行识别具有较高的识别准确率。通过试验数据分析，字母字符识别误识情况主要发生以下三类情况：

(1) 字母”D” 、”Q” 和”O” 之间误识；

(2) 字母”E” 和”F” 误识；

(3) 字母”U” 和”V” 误识。

数字字符误识情况主要发生以下两种情况

(1) 数字”1” 和”7” 误识；

(2) 数字”3” 和”5” 误识。

字母数字字符的误识情况主要发生的情况，除了包括上述字母和数字字符发生的情形外，还包括以下4 类情况：

(1) 字母”B” 和数字”8” 误识；

(2) 字母”D” 和数字”0” 误识；

(3) 字母”Z” 和数字”2” 误识；

(4) 字母”A” 和数字”1” 误识；

(5) 字母”Y” 和数字”1” 误识

(6) 字母”S” 和数字”5” 误识。

图 4 是试验中部分识别机动车辆牌照分割和识别准确的情况，图5 是试验中部分分割和识别错误的情况。

图 4

6 　结　论

文中主要介绍机动车牌照号码识别过程中字符识别的情况，应用 BP 神经网络对字符进行识别。车牌图像的提取、倾斜度校正，以及车牌字符的分割和二值化处理，采用统计学方法对字符的特征值进行提取，然后采用 BP 神经网络对分割好的字符进行识别处理。本文利用 BP 神经网络良好的学习能力和容错能力对机动车牌照的识别在识别精确度与速度有很大的改善。为了进一步提高机动车牌照的识别准确率，今后的工作是主要有效提取和分割牌照字符，以及优化二值化算法，并进一步扩大样本的训练，将识别范围应用到全国各省的抓拍图片中，使其在现代智能交通系统和交通监控管理系统得到广泛应用。

参考文献

[1] Kenneth.R.Castleman. 《 DIGITAL IMAGE PROCESSING 》

[2] 张引，《基于空间分布的最大类间方差牌照图像二值化算法》 [J ] ，浙江大学学报，5(3) ：272-275

[3] 　戴青云，《一种基于小波与形态学的车牌图像分割方法》 [J ] ，中国图象图形学报，2000 ，5(5) ：411-415

[4] 　王璞，董慧颖，《车牌字符识别的混合特征提取方法》 [J ] ，沈阳工业学院学报，2003 ，3(1):30-33

[5] 　关山，王伟杰，赵学增，《基于 BP 神经网络的车牌字符自动识别方法的研究》 [J ] ，东北电力学院学报，2004 ，4(4):56-60

LPR_Pro

关注

1
点赞
踩
34

收藏

觉得还不错? 一键收藏
9
评论
一种基于BP神经网络的车牌字符识别方法

 Normal 0 7.8 磅 0 2
复制链接

扫一扫