張銀蘋+葛廣英

摘 要： 為了實(shí)現(xiàn)車牌字符快速準(zhǔn)確的識別，基于Halcon軟件提出了一種二次閾值的車牌定位方法，根據(jù)車牌在HSV顏色模式中S通道的紋理特征進(jìn)行一次閾值，獲取車牌候選區(qū)域，其次校正車牌候選區(qū)域，最后進(jìn)行第二次閾值，通過字符區(qū)域的最大（?。┬校校┲荡_定出精確的車牌區(qū)域；在字符分割模塊提出了一種漢字分割與其他字符連通域法相結(jié)合的方法。實(shí)驗(yàn)結(jié)果表明，這兩種方法簡單快捷、識別正確率高。

關(guān)鍵字： 車牌定位； 字符分割； 字符識別； Halcon

中圖分類號： TN911?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2014）16?00092?04

Study on license plate recognition based on HALCON

ZHANG Yin?ping， GE Guang?ying

（School of Physics Science and Information Technology， Liaocheng University， Liaocheng 252000， China）

Abstract： In order to achieve accurate and quick recognition of license plates， a license plate positioning method with secondary threshold is proposed based on Halcon. A primary threshold is made based on the license plate texture characteristics of S channel in HSV color mode to get the candidate region of a license plate， and then adjusting the candidate region to make the second threshold and determine the exact license plate region according to the maximum （minimum） row （column） value of the character region. As for the character segmentation module， a method to combine Chinese character segmentation with other character connected domain method is proposed. The experimental results indicate that both of the two methods are simple and quick， and have high recognition rate.

Keywords： license plate location； character segmentation； character recognition； Halcon

0 引 言

隨著私家車的不斷增加，智能交通系統(tǒng)[1]在交通、大型停車場、收費(fèi)站等場合的車輛管理發(fā)揮著重要作用，而車牌識別是智能交通系統(tǒng)中的重要部分。車牌識別系統(tǒng)包括圖像采集、車牌定位、字符分割與字符識別四部分。其中，車牌定位是車牌識別系統(tǒng)實(shí)現(xiàn)字符分割與字符識別的前提。目前車牌定位有以下幾種方法：基于紋理特征和顏色匹配的方法[2]、基于小波分解的方法[3]、基于邊緣檢測的方法[4?5]、基于形態(tài)學(xué)的方法[6]等。實(shí)踐表明，以上每種方法都有其優(yōu)點(diǎn)和不足之處，例如基于紋理的方法是根據(jù)車牌區(qū)域灰度變化密集的特征利用掃描法和投影法同時(shí)與車牌顏色匹配來實(shí)現(xiàn)車牌定位，克服了單一特征的局限性，但容易受光線干擾；邊緣檢測方法噪聲抑制能力較強(qiáng)，定位準(zhǔn)確率高，但在車牌褪色嚴(yán)重字跡不清的情況下無法檢測到車牌邊緣而導(dǎo)致定位失敗。

字符分割是將車牌區(qū)域中的7個(gè)字符分割為相互獨(dú)立的字符區(qū)域。通常字符分割方法有以下幾種：聚類分析法[7]、垂直投影法[8?9]、模板算法[10]和最大最小優(yōu)化熵法[11]等。但聚類方法中由于漢字包含多個(gè)連通域所以需要重復(fù)的聚類，而垂直投影法受噪聲的影響較大。

本文針對車牌定位與字符分割模塊分別提出了一種新的處理方法，在車牌定位模塊提出了在HSV通道上采用兩次閾值實(shí)現(xiàn)車牌定位的方法，由于在S通道上車牌區(qū)域明顯比其他部位亮，可采用閾值方法獲取，此方法簡單并且節(jié)省時(shí)間。在字符分割模塊提出了漢字分割與連通域相結(jié)合的方法，先將漢字獨(dú)立分割出來，得到它的連通域，再將獨(dú)立的漢字連通域與其他6個(gè)字符的獨(dú)立連通域合并到一個(gè)區(qū)域中，得到一個(gè)包含7個(gè)相互獨(dú)立的字符連通域的區(qū)域。此方法能夠準(zhǔn)確獲取字符信息并解決了聚類方法中需要對漢字重復(fù)聚類的問題。字符識別是先提取分割字符的特征，然后利用已訓(xùn)練好的分類器進(jìn)行分類識別的過程。在字符識別模塊采用的是BP神經(jīng)網(wǎng)絡(luò)識別法。

1 車牌識別系統(tǒng)

車牌識別系統(tǒng)在德國MVTec公司研發(fā)的圖像處理軟件平臺Halcon上實(shí)現(xiàn)，此軟件包含1 000個(gè)以上的獨(dú)立的函數(shù)，已經(jīng)是公認(rèn)的具有最佳效能的機(jī)器視覺軟件[12]。使用Halcon軟件來實(shí)現(xiàn)車牌識別系統(tǒng)的設(shè)計(jì)具有運(yùn)行時(shí)間短、穩(wěn)定性高和實(shí)時(shí)性好等特點(diǎn)。本文車牌識別系統(tǒng)包括圖像采集、車牌粗定位、車牌校正、車牌精確定位、字符分割和字符識別幾部分，如圖1所示。

圖1 車牌識別流程

2 車牌圖像的處理與定位

車牌定位是車牌識別系統(tǒng)的重要一步，首先采集圖像并對圖像進(jìn)行預(yù)處理，包括轉(zhuǎn)換為灰度圖像與HSV圖像、灰度閾值和去噪聲。然后利用S通道圖像閾值，通過區(qū)域特征選擇出車牌候選區(qū)域，再將候選區(qū)域校正，二次閾值定位，從而得到精確的車牌區(qū)域。

2.1 車牌圖像處理

利用Halcon軟件中的算子read_image（）從磁盤中加載已獲取的圖像。而采集到的圖像一般是彩色圖像，需要在車牌識別處理前進(jìn)行預(yù)處理將彩色圖像轉(zhuǎn)化為灰度圖像，原圖像與轉(zhuǎn)化的灰度圖像如圖2所示，轉(zhuǎn)化原理如下：

[fx，y=0.299Rx，y+0.587Gx，y+0.114Bx，y] （1）

式中：[fx，y]表示轉(zhuǎn)化后灰度圖像元素的灰度值；R（x，y）；G（x，y），B（x，y）分別為彩色圖像中每個(gè)元素的紅、綠、藍(lán)的分量值。

在灰度圖像中，由于各種原因車牌區(qū)域與其他區(qū)域的對比度較低，難以實(shí)現(xiàn)車牌區(qū)域的定位。本文采用HSV顏色模式，其中H表示色調(diào)，S表示飽和度，V表示明度，此模式最接近人眼的觀察效果，因此最適合用于圖像處理。

可以看出在S通道上車牌區(qū)域灰度值明顯大于其他區(qū)域（如圖2所示），在轉(zhuǎn)化HSV前需將彩色圖像分為R、G、B三個(gè)獨(dú)立單通道圖像，再將此三個(gè)單通道圖像轉(zhuǎn)化為HSV圖像，基本原理如下：

[V=maxR，G，B] （2）

[S=Max-MinMax] （3）

[H=G-BMax-Min×60，R=Max2+B-RMax-Min×60，G=Max4+R-GMax-Min×60，B=Max0， Max=Min] （4）

式中：[Min=minR，G，B]，[Max=maxR，G，B]。

對S通道圖像閾值，再進(jìn)行去噪處理可以得到比較干凈的車牌區(qū)域，處理后效果如圖2所示。

圖2 原圖與部分處理后圖像

2.2 車牌粗定位

圖像預(yù)處理后可得到比較干凈準(zhǔn)確的車牌候選區(qū)（見圖3），車牌第一次定位方法如下：

（1） 利用區(qū)域面積特征和Halcon中的select_shape_

std（）算子選擇出車牌候選區(qū)域。

（2） 在鉚釘區(qū)域的影響下，車牌區(qū)域有時(shí)會出現(xiàn)字符孤立的情況，需對車牌區(qū)域進(jìn)行膨脹處理，然后進(jìn)行填充。膨脹是將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過程，它可以橋接裂縫。此處可運(yùn)用膨脹算子dilation_circle（），膨脹半徑選擇為3.5。膨脹的定義為：

[A⊕B=z（B∧）Z?A≠?] （5）

此式表示B對A的膨脹，式中A和B是Z2中的集合。

（3） 利用算子get_region_points（）獲取車牌區(qū)域的行列，取得最大行列值和最小行列值，即可確定出一個(gè)包含車牌區(qū)域的矩形region。

（4） 通過獲取的矩形region在灰度圖片中分割出與此矩形區(qū)域大小位置一致包含車牌的圖像，即車牌候選區(qū)，可用算子 reduce_domain（）和crop_domain（）實(shí)現(xiàn)。

2.3 車牌校正

在采集圖像時(shí)車牌傾斜幾乎是不可避免的，為了不影響字符分割，需要對傾斜車牌進(jìn)行校正，可通過以下幾步對車牌進(jìn)行校正：

（1） 對粗定位后獲取的車牌圖像進(jìn)行灰度閾值；

（2） 連接連通域，由連通域的不同特征選擇出車牌上的字符區(qū)域；

（3） 將各個(gè)獨(dú)立的字符連通域合并為一個(gè)連通域；

（4） 采用求連通域外接橢圓角度的方法，求得傾斜弧度[θ]（外接橢圓長半軸與水平x軸的夾角）。其示意圖如圖4所示。

圖3 車牌粗定位處理過程示意圖

圖4 外接橢圓角度示意圖

求外接橢圓傾斜角度[θ]的公式如下：

[θ=-0.5arctan22M11，M02-M20] （6）

式中：[θ]的取值范圍為：[-π2，π2]；M20為二階行矩，M02為二階列矩。

（5） 可用圖像旋轉(zhuǎn)算子rotate_image（）將傾斜車牌圖像旋轉(zhuǎn)[-θ]弧度，即可校正，因此算子的旋轉(zhuǎn)量為角度，所以應(yīng)先將弧度[θ]換算為角度，如圖5所示。

圖5 車牌校正過程示意圖

2.4 車牌精確定位

校正后的圖像中還有大量多余區(qū)域，需要對車牌進(jìn)行第二次定位，此次定位與第一次定位相似，仍然采用灰度閾值的方法。首先，對校正后的圖像灰度閾值，進(jìn)行區(qū)域連通獲得各個(gè)獨(dú)立的連通域；其次，利用區(qū)域面積特征選擇出字符區(qū)域，將字符區(qū)域合并為一個(gè)區(qū)域；然后，由獲取的區(qū)域行列值畫出一個(gè)比較精確的車牌字符矩形區(qū)域；最后，分割出精確的車牌字符區(qū)域圖像，如圖6所示。

圖6 精確定位過程示意圖

3 字符分割

我國車牌第一個(gè)字符為漢字，其他字符均為字母和數(shù)字，由于漢字一般由幾個(gè)連通域組成，無法對漢字直接使用連通域法，所以本文字符分割采用的是漢字分割與字符連通域法相結(jié)合的方法（見圖7），此算法簡單快捷，而且準(zhǔn)確率高，可通過以下步驟實(shí)現(xiàn)：

（1） 第二個(gè)字符和第三個(gè)字符之間的距離較接近一個(gè)字符的寬度，所以將車牌區(qū)域分割為8個(gè)大小相同的矩形，可以將漢字無信息丟失的分割出來，分割矩形寬度計(jì)算方法：獲取精確定位后車牌圖像的寬Width，分割寬度[d=Width8]。

（2） 對車牌圖像和分割出的漢字圖像進(jìn)行灰度閾值，分別得到包含車牌所有字符區(qū)域region1和漢字連通區(qū)域region2。region1中包含了漢字區(qū)域，需將漢字區(qū)域剪切掉，得到字母與數(shù)字區(qū)域region3，再進(jìn)行連通域連接，則可獲取包含所有字母和數(shù)字相互獨(dú)立連通域的區(qū)域region4。在region4中還含有車牌圓點(diǎn)的區(qū)域，通過區(qū)域面積特征將所需要的字符區(qū)域篩選出來得到只含有字母和數(shù)字的區(qū)域region5。

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個(gè)字符區(qū)域都是各自獨(dú)立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的識別算法，將提取到的字符特征輸入到一個(gè)三層神經(jīng)網(wǎng)絡(luò)OCR分類器中進(jìn)行分類識別?；贖alcon軟件的強(qiáng)大功能，本系統(tǒng)中只訓(xùn)練了一個(gè)分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡(luò)采用的是誤差反向后傳學(xué)習(xí)算法，包含了信息的正向傳播和誤差的反向傳播兩個(gè)學(xué)習(xí)過程。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，結(jié)構(gòu)圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點(diǎn)，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點(diǎn)，得到最終結(jié)果。當(dāng)輸出與期望輸出不一致時(shí)，轉(zhuǎn)入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權(quán)值，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練使誤差達(dá)到最小。

圖8 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

進(jìn)行分類器訓(xùn)練時(shí)，首先用算子append_ocr_trainf（）訓(xùn)練OCR樣本文件，將訓(xùn)練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個(gè)算子來實(shí)現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層和輸出層，共三層。

對訓(xùn)練字符提取了8×10個(gè)特征，所以輸入神經(jīng)元為80個(gè)，隱含層神經(jīng)元個(gè)數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實(shí)驗(yàn)測得當(dāng)隱含層神經(jīng)元取162個(gè)時(shí)效果最好。輸出神經(jīng)元的個(gè)數(shù)可由式（7）來計(jì)算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個(gè)數(shù)；N為待識別字符的個(gè)數(shù)。

然后，對已得到的各個(gè)獨(dú)立的字符連通域提取特征并分類識別，此處由Halcon實(shí)現(xiàn)：

（1） 從磁盤中調(diào)出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實(shí)現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個(gè)字符區(qū)域提取特征進(jìn)行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結(jié)果顯示

5 結(jié) 語

本文利用機(jī)器視覺Halcon軟件對使用同一個(gè)相機(jī)隨機(jī)采集的多幅不同背景的車牌圖像進(jìn)行了識別測試，識別正確率達(dá)到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實(shí)驗(yàn)驗(yàn)證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時(shí)也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結(jié)合的方法，此方法只需將漢字分割出來，無需精確計(jì)算每個(gè)字符的寬度，為字符分割模塊減少了計(jì)算量。

參考文獻(xiàn)

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計(jì)算機(jī)工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學(xué)報(bào)，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報(bào)，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計(jì)算機(jī)應(yīng)用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實(shí)現(xiàn)[J].計(jì)算機(jī)工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計(jì)算機(jī)與應(yīng)用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學(xué)與計(jì)算機(jī)，2011，28（12）：184?187.

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個(gè)字符區(qū)域都是各自獨(dú)立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的識別算法，將提取到的字符特征輸入到一個(gè)三層神經(jīng)網(wǎng)絡(luò)OCR分類器中進(jìn)行分類識別。基于Halcon軟件的強(qiáng)大功能，本系統(tǒng)中只訓(xùn)練了一個(gè)分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡(luò)采用的是誤差反向后傳學(xué)習(xí)算法，包含了信息的正向傳播和誤差的反向傳播兩個(gè)學(xué)習(xí)過程。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，結(jié)構(gòu)圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點(diǎn)，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點(diǎn)，得到最終結(jié)果。當(dāng)輸出與期望輸出不一致時(shí)，轉(zhuǎn)入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權(quán)值，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練使誤差達(dá)到最小。

圖8 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

進(jìn)行分類器訓(xùn)練時(shí)，首先用算子append_ocr_trainf（）訓(xùn)練OCR樣本文件，將訓(xùn)練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個(gè)算子來實(shí)現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層和輸出層，共三層。

對訓(xùn)練字符提取了8×10個(gè)特征，所以輸入神經(jīng)元為80個(gè)，隱含層神經(jīng)元個(gè)數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實(shí)驗(yàn)測得當(dāng)隱含層神經(jīng)元取162個(gè)時(shí)效果最好。輸出神經(jīng)元的個(gè)數(shù)可由式（7）來計(jì)算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個(gè)數(shù)；N為待識別字符的個(gè)數(shù)。

然后，對已得到的各個(gè)獨(dú)立的字符連通域提取特征并分類識別，此處由Halcon實(shí)現(xiàn)：

（1） 從磁盤中調(diào)出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實(shí)現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個(gè)字符區(qū)域提取特征進(jìn)行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結(jié)果顯示

5 結(jié) 語

本文利用機(jī)器視覺Halcon軟件對使用同一個(gè)相機(jī)隨機(jī)采集的多幅不同背景的車牌圖像進(jìn)行了識別測試，識別正確率達(dá)到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實(shí)驗(yàn)驗(yàn)證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時(shí)也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結(jié)合的方法，此方法只需將漢字分割出來，無需精確計(jì)算每個(gè)字符的寬度，為字符分割模塊減少了計(jì)算量。

參考文獻(xiàn)

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計(jì)算機(jī)工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學(xué)報(bào)，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報(bào)，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計(jì)算機(jī)應(yīng)用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實(shí)現(xiàn)[J].計(jì)算機(jī)工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計(jì)算機(jī)與應(yīng)用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學(xué)與計(jì)算機(jī)，2011，28（12）：184?187.

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個(gè)字符區(qū)域都是各自獨(dú)立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的識別算法，將提取到的字符特征輸入到一個(gè)三層神經(jīng)網(wǎng)絡(luò)OCR分類器中進(jìn)行分類識別?；贖alcon軟件的強(qiáng)大功能，本系統(tǒng)中只訓(xùn)練了一個(gè)分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡(luò)采用的是誤差反向后傳學(xué)習(xí)算法，包含了信息的正向傳播和誤差的反向傳播兩個(gè)學(xué)習(xí)過程。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱層和輸出層組成，結(jié)構(gòu)圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點(diǎn)，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點(diǎn)，得到最終結(jié)果。當(dāng)輸出與期望輸出不一致時(shí)，轉(zhuǎn)入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權(quán)值，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練使誤差達(dá)到最小。

圖8 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

進(jìn)行分類器訓(xùn)練時(shí)，首先用算子append_ocr_trainf（）訓(xùn)練OCR樣本文件，將訓(xùn)練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個(gè)算子來實(shí)現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡(luò)包括：輸入層、隱含層和輸出層，共三層。

對訓(xùn)練字符提取了8×10個(gè)特征，所以輸入神經(jīng)元為80個(gè)，隱含層神經(jīng)元個(gè)數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實(shí)驗(yàn)測得當(dāng)隱含層神經(jīng)元取162個(gè)時(shí)效果最好。輸出神經(jīng)元的個(gè)數(shù)可由式（7）來計(jì)算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個(gè)數(shù)；N為待識別字符的個(gè)數(shù)。

然后，對已得到的各個(gè)獨(dú)立的字符連通域提取特征并分類識別，此處由Halcon實(shí)現(xiàn)：

（1） 從磁盤中調(diào)出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實(shí)現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個(gè)字符區(qū)域提取特征進(jìn)行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結(jié)果顯示

5 結(jié) 語

本文利用機(jī)器視覺Halcon軟件對使用同一個(gè)相機(jī)隨機(jī)采集的多幅不同背景的車牌圖像進(jìn)行了識別測試，識別正確率達(dá)到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實(shí)驗(yàn)驗(yàn)證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時(shí)也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結(jié)合的方法，此方法只需將漢字分割出來，無需精確計(jì)算每個(gè)字符的寬度，為字符分割模塊減少了計(jì)算量。

參考文獻(xiàn)

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計(jì)算機(jī)工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學(xué)報(bào)，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報(bào)，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計(jì)算機(jī)應(yīng)用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實(shí)現(xiàn)[J].計(jì)算機(jī)工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計(jì)算機(jī)與應(yīng)用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學(xué)與計(jì)算機(jī)，2011，28（12）：184?187.