鐘彩++趙武初+楊興耀

摘要：車牌圖像預(yù)處理能夠減少不必要的信息，實(shí)現(xiàn)對(duì)有效信息的保留和恢復(fù)，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的簡化處理，充分發(fā)揮出圖像定位算法的性能。經(jīng)過預(yù)處理后的車牌圖像定位，是從含有車牌的復(fù)雜背景圖像中提取車牌區(qū)域，本文提出一種神經(jīng)網(wǎng)絡(luò)算法的定位方法，通過實(shí)驗(yàn)，該方法能有效地對(duì)車牌進(jìn)行精確的定位，到達(dá)預(yù)期效果。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；車牌圖像；定位算法

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）14-0177-02

1引言

車牌定位就是指將車牌區(qū)域從復(fù)雜的汽車圖像背景中分割出來，是實(shí)現(xiàn)交通管理智能化的關(guān)鍵技術(shù)之一，其車牌的快速、準(zhǔn)確定位是車牌識(shí)別系統(tǒng)中的核心問題，直接關(guān)系到識(shí)別的成敗。現(xiàn)階段，國內(nèi)外比較有名的汽車拍照識(shí)別技術(shù)有IC卡識(shí)別技術(shù)、條形碼技術(shù)、人工神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)等。這幾種技術(shù)具有適應(yīng)性強(qiáng)、組織性強(qiáng)、識(shí)別功能強(qiáng)、抗干擾性強(qiáng)的特點(diǎn)，被人們廣泛地應(yīng)用在各個(gè)領(lǐng)域。

我國汽車車牌圖像特點(diǎn)具體體現(xiàn)在以下幾方面：第一，機(jī)動(dòng)車的前方車牌一般會(huì)被安裝在車輛前段的中間或者右邊，后方車牌一般被安裝在車輛的中間或者右邊。需要注意的是車牌的安裝要進(jìn)行良好的固定處理，并要盡可能地保持水平安裝，對(duì)于縱向安裝的不能出現(xiàn)倒置的情況，也不能讓任何東西蓋住安裝。第二，車牌的標(biāo)準(zhǔn)格式一般由七個(gè)字符組成，第一個(gè)字符代表省市、自治區(qū)和直轄市，第二個(gè)字符是英文。第三個(gè)字符是英文字母或阿拉伯?dāng)?shù)字，第四到第七是阿拉伯?dāng)?shù)字。第三，車輛拍照區(qū)域中底色與字符顏色對(duì)比大，且在字符與底色交界處有較大的灰度值跳變，第四，拍照的長寬對(duì)比約3：1

為了有效減少交通應(yīng)急和交通事故的發(fā)生，需要有關(guān)人員解決車輛的智能管理問題，加強(qiáng)對(duì)車輛牌照問題的研究。在這個(gè)過程中，車牌智能識(shí)別技術(shù)發(fā)揮出了自身總要的作用和價(jià)值意義。為了準(zhǔn)確的定位車牌圖像，現(xiàn)階段常用的方法主要是水平線的搜索定位方法、掃描行的車牌提取算法、自適應(yīng)邊界搜索算法的定位算法，本文提出基于神經(jīng)網(wǎng)絡(luò)的定位算法，通過實(shí)驗(yàn)，該方法定位準(zhǔn)確、速度快、誤檢率、漏檢率高，能達(dá)到預(yù)期的效果。

2 神經(jīng)網(wǎng)絡(luò)算法

2.1 神經(jīng)網(wǎng)絡(luò)原理

隨著神經(jīng)網(wǎng)絡(luò)理論研究的深入及其在計(jì)算機(jī)視覺、醫(yī)學(xué)圖像配準(zhǔn)、航空攝影測量和飛行器匹配等領(lǐng)域廣泛應(yīng)用，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像匹配的方法研究一直深受研究人員廣泛關(guān)注和高度重視。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單，算法成熟，且具有精確的尋優(yōu)等優(yōu)點(diǎn)，因此利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像匹配是當(dāng)前研究的一個(gè)重點(diǎn)，但標(biāo)準(zhǔn)算法具有易陷入局部極小、收斂速度慢等缺點(diǎn)，遺傳算法具有很強(qiáng)的宏觀搜索能力，并具有簡單通用、魯棒性強(qiáng)、并行運(yùn)算的特點(diǎn)，所以用它來完成當(dāng)前搜索能較好的克服神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，基于在圖像匹配中遇到的實(shí)際問題和對(duì)神經(jīng)網(wǎng)絡(luò)算法的分析，本文提出了基于遺傳算法和神經(jīng)網(wǎng)絡(luò)圖像匹配算法，對(duì)車牌圖像進(jìn)行定位研究。神經(jīng)網(wǎng)絡(luò)主要是指對(duì)整理搜集到的樣本車牌圖像進(jìn)行訓(xùn)練，在訓(xùn)練之后做好與之相對(duì)應(yīng)的處理，最終利用訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來提取有關(guān)車牌區(qū)域。這種方法的計(jì)算量很大，但是具有很高的準(zhǔn)確率，且擁有良好的適應(yīng)能力，減少網(wǎng)絡(luò)局限對(duì)信息處理的影響。在一般情況下，神經(jīng)網(wǎng)絡(luò)是由常規(guī)線性排列成祖，每一個(gè)處理單元都具有很多的輸入量，且每一個(gè)輸入量之間都會(huì)對(duì)應(yīng)一個(gè)相互關(guān)聯(lián)的權(quán)重，在單元處理的過程中能夠?qū)⑤斎肓啃畔⒃诩庸ぶ髠魉偷较乱粚酉到y(tǒng)神經(jīng)元中?，F(xiàn)階段，關(guān)于神經(jīng)元模式，有關(guān)人員提出了很多種，其中最大的是Pitts在分析總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出的M-P模型，它是大多數(shù)神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)，如下圖所示。

[Yj（t）=f（i=1nwjixi-θj）] （1）

式（1）中，Yj是神經(jīng)元單元的偏置（閾值），[wji]是連接權(quán)的有關(guān)系數(shù)（對(duì)于激發(fā)狀態(tài)，[wji]取正值，對(duì)于抑制狀態(tài)，[wji]取負(fù)值），n為輸入信號(hào)數(shù)目，[Yj]為神經(jīng)元輸出，t為時(shí)間，f（）為輸出變換函數(shù)，這種變換函數(shù)的應(yīng)用往往采用0和1二值函數(shù)或S形函數(shù)。

2.2遺傳算法

遺傳算法主要是一種解決問題的最優(yōu)化方法，主要是在生物遺傳技術(shù)和自然選擇基礎(chǔ)上發(fā)展起來的。隨著社會(huì)的進(jìn)步和科技的發(fā)展，人們 對(duì)遺傳算法的研究進(jìn)一步加強(qiáng)，設(shè)計(jì)的領(lǐng)域范圍不斷拓展，具體包括如機(jī)器學(xué)習(xí)、模式識(shí)別、圖像處理、神經(jīng)網(wǎng)絡(luò)等方面，遺傳算法的特點(diǎn)具體體現(xiàn)在以下幾個(gè)方面：第一，從問題的解集開始進(jìn)行搜索處理是對(duì)原有生物進(jìn)化過程的一種抽象，，而不是從某一個(gè)單個(gè)解開始；第二，遺傳算法求解過程中所應(yīng)用特定問題的信息較少，很容易形成一種通用的算法程序；第三，遺傳算法體現(xiàn)很強(qiáng)的容納力；迪迪，遺傳算法能夠?qū)崿F(xiàn)隨機(jī)的選擇和操作，不受各種條件和規(guī)定的約束；第四，遺傳算法具有并行性的 特點(diǎn)。文章重點(diǎn)將遺傳算法應(yīng)用在車牌定位中，利用這種搜索算法獲得良好的車牌定位效果。

2.3神經(jīng)網(wǎng)絡(luò)算法過程

神經(jīng)網(wǎng)絡(luò)算法過程具體體現(xiàn)在以下幾方面：第一，能夠?yàn)檐嚺浦械臐h子收集到七個(gè)到八個(gè)的訓(xùn)練樣本。其中，每個(gè)樣本大概有兩部分組成，包括輸入信息和期望值的輸出結(jié)果等。第二，從各個(gè)訓(xùn)練樣本中選取一個(gè)樣本例子，將具體的輸入信息輸入到相關(guān)網(wǎng)絡(luò)中；第三，對(duì)神經(jīng)元處理之后得到的信息計(jì)算后輸出；第四，對(duì)實(shí)際輸出誤差和期望輸出誤差進(jìn)行計(jì)算；第五，從輸出層的反向計(jì)算，慢慢滲透在相關(guān)的隱層中，并按照一定的誤差縮小原則，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)中各個(gè)神經(jīng)元連接的調(diào)整和有效取值。第六，對(duì)每一個(gè)訓(xùn)練樣本集的每一個(gè)樣例反復(fù)重復(fù)第三點(diǎn)和第五點(diǎn)的步驟，直到對(duì)整個(gè)訓(xùn)練樣本集的誤差達(dá)到要求為止。

這種算法在訓(xùn)練自適應(yīng)增強(qiáng)算法的支持下能夠?qū)崿F(xiàn)對(duì)車牌的充分檢測，進(jìn)而尋找出有效的車牌信息，并在形態(tài)學(xué)的辦法支持下提取重要的對(duì)比特征，這些對(duì)比特征能夠總結(jié)出在不同光照變化下神經(jīng)網(wǎng)絡(luò)也具有很強(qiáng)的應(yīng)用性能，具體的實(shí)驗(yàn)結(jié)果分析如下所示：

3 實(shí)驗(yàn)結(jié)果分析

根據(jù)車牌的紋理特征能夠發(fā)現(xiàn)，在任何一條掃描線上，都會(huì)出現(xiàn)筆畫和背景膠體出現(xiàn)的情況，呈現(xiàn)了一種灰度截面上的峰谷交替特征，通過對(duì)每條掃描線上顯著峰谷位置的檢測，能夠?qū)崿F(xiàn)對(duì)所有掃描線的峰谷的綜合，進(jìn)而得到可能的車牌區(qū)域。具體方法包括兩種：第一，在局部的小窗口上來對(duì)其邊緣密度信息進(jìn)行計(jì)算，并在密度值較高的小窗口上取出相關(guān)的形成區(qū)域，通過對(duì)區(qū)域形狀的分析來獲得有關(guān)車牌信息，另一種方法是對(duì)原始圖像進(jìn)行中值濾波等降噪處理，通過對(duì)具有代表性區(qū)域的確定和 分析來確定字符的候選區(qū)，從而確定車牌的候選區(qū)。本實(shí)驗(yàn)圖像庫中共有120幅圖（640個(gè)樣本），其中80幅作為訓(xùn)練集（420個(gè)樣本）；40幅圖作為測試集（220個(gè)樣本）。

本文在MATLAB環(huán)境下運(yùn)行，達(dá)到了預(yù)期的效果。由實(shí)驗(yàn)可知，圖（A）是白天拍攝的原始圖，圖（B）夜晚拍攝的原始圖像，（C）、（D）為神經(jīng)網(wǎng)絡(luò)算法定位后的圖像。，由實(shí)驗(yàn)可知，因?yàn)楣庹盏挠绊懀诎迪萝嚺贫ㄎ淮嬖谀：磺宓默F(xiàn)象。

參考文獻(xiàn)：

[1]丁偉.改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車牌識(shí)別中的應(yīng)用[J].計(jì)算機(jī)仿真，2011（8）.

[2]趙先軍.基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)研究[J].西安電子科技大學(xué)，2014（8）.

[3]范春梅.車牌識(shí)別算法的研究與實(shí)現(xiàn)[J].五邑大學(xué)，2013（10）.

[4]王智文.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別研究[J].廣西工學(xué)院，2012（3）.

[5]王潤民.基于小波和神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)研究[J].湖南師范大學(xué)，2014（3）.

[6]劉栓，孟慶春.基于遺傳和BP算法的車牌圖像快速匹配[J].2015（4）.

[7]陳林翔.基于遺傳算法的車牌識(shí)別技術(shù)的研究及應(yīng)用[J].河海大學(xué)，2014（8）.