摘要：在車牌識(shí)別系統(tǒng)中，主要包括車牌定位、字符分割和字符識(shí)別，其中車牌定位是非常關(guān)鍵的技術(shù)之一，是否精確定位車牌直接影響后階段車牌圖像處理的質(zhì)量和處理速度、字符識(shí)別的精度和速度。文章提出了基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌定位算法，此算法具有較高的定位率，能對(duì)各種底色車牌進(jìn)行定位，有利于后面的字符分割和識(shí)別。

關(guān)鍵詞：車牌定位；脈沖神經(jīng)網(wǎng)絡(luò)（SNN）；邊緣檢測(cè)；車牌定位；字符分割；字符識(shí)別 文獻(xiàn)標(biāo)識(shí)碼：A

中圖分類號(hào)：TP391 文章編號(hào)：1009-2374（2016）32-0013-02 DOI：10.13535/j.cnki.11-4406/n.2016.32.006

現(xiàn)在車牌定位已經(jīng)提出了很多方法，其中經(jīng)常用到的是基于黑白圖像定位、基于顏色特征算法和基于車牌邊緣檢測(cè)算法。大多數(shù)算法都是基于單一特征來進(jìn)行車牌定位提取，這樣的定位方法在確定車牌區(qū)域上存在著明顯的局限性，受到特定條件的限制。車牌區(qū)域主要有以下特征：顏色特征、幾何特征、位置特征、紋理特征、灰度跳變特征、投影特征和頻譜特征等。車牌和字符的顏色共有五種組合分別為：藍(lán)底白字、黃底黑字、白底黑字、黑底白字以及白底紅字，其中一些小型和大型車輛的牌照底色會(huì)跟著省份的變化而略有不同。本文綜合分析車牌的特征，提出了基于脈沖神經(jīng)網(wǎng)絡(luò)顏色特征提取的車牌粗定位和基于脈沖神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)的精確定位。

1 算法描述及流程

首先輸入拍攝的彩色車牌圖像，利用SNN對(duì)車牌圖像進(jìn)行顏色特征提取，接著經(jīng)過一系列處理實(shí)現(xiàn)車牌的粗定位，然后運(yùn)用灰度化、邊緣檢測(cè)、形態(tài)學(xué)處理和二值化等技術(shù)對(duì)粗定位車牌進(jìn)行處理，再采用行列掃描投影法進(jìn)行精確定位，最終提取出正確的車牌區(qū)域，其中的邊緣檢測(cè)也是基于SNN?；赟NN的車牌定位流程如圖1所示：

2 車牌的粗定位

以藍(lán)色為例，上述算法的具體步驟如下：（1）輸入彩色車牌圖像；（2）將三幅成分圖、和中的每個(gè)像素轉(zhuǎn)換為脈沖序列；（3）計(jì)算其脈沖序列的放電頻數(shù)，分別用維數(shù)為的數(shù)組、和來存儲(chǔ)；（4）將三個(gè)像素閾值、、轉(zhuǎn)換為脈沖序列，并計(jì)算其放電頻數(shù)，分別用、和來存儲(chǔ)；（5）判斷是否滿足、、，如果滿足的話，令，否則令。

如果，則在坐標(biāo)處的像素為藍(lán)色。其他顏色原理相同。

3 車牌的精確定位

本文主要基于感受野和脈沖神經(jīng)元來檢測(cè)車牌圖像的邊緣，其網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。該網(wǎng)絡(luò)有三層：第一層為光感輸入層；第二層為中間層，四個(gè)并行神經(jīng)元矩陣、、、對(duì)應(yīng)四種不同的感受野，為了簡(jiǎn)化只畫出了每個(gè)矩陣中的一個(gè)神經(jīng)元。在突觸連接中的“X”代表興奮性突觸，“△”代表抑制性突觸，中間層通過不同的權(quán)重矩陣連接光感輸入層，分別執(zhí)行上、下、左、右邊緣的檢測(cè)，這些權(quán)重矩陣能改變圖像中不同尺寸感受野的大?。坏谌龑訛檩敵鰧?，其中每一個(gè)神經(jīng)元累加來自第二層對(duì)應(yīng)四個(gè)并行神經(jīng)元矩陣的輸出。通過繪制輸出層的脈沖頻率圖，能得到對(duì)應(yīng)于輸入圖像的邊緣圖。本文主要介紹神經(jīng)元通過權(quán)重矩陣連接到光感輸入層的感受野，其響應(yīng)了感受野的右邊緣。此脈沖神經(jīng)網(wǎng)絡(luò)檢測(cè)右邊緣的原理如下：

如果一個(gè)灰度均勻圖像位于該感受野中時(shí)，產(chǎn)生一個(gè)均勻的脈沖的輸出，膜電勢(shì)不會(huì)變化，不會(huì)有脈沖序列產(chǎn)生；如果一個(gè)邊緣明確的圖像位于感受野中，感受野的左半部分產(chǎn)生一個(gè)較強(qiáng)的信號(hào)，右半部分產(chǎn)生一個(gè)符號(hào)相反的較弱的信號(hào)，由于左半部分興奮信號(hào)沒有被右半部抑制信號(hào)抵消，因此膜電勢(shì)上升得很快，最終產(chǎn)生響應(yīng)右邊緣的脈沖序列。突觸權(quán)重矩陣相當(dāng)于在感受野內(nèi)檢測(cè)邊緣的一個(gè)濾波器，其他三個(gè)邊緣原理相同。輸出層神經(jīng)元累積來自中間層的四個(gè)神經(jīng)元矩陣的輸出，然后響應(yīng)位于感受野任意方向的邊緣。

如圖4所示，通過與canny邊緣檢測(cè)和sobel邊緣檢測(cè)對(duì)比，可知sobel邊緣檢測(cè)結(jié)果缺失了部分邊緣，canny邊緣檢測(cè)能力很強(qiáng)，但是提取了很多無用的邊緣，然而SNN邊緣檢測(cè)結(jié)果最好，彌補(bǔ)了兩者的缺點(diǎn)。

4 實(shí)驗(yàn)結(jié)果及分析

使用Visual C++ 2012開發(fā)工具搭建此算法的軟件實(shí)驗(yàn)平臺(tái)，共收集了樣本400張（全國(guó)各個(gè)省份的車牌），并且針對(duì)各種底色車牌逐一進(jìn)行提取，有366張可以成功定位，定位率達(dá)到91.5%。從以上實(shí)驗(yàn)結(jié)果可知該算法能達(dá)到很好的定位效果。

5 結(jié)語

本文主要介紹了基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌定位算法，分別從車牌粗定位和精確定位兩方面進(jìn)行了系統(tǒng)的分析，綜合運(yùn)用了圖像處理中的灰度化處理、邊緣檢測(cè)、二值化等技術(shù)對(duì)車牌圖像進(jìn)行分析和處理，充分利用車牌顏色和紋理等特征對(duì)車牌進(jìn)行提取。由于客觀條件和時(shí)間的限制，本文的研究還存在很多不足，有很多方面需要進(jìn)一步提高。

參考文獻(xiàn)

[1] 孫杰.車牌定位分割技術(shù)的研究與實(shí)現(xiàn)[D].東北電力大學(xué)，2007.

[2] 張燕，任安虎.多特征與BP神經(jīng)網(wǎng)絡(luò)車牌識(shí)別系統(tǒng)研究[J].科學(xué)技術(shù)與工程，2012，（22）.

[3] 陳麗娟.基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].福建師范大學(xué)，2015.

[4] QingXiang Wu，Martin McGinnity，Liam Maguire，Ammar Belatreche，Brendan Glackin.Edge Detection Based on Spiking Neural Network Model[J].Third International Conference on Intelligent Computing，ICIC 2007.

[5] 陳浩.基于脈沖神經(jīng)網(wǎng)絡(luò)模型的車輛車型識(shí)別研究[D].福建師范大學(xué)，2011.

基金項(xiàng)目：福建省中青年教師教育科研項(xiàng)目（項(xiàng)目編號(hào)：JAT160680）。

作者簡(jiǎn)介：陳麗娟（1990-），女，福建龍海人，福建農(nóng)林大學(xué)東方學(xué)院助教，碩士，研究方向：圖像處理和計(jì)算機(jī)視覺。

（責(zé)任編輯：黃銀芳）