鹿琛,王姍珊

1.山西大學(xué)計算機與信息技術(shù)學(xué)院,山西太原030006

2.同盛實驗中學(xué),山西臨汾041000

基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法

鹿琛1*,王姍珊2

1.山西大學(xué)計算機與信息技術(shù)學(xué)院,山西太原030006

2.同盛實驗中學(xué),山西臨汾041000

基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法，是以BP神經(jīng)網(wǎng)絡(luò)為工具，使用圖像的灰度特征及四角特征作為輸入，實現(xiàn)對于字符的準確識別。相較于前人的特征提取方法，這種方法更適用于相似字符的識別。同時，使用Matlab提供的并行方法可以明顯提升整幅車牌圖像的識別效率。實驗表明，對于相似字符的識別精度和整張車牌的識別速率方面,這種方法都具有更好的效果。

字符識別;特征提取;并行識別;BP神經(jīng)網(wǎng)絡(luò)

車輛牌照，作為車輛的“身份證”，是交通系統(tǒng)中識別車輛信息的重要工具。隨著時代的發(fā)展，現(xiàn)代交通系統(tǒng)，例如高速公路、城市交通設(shè)施（交通信號燈、車速檢測器等）、大型停車場以及居民小區(qū)都需要對車輛的牌照進行識別和記錄。而私家車數(shù)量的與日俱增，使得曾經(jīng)依靠人工完成的車牌信息識別、記錄因其勞動強度大、工作效率低等劣勢很難達到當今社會對于高質(zhì)量、高效率的要求。因此，車牌字符的自動識別日益受到重視。車牌識別是智能交通系統(tǒng)（Intelligent Transportation System,ITS）的重要組成部分[1]。一個典型的車輛牌照自動識別（License Plate Recognition,LPR）系統(tǒng)主要包括視頻圖像采集、圖像預(yù)處理、車牌定位、車牌校正、字符分割、車牌字符識別、數(shù)據(jù)庫管理系統(tǒng)等工作模塊[2]。本文主要討論在車牌成功定位、分割后，對單個車牌字符圖片的識別技術(shù)。

目前字符識別主要有模板匹配[3,4]和字符特征[5,6]兩大類。模板匹配的方法簡單且有較高的識別率，但在光照不均和車牌傾斜、污損等條件下，字符常出現(xiàn)形變、粘連等問題[7]，使車牌字符識別的正確率降低。字符特征提取有小波矩特征、網(wǎng)格特征等方法。這些特征提取方法中，對于相似字符的識別能力不是很強[8]。于是車牌字符多特征提取與BP神經(jīng)網(wǎng)絡(luò)的識別算法被廣泛使用。但在現(xiàn)有的識別方法中[9]仍存在相似字符誤識、識別效率較低的問題，本文提出了一種新的特征提取方法，對于相似字符，比如“0”和“Q”，“0”和“D”，“8”和“B”等有更好的區(qū)分能力。并提出了在Matlab實驗環(huán)境下，使用分布式并行處理的方法，以提升對整張車牌的識別效率。

1 BP神經(jīng)網(wǎng)絡(luò)簡介

前向反饋（Error back propagation,BP）網(wǎng)絡(luò)是指基于誤差反向傳播算法（BP算法）的多層前向神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)的神經(jīng)元之間使用的傳遞函數(shù)一般是Sigmoid型非線性可微函數(shù)[11]。公式（1）即為Sigmoid函數(shù)的數(shù)學(xué)表達式：

BP網(wǎng)絡(luò)[6]通常由輸入層、隱含層、輸出層構(gòu)成，相鄰層之間的神經(jīng)元全部互連，同層內(nèi)的神經(jīng)元不連接。圖1所示為一個擁有3個輸入節(jié)點、3個輸出結(jié)點和4個隱含層結(jié)點的3層BP網(wǎng)絡(luò)。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 The structure of BPneural network

2 特征提取

特征是從原始數(shù)據(jù)中提取出來的與分類最相關(guān)的信息，這些信息使得類內(nèi)方差最小化、類間方差最大化[10]。在基于BP神經(jīng)網(wǎng)絡(luò)的識別方法中，特征的提取至關(guān)重要，基本上決定了識別的正確率。本文選取圖像的灰度特征和四角特征相結(jié)合對字符進行識別。

灰度特征是判斷每個字符的基本特征。將字符歸一化為12×12的象素點陣圖，按每個象素位為0或1形成網(wǎng)絡(luò)的144個灰度特征。

其次，對于相似的字符，比如“B”和“8”、“0”和“D”、“0”和“Q”，本文提出四角特征法，在灰度特征的基礎(chǔ)上對其區(qū)分。具體方法如下：

（1）將歸一化后的象素點陣圖按象素分為12行12列；

圖2 “0”和“Q”的四角特征選取方法Fig.2 Method of selection for quadrangle trait between 0 and Q

（2）從左上頂點出發(fā)，沿主對角線方向進行掃描，計算圖像左上頂點到第一個黑色像素點的長度（即像素點數(shù)目）；

（3）依據(jù)同樣的方法計算右上、左下、右下頂點到第一個黑色像素點的長度。

這種方法不僅可以嚴格地區(qū)分“B”和“8”的區(qū)別，更能彌補前人方法[10]中對于“Q”和“0”識別效果不佳的問題。圖2所示為字符“0”和“Q”的四角特征的提取過程。箭頭方向表示掃描的方向。箭頭穿過的值為“1”的像素點個數(shù)即為端點到第一個黑色像素點的長度。

經(jīng)過四角特征的提取，可以得到“0”“D”“Q”“8”“B”的四角特征向量如下：

3 字符識別

中國的車輛牌照一般由七位數(shù)字組成，第一位數(shù)字為漢字，表示車輛所屬的省份名。漢字后面的字符是由英文字母和阿拉伯數(shù)字組成。本實驗需判定的漢字字符為31個，非字字符為34個。為了減少單個網(wǎng)絡(luò)的處理量，在本方法中，使用兩個BP神經(jīng)網(wǎng)絡(luò)分別用以處理漢字部分和字母數(shù)字混合部分。

3.1 輸入向量的設(shè)計

兩個神經(jīng)網(wǎng)絡(luò)均選取每一個字符圖像的灰度特征和四角特征構(gòu)造特征矢量，構(gòu)造方法如下：

（1）對于灰度特征，按照從左到右、從上到下的順序?qū)w一化后的灰度點陣圖排列成144行×1列的一維列向量；

（2）將每一個字符的四角特征排列入一個4行×1列的一維列向量中；

（3）將四角特征附帶在灰度特征值后，形成一個148行×1列的一維列向量，該向量即為BP神經(jīng)網(wǎng)絡(luò)的輸入向量。

3.2 隱含層和輸出層的設(shè)定

對于BP神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)的計算公式，前人提出了很多種方法。這里使用公式（2）[11]來計算隱含層結(jié)點的數(shù)量：

H表示隱含層神經(jīng)元個數(shù)，m表示輸入層神經(jīng)元個數(shù)，n表示輸出層神經(jīng)元個數(shù)。經(jīng)上述公式計算，得到處理漢字的神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為69；處理混合字符的神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為72。

對于輸出樣本，我們?yōu)樘幚頋h字的神經(jīng)網(wǎng)絡(luò)構(gòu)造一個31行×31列的矩陣，為處理混合字符的神經(jīng)網(wǎng)絡(luò)構(gòu)造一個34行×34列的矩陣。要求矩陣的每一列的元素中僅有一個位置為“1”，其余位置為“0”。每一列均代表一個字符。在對字符進行識別時，兩個網(wǎng)絡(luò)分別輸出具有31行×1列和34行×1列的輸出向量，這些元素中也只有一行的值為“1”。將輸出向量與上述構(gòu)造矩陣的每一列進行對比，找出矩陣中與神經(jīng)網(wǎng)絡(luò)的輸出向量相同的列，從而判定輸出的字符。

4 并行操作

基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法在準確度方面的應(yīng)用研究取得了很多成果，但在識別的速率上仍存在瑕疵。對于由七位數(shù)字組成的車輛牌照，傳統(tǒng)方法使用串行操作，對車輛牌照的字符進行逐一識別，這樣禁錮了識別效率。由于識別過程中對每一個車牌字符的識別是相互獨立的，加之技術(shù)支持，特別是在Matlab 2010b以后，在Parallel Computing Toolbox中引入了圖形處理器（Graphics Processing Unit,GPU）并行計算，使得程序執(zhí)行可以達到更高的效率[13]。因此車牌字符識別的并行操作是可以實現(xiàn)的。并行操作的基本思想如下：

輸入：7個未識別的字符a[1]…a[7]

輸出：識別出的字符b[1]…b[7]

Begin:

（1）P0播送a[1]…a[7]給所有Pi；

（2）for all Piwhere 1≤i≤7 para-do識別字符a[i]；

（3）P0依據(jù)i的值由小到大的順序?qū)ψR別結(jié)果進行輸出；End

5 實驗結(jié)果與分析

實驗在全國31個?。ㄖ陛犑小⒆灾螀^(qū)）的車牌圖像中隨機選取300幅進行識別，其中共包含300個漢字、1800個字母或數(shù)字。供訓(xùn)練的樣本是在各種背景和不同灰度的情況下提取出來的，用以更好地訓(xùn)練網(wǎng)絡(luò)，提升網(wǎng)絡(luò)在識別帶噪聲字符時的識別率[14]。部分二值化后的車牌圖像如圖3所示。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練函數(shù)各項參數(shù)的設(shè)定：網(wǎng)絡(luò)訓(xùn)練的目標誤差為0.001；訓(xùn)練的限定步數(shù)為5000，每50步顯示一次訓(xùn)練結(jié)果。仿真環(huán)境為Matlab R2014 a。

圖3 部分二值化后的車牌圖像Fig.3 Partial license plate images after binarization

訓(xùn)練階段的結(jié)果如圖4、圖5所示。網(wǎng)絡(luò)在設(shè)定的最大訓(xùn)練次數(shù)內(nèi)能夠收斂于目標誤差，這表示網(wǎng)絡(luò)具有較強的學(xué)習(xí)能力。

圖4 漢字網(wǎng)絡(luò)誤差收斂曲線Fig.4TheconvergencecurveofChinesedeviationsonnetwork

圖5 非漢字網(wǎng)絡(luò)誤差收斂曲線Fig.5Theconvergencecurveofnon-Chinesedeviationsonnetwork

識別的結(jié)果如表1所示。隨機抽取50張車牌圖片分別用傳統(tǒng)的串行方法和本文提出的并行方法進行識別，識別每一張車牌圖像的平均時間如表2所示。實驗表明，本文提出的方法是一種較好的識別方法，擁有廣闊的應(yīng)用前景。經(jīng)實驗分析，造成部分字符誤識的原因在于噪聲的干擾，諸如光照、字符傾斜、障礙物的遮擋等。如果對這些問題進行相應(yīng)改善，可以更好地提高識別的準確率。

表1 車牌字符識別結(jié)果Table 1 Recognition results of license plate

表2 不同識別方法的執(zhí)行時間Table 2 Execution time with different identification methods

[1]Wen Y,Lu Y,Yan J,et al.An algorithm for license plate recognition applied to intelligent transportation system[J]. Intelligent Transportation Systems,2011,12(3):830-845

[2]朱信忠.車牌自動識別技術(shù)的研究與實現(xiàn)[D].北京:國防科學(xué)技術(shù)大學(xué),2005

[3]Khalil MI.Car plate recognition using the template matching method[J].International Journal of Computer Theory and Engineering,2010,2(5):1793-8201

[4]Bansal JC,Deep K.A modified binary particle swarm optimization for knapsack problems[J].Applied Mathematics and Computation,2012,218(22):11042-11061

[5]Jin L,Xian H,Bie J,et al.License plate recognition algorithm for passenger cars in Chinese residential areas[J]. Sensors,2012,12(6):8355-8370

[6]劉莉,葉玉堂,謝煜,等.基于RBF網(wǎng)絡(luò)的光學(xué)字符提取與識別新方法[J].光電工程,2010,37(11):145-150

[7]Sedighi A,Vafadust M.Anew and robust method for character segmentation and recognition in license plate images[J]. Expert Systems withApplications,2011,38(11):13497-13504

[8]Villegas OOV,Balderrama DG,Domínguez H,et al.License plate recognition using a novel fuzzy multilayer neural network[J].International journal of computers,2009,3(1):31-40

[9]李會民,張仁津.基于改進BP網(wǎng)絡(luò)的車牌字符識別方法研究[J].計算機工程與設(shè)計,2010(3):619-621

[10]關(guān)山,王偉杰,趙學(xué)增.基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符自動識別方法的研究[J].東北電力學(xué)院學(xué)報,2004,24(4):56-60

[11]劉雄飛,朱盛春.車牌字符多特征提取與BP神經(jīng)網(wǎng)絡(luò)的識別算法[J].計算機仿真,2014,31(10):161-164,290

[12]章毓晉.圖像處理和分析基礎(chǔ)[M].北京:高等教育出版社,2006

[13]梁亮,朱超,楊捷,等.高光譜圖像預(yù)處理的Matlab并行化研究[J].計算機工程與設(shè)計,2015,36(8):2157-2161

[14]譚勇,朱斌.基于改進特征提取的BP神經(jīng)網(wǎng)絡(luò)車牌識別[J].重慶文理學(xué)院學(xué)報:自然科學(xué)版,2009,28(3):42-45

License Plate Recognition Based on BP Neural Network

LU Chen1*,WANG Shan-shan2
1.College of Computer and Information Technology/Shanxi University,Taiyuan030006,China
2.Tongsheng Experimental High School,Linfen041000,China

License plate character recognition method based on BP Neural Network is a way that uses the gray feature and the feature of four corners as input to accurately identify character.Compared with previous research,it is more effectively in similar character recognition.Meanwhile,This article used the parallel identification method proposed by Matlab to enhance the recognition’s rate of plate image.According to the data of experiment,the proposed method had better effect in the recognition accuracy and the rate of recognition.

Character recognition;feature extraction;parallel operation;BP neural network

TP309.7

:A

:1000-2324(2017)01-0113-04

2016-12-16

:2017-01-13

鹿琛(1991-),男,碩士研究生,主要研究方向為圖像處理.E-mail:376728343@qq.com

*通訊作者:Author for correspondence.E-mail:376728343@qq.com