王++娜

摘要：從目前智能交通的發(fā)展實(shí)際出發(fā)，結(jié)合圖形圖像處理技術(shù)對(duì)智能交通的重要組成部分車牌識(shí)別中的字符識(shí)別進(jìn)行了研究。采用了一種新的方法對(duì)車牌字符進(jìn)行識(shí)別，即神經(jīng)網(wǎng)絡(luò)方法與模板匹配法相結(jié)合。通過實(shí)踐可以得出，這種方法識(shí)別效果很好，而且提高了識(shí)別的效率及準(zhǔn)確性。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；車牌字符識(shí)別；模板匹配；智能交通系統(tǒng)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）32-0201-02

A License Plate Character Recognition Algorithm Based on BP Neural Network

WANG Na

（Department of Information Engineering， Liaoning Construction Vocational College， Liaoyang 111000， China）

Abstract： From the reality of the development of intelligent transportation， combined with graphics and image processing technology， the character recognition of license plate recognition is studied， which is an important component of intelligent transportation.A new method is used to recognize license plate characters， that is， neural network method is combined with template matching method.Through practice， we can conclude that this method has good recognition effect， and improves the efficiency and accuracy of recognition.

Key words： BP neural network； License plate character recognition； template matching； Intelligent transportation system

目前，全球經(jīng)濟(jì)迅速發(fā)展，汽車數(shù)量的不斷增加，進(jìn)而智能交通系統(tǒng)（簡稱ITS）也就成了研究的焦點(diǎn)。在ITS領(lǐng)域中車輛車牌識(shí)別（簡稱LPR）的車牌字符識(shí)別和車牌定位技術(shù)是研究的熱點(diǎn)。LPR技術(shù)作為交通管理自動(dòng)化的重要手段，其任務(wù)是分析、處理汽車監(jiān)控圖像，自動(dòng)識(shí)別汽車牌號(hào)，并進(jìn)行相關(guān)智能化數(shù)據(jù)庫管理[1]。因而對(duì)車牌識(shí)別技術(shù)的研究和應(yīng)用系統(tǒng)開發(fā)具有重要的現(xiàn)實(shí)意義[2]。

本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別算法，可以有效地提高識(shí)別的準(zhǔn)確性。

1 神經(jīng)網(wǎng)絡(luò)方法分析

1.1 神經(jīng)網(wǎng)絡(luò)概述

人工神經(jīng)網(wǎng)絡(luò)是在對(duì)人腦組織結(jié)構(gòu)和運(yùn)行機(jī)制的認(rèn)識(shí)理解基礎(chǔ)之上模擬其結(jié)構(gòu)和智能行為的一種工程系統(tǒng)[3]。對(duì)人體內(nèi)各部分之間進(jìn)行信息相互傳遞的基本單元是遞神經(jīng)元（神經(jīng)細(xì)胞），它是神經(jīng)系統(tǒng)的基本構(gòu)造。

1.2 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練

神經(jīng)網(wǎng)絡(luò)的基本特性是利用學(xué)習(xí)環(huán)境獲取知識(shí)進(jìn)而改進(jìn)自身的性能，通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值和閑值來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練。通常，改善性能可以通過某種預(yù)定的度量隨時(shí)間逐步調(diào)節(jié)自身參數(shù)（加權(quán)值）而達(dá)到。學(xué)習(xí)方式從環(huán)境提供的信息多少可分為三種[4]：

（1） 監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）：此方式要有“教師”，對(duì)于輸入數(shù)據(jù)會(huì)得到正確的輸出結(jié)果。

（2） 非監(jiān)督學(xué)習(xí)（無教師學(xué)習(xí)）：該學(xué)習(xí)沒有“教師”，對(duì)于自身結(jié)構(gòu)或參數(shù)的調(diào)節(jié)參照環(huán)境提供數(shù)據(jù)的某些統(tǒng)計(jì)規(guī)律進(jìn)行。

（3） 再勵(lì)學(xué)習(xí)（強(qiáng)化學(xué)習(xí)）：此方式介于上述兩種學(xué)習(xí)之間，對(duì)于系統(tǒng)的輸出結(jié)果環(huán)境只是給予評(píng)價(jià)（獎(jiǎng)或懲）并不是正確答案，系統(tǒng)改善自身的性能是通過強(qiáng)化那些受獎(jiǎng)勵(lì)的動(dòng)作實(shí)現(xiàn)的。

2 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)

BP學(xué)習(xí)算法的步驟：

（1） 聲明變量、參數(shù)，包括學(xué)習(xí)速率、權(quán)值矩陣、訓(xùn)練樣本；

（2） 初始化，為每個(gè)權(quán)值矩陣賦值一個(gè)較小的隨機(jī)非零向量；

（3） 隨機(jī)樣本輸入；

（4） 對(duì)輸入樣本的BP網(wǎng)絡(luò)每層神經(jīng)元的輸入和輸出信號(hào)進(jìn)行前向計(jì)算；

（5） 計(jì)算實(shí)際輸出和期望輸出的誤差，若滿足要求轉(zhuǎn)（8），否則轉(zhuǎn)（6）；

（6） 若達(dá)到最大迭代數(shù)，轉(zhuǎn)（8），否則反向計(jì)算每層神經(jīng)元的局部梯度；

（7） 根據(jù)局部梯度對(duì)每個(gè)矩陣的權(quán)值進(jìn)行修正；

（8） 如果學(xué)完所有的樣本就結(jié)束學(xué)習(xí)，否則轉(zhuǎn)到（3）。

3 英文字母識(shí)別

在車牌圖像中會(huì)有英文字符，用神經(jīng)網(wǎng)絡(luò)方法可以實(shí)現(xiàn)對(duì)它的識(shí)別。但這樣會(huì)使特征提取復(fù)雜化，而且輸出層的節(jié)點(diǎn)數(shù)會(huì)增加，進(jìn)而降低了計(jì)算機(jī)的處理速度，不能得到好的識(shí)別效果。這里，使用圖像模板匹配方法完成對(duì)英文字符的識(shí)別，用神經(jīng)網(wǎng)絡(luò)方法識(shí)別數(shù)字字符。

圖像模板匹配法的基本原則就是通過相關(guān)函數(shù)的計(jì)算找到它以及被搜索圖的坐標(biāo)位置[5]。把所有的英文字符組成一個(gè)搜索圖庫S，如圖1所示，模板T為待識(shí)別車牌中的英文字符，S和T都是經(jīng)過緊縮、歸一化處理后的。

T可以在S上移動(dòng)，被T覆蓋到的區(qū)域?yàn)樽訄D[Sij]，子圖左上角的坐標(biāo)為[（i，j）]，為參考點(diǎn)，其中，其取值范圍為，[1

[D（i，j）=m=1Mn=1M[Si，j（m，n）-T（m，n）]2] （1）

或：

[D（i，j）=m=1Mn=1M|Si，j（m，n）-T（m，n）|] （2）

如展開（1）式，則：

[D（i，j）=m=1Mn=1M[Si，j（m，n）]2-2m=1Mn=1MSi，j（m，n）×T（m，n）+m=1Mn=1M[T（m，n）]2] （3）

其中，等號(hào)右邊第一個(gè)式子表示[Sij]能量，第二個(gè)式子表示[Sij]和T互關(guān)性，第三個(gè)表示T的總能量?？捎孟率綔y(cè)量相似性：

[R（i，j）=m=1Mn=1MSi，j（m，n）×T（m，n）m=1Mn=1M[Si，j（m，n）]2] （4）

或歸一化為：

[R（i，j）=m=1Mn=1MSi，j（m，n）×T（m，n）m=1Mn=1M[Si，j（m，n）]2m=1Mn=1M[T（m，n）]2] （5）

其中，0

[R（i，j）=tTS1（i，j）（tTt）ST1（i，j）S1（i，j）] （6）

當(dāng)[S1（i，j）=kt]（[k]為常數(shù)），即[S1]和[t]無夾角時(shí)，[R（i，j）=1]，否則[R（i，j）<1]。由于模板要在[（N-M+1）]個(gè)位置上做相關(guān)匹配計(jì)算，計(jì)算量會(huì)很大，并且其中只有一個(gè)匹配點(diǎn)，其余都是在做無用功。所以需要一種快速的計(jì)算方法，其主要分為幾類：①幅度排序相關(guān)算法；②分層搜索的序貫判決算法；③序貫相似性檢測(cè)算法，簡稱SSDA；④FFT相關(guān)算法[6]。這里采用SSDA算法，要點(diǎn)如下：

（1） 計(jì)算絕對(duì)誤差值

[ε（i，j，mk，nk）=Sij（mk，nk）-S∧（i，j）-T（mk，nk）+T∧] （7）

其中：

[S∧（i，j）=1M2m=1Mn=1MSi，j（m，n）] （8）

[T∧（i，j）=1M2m=1Mn=1MT（m，n）] （9）

（2） 選取固定閾值TK

（3） 隨機(jī)地在子圖[Sij（M，M）]中選取像素點(diǎn)。累加所有選取點(diǎn)在T中對(duì)應(yīng)點(diǎn)的誤差值C，當(dāng)累加[r]次，如果[C>Tk]，則累加停止，SSDA的檢測(cè)曲面定義如下：

[I（i，j）={rmin1≤r≤m2[k=1rε（i，j，mk，nk）≥Tk]}] （10）

（4） 選取[I（i，j）]值大的[（i，j）]點(diǎn)為匹配點(diǎn)。

進(jìn)一步改進(jìn)SSDA算法：

（1） 模扳不需要對(duì)[（N-M+1）]個(gè)參考都進(jìn)行匹配，可以先每隔[m]點(diǎn)計(jì)算匹配值，對(duì)有極大匹配值四周的點(diǎn)再進(jìn)行匹配。

（2） 對(duì)參考點(diǎn)[（i，j）]，其模板覆蓋的[M2]個(gè)點(diǎn)的計(jì)算誤差的順序，可在模板中按突出特征選偽隨機(jī)序列決定，從而能更早地放棄非匹配點(diǎn)。

（3） 選用單調(diào)增長的閾值序列，進(jìn)而更早地丟棄非匹配點(diǎn)。

SSDA是一種很受重視的方法，其速度比FFT快50倍。在搜索圖S中如找到待識(shí)別英文字符T的匹配點(diǎn)時(shí)，就會(huì)確定這個(gè)點(diǎn)對(duì)應(yīng)的字母上，進(jìn)而識(shí)別工作結(jié)束。

4 結(jié)束語

車牌識(shí)別是車牌自身特點(diǎn)與圖像處理技術(shù)的結(jié)合，其中也包含神經(jīng)網(wǎng)絡(luò)、模糊理論、小波分析、數(shù)學(xué)形態(tài)學(xué)等知識(shí)的運(yùn)用。實(shí)驗(yàn)表明，這種神經(jīng)網(wǎng)絡(luò)識(shí)別數(shù)字字符，模板匹配識(shí)別英文字符的方法能夠很好地識(shí)別車牌圖像。

參考文獻(xiàn)：

[1] 歐陽俊，劉平. 基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別算法研究[J]. 光學(xué)與光電技術(shù)，2012，10（5）：67-71.

[2] 郭榮艷，胡雪惠. BP神經(jīng)網(wǎng)絡(luò)在車牌字符識(shí)別中的應(yīng)用研究[J]. 計(jì)算機(jī)仿真，2010，27（9）：299-301，350.

[3] 葛曉玢. 神經(jīng)網(wǎng)絡(luò)算法研究及其在車牌識(shí)別中的應(yīng)用[D]. 淮北：淮北師范大學(xué)，2014.

[4] 楊建華，王鵬. 一種基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別算法[J]. 軟件工程師，2015，18（1）：19-20.

[5] Basu J K，Bhattacharyya D，Kim T.Use of artificial neural network in pattern recognition

[J].International Journal of Software Engineering and its Applications，2010，4（2）：23-34.

[6] 賀瑜飛. 車牌字符識(shí)別的一種快速算法[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2014，30（5）：40-43.