許崇 劉新

摘要： 隨著交通網(wǎng)絡(luò)的不斷發(fā)展，和現(xiàn)代私有汽車(chē)擁有量的日益上升，計(jì)算機(jī)視頻模式識(shí)別技術(shù)的不斷進(jìn)步，交通化的智能交通管理變得尤為重要，利用電子信息技術(shù)進(jìn)行管理也成為管理的不可或缺的方式。文章深入的研究實(shí)時(shí)動(dòng)態(tài)車(chē)輛進(jìn)行字符識(shí)別的問(wèn)題，將模式識(shí)別技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合起來(lái)，提出了一種將基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)技術(shù)與改進(jìn)的字符模板匹配方法結(jié)合，以圖像邊界分割技術(shù)為基礎(chǔ)，基于垂直投影法結(jié)合字符特征，對(duì)字符分割方法進(jìn)行精確分割，進(jìn)而對(duì)車(chē)輛牌照采用字符網(wǎng)絡(luò)特征法來(lái)實(shí)現(xiàn)字符識(shí)別，采用輸出字符識(shí)別結(jié)果，由此完成車(chē)輛牌照字符識(shí)別。經(jīng)過(guò)大量實(shí)驗(yàn)驗(yàn)證，經(jīng)過(guò)改進(jìn)的算法，在提高了系統(tǒng)的實(shí)時(shí)性的同時(shí)，也保證車(chē)輛牌照識(shí)別匹配正確率。

關(guān)鍵詞：車(chē)牌識(shí)別;神經(jīng)網(wǎng)絡(luò);字符模式匹配

引言：

車(chē)牌識(shí)別系統(tǒng)具有適應(yīng)性強(qiáng)、智能化程度高等特點(diǎn)，已經(jīng)是現(xiàn)代智慧城市交通系統(tǒng)中重要的組成部分。作為智能交通系統(tǒng)中核心環(huán)節(jié)得到廣泛應(yīng)用，實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確、高效的車(chē)牌識(shí)別系統(tǒng)，保障大數(shù)據(jù)條件下的交通安全與智慧化管理，也是當(dāng)前智能交通領(lǐng)域的重要挑戰(zhàn)之一[1][2]，對(duì)于交通系統(tǒng)中車(chē)輛的監(jiān)控和管理智能化起到關(guān)鍵作用。

一、 算法研究設(shè)計(jì)與實(shí)現(xiàn)

（一）字符模式分割法

在圖像定位后對(duì)字符的分割過(guò)程中，干擾元素也包含車(chē)輛牌照的4個(gè)邊界。邊界分布具有規(guī)律性，很容易把該干擾因素去除掉。對(duì)經(jīng)過(guò)二值化處理后的車(chē)牌圖像進(jìn)行水平投影時(shí)，應(yīng)該依次將每行的白點(diǎn)個(gè)數(shù)計(jì)入到數(shù)組C1[i]中去，再對(duì)C1[i]平移，平移半徑為圖像高度的1/10;

1.基于垂直投影法的字符分割

在水平投影法中，以圖像面積大小為衡量標(biāo)準(zhǔn)來(lái)判斷待識(shí)別區(qū)域是否有存放字符得空間，將字符的列進(jìn)行合并，這樣得到的字符區(qū)就是有效的。設(shè)定K為一維向量，其大小與車(chē)輛牌照的長(zhǎng)度W相等，圖像中每一列像素中亮點(diǎn)的總和分別用向量中的值來(lái)表示，可以在每個(gè)字符內(nèi)部和各個(gè)字符間的空隙處獲取字符塊在垂直方向上投影的最小值，再對(duì)字符圖像面積進(jìn)行垂直方向投影的投影圖。清晰地分析出投影中存在8條空隙，其中6個(gè)字符的間隙有5個(gè)，其余的3個(gè)間隙位于各個(gè)字符之間[3]。在字符識(shí)別模式時(shí)，每個(gè)字符的模板大小不等，模式不同，需要再將得到的6個(gè)數(shù)組進(jìn)行矩陣大小轉(zhuǎn)換，能使變化之后的每個(gè)數(shù)組都能達(dá)到26×14的形式。對(duì)通過(guò)圖像定位的車(chē)牌圖像的6個(gè)字符進(jìn)行分割，分割效果。

2.基于神經(jīng)網(wǎng)絡(luò)的字符分割方法

神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是模式識(shí)別領(lǐng)域里面的重要研究方向和研究?jī)?nèi)容，它是神經(jīng)網(wǎng)絡(luò)技術(shù)基于神經(jīng)網(wǎng)絡(luò)模式的識(shí)別方法，能夠?qū)崿F(xiàn)模式計(jì)算上識(shí)別理論無(wú)法完成的模式信息處理工作，所謂人工神經(jīng)網(wǎng)絡(luò)，就是由一定數(shù)量的神經(jīng)元組成的可以完成某些功能的自適應(yīng)系統(tǒng)。如果一個(gè)神經(jīng)元所接收到的信號(hào)總和如果超過(guò)了它本身能承受的“閥值”，神經(jīng)元就會(huì)處于興奮狀態(tài)，進(jìn)而向后續(xù)神經(jīng)元發(fā)出脈沖信號(hào)，通過(guò)神經(jīng)元與軸突組成的網(wǎng)狀系統(tǒng)，可以逼近任意的有理函數(shù)，進(jìn)而完成各種各樣簡(jiǎn)單或者復(fù)雜任務(wù)。

神經(jīng)元的結(jié)構(gòu)和功能都比較簡(jiǎn)單，神經(jīng)網(wǎng)絡(luò)由大量簡(jiǎn)單的基本單元相互聯(lián)接而成，組成非線性動(dòng)態(tài)系統(tǒng)，但由它們組成的系統(tǒng)卻非常復(fù)雜且功能強(qiáng)大。在模式識(shí)別過(guò)程中，存在著噪聲干擾或輸入模式的一部分損失，而人工神經(jīng)元網(wǎng)絡(luò)可以將信息有效的分布存儲(chǔ)于連結(jié)的權(quán)值中，每個(gè)神經(jīng)元都具有很多非線性映射的能力，它們之間通過(guò)權(quán)值來(lái)相互連結(jié)起來(lái)。組織和自適應(yīng)學(xué)習(xí)的功能，大大減少了傳統(tǒng)識(shí)別方法所必須的約束條件，使其在某些識(shí)別問(wèn)題時(shí)凸顯了其較大的優(yōu)越性相比于傳統(tǒng)機(jī)器，這種大規(guī)模的并行結(jié)構(gòu)具有很高的計(jì)算速度 。

（二）車(chē)牌字符識(shí)別方法

1.模板匹配法

在多種車(chē)牌字符識(shí)別方法中，模板匹配法是具有典型代表性，該方法計(jì)算量大，定位準(zhǔn)確性和精度都較低，通過(guò)對(duì)比分析待識(shí)別字符與已設(shè)定好的字符模板，根據(jù)他們的匹配相似度來(lái)確定字符的識(shí)別結(jié)果。接下來(lái)將整個(gè)待識(shí)別的字符圖中的所有像素逐個(gè)進(jìn)行掃描與匹配的操作，這樣就可以確定待識(shí)別字符圖像I是否存在模板T中所含有的字符。通過(guò)圖像處理設(shè)備實(shí)現(xiàn)模板匹配法相對(duì)簡(jiǎn)單，且受噪聲的影響較小，因此在車(chē)輛牌照字符識(shí)別中常用模板匹配法，但其也存在著很多缺點(diǎn)。

2.神經(jīng)網(wǎng)絡(luò)識(shí)別法

神經(jīng)網(wǎng)絡(luò)識(shí)別法脈沖神經(jīng)網(wǎng)絡(luò)進(jìn)行時(shí)空信息的處理，構(gòu)建基本框架并且評(píng)判性能，包括序列脈沖的學(xué)習(xí)能力，學(xué)習(xí)規(guī)則的局部特性，對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的適應(yīng)性，學(xué)習(xí)的精度。包括兩種情形：一是將整幅圖像送入網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)來(lái)自動(dòng)實(shí)現(xiàn)字符特征提取和識(shí)別過(guò)程;二是通過(guò)對(duì)待識(shí)別字符進(jìn)行字符特征提取，然后傳入到字符特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器，再與經(jīng)過(guò)從字符樣本中提取到的字符特征經(jīng)過(guò)BP網(wǎng)絡(luò)訓(xùn)練后輸出的權(quán)值一起輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練器，比較分析后輸出對(duì)字符的識(shí)別結(jié)果，其對(duì)應(yīng)的BP神經(jīng)網(wǎng)絡(luò)字符識(shí)別的原理。

二、實(shí)驗(yàn)測(cè)試與分析

為了進(jìn)一步驗(yàn)證算法的性能，找出功能需求與系統(tǒng)之間所存在的差異，以該超市的地下停車(chē)場(chǎng)為例，實(shí)驗(yàn)采用隨機(jī)抽取動(dòng)態(tài)實(shí)時(shí)錄像作為視頻源進(jìn)行試驗(yàn)測(cè)試，選取幾段不同光照、復(fù)雜背景設(shè)置需求條件下的AVI視頻測(cè)試整個(gè)系統(tǒng)的識(shí)別率。在光照條件良好，攝像機(jī)在行駛的車(chē)內(nèi)，架設(shè)位置不固定，圖像的晃動(dòng)較大的情況下拍攝的錄像30 min;傍晚時(shí)分光照條件較差情況，人眼感覺(jué)灰暗環(huán)境下拍攝的錄像30 min。其中90 min的視頻在良好光照條件下共有人眼識(shí)別可見(jiàn)的車(chē)牌的車(chē)720輛，30 min架設(shè)在車(chē)內(nèi)的錄像中共含有人言可識(shí)別車(chē)輛牌照的車(chē)85輛，30 min光照條件較差環(huán)境下共有人眼可識(shí)別車(chē)輛牌照的車(chē)150輛。試驗(yàn)過(guò)程在光照條件良好的90min視頻中內(nèi)共識(shí)別出車(chē)輛5800輛，30min架設(shè)在車(chē)內(nèi)的錄像中共識(shí)別出67輛，30min光照條件較差環(huán)境下能識(shí)別出車(chē)輛120輛。

車(chē)牌識(shí)別系統(tǒng)是“ITS”中相當(dāng)重要的一項(xiàng)科學(xué)技術(shù)，提出了一種基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)和改進(jìn)的模板匹配車(chē)牌字符識(shí)別算法方法。通過(guò)試驗(yàn)仿真驗(yàn)證了算法的有效性，其優(yōu)點(diǎn)是克服了模板匹配對(duì)數(shù)字、字母和漢字分別尋找形狀子圖像的困難，并利用了神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別中文字符，通過(guò)試驗(yàn)結(jié)果表明，字符的識(shí)別率得到了提高并且取得較好的效果。

參考文獻(xiàn)：

[1] SHAN S G， KAN M N， LI S X，et al. Face image analysis and rec?ognition with deep learning[J]. Communications of the CFF， 2015， 11（4）：15-21.

[2]ZHU M，LIU C，WANG J，et al.Instant discovery of moment companion vehicles from big streaming traffic data [C].2015 International Conference on Cloud Computing and Big Data（CCBD），2015：73-80.

[3]PRIYA V LAKSHMI，PERUMAL K.Detecting the car numberplate using segmentation[J].International Journal of Engineeringand Computer Science，2014（10）：8823-8829.

作者簡(jiǎn)介：

許崇（1982-），女，實(shí)驗(yàn)師，就職于沈陽(yáng)建筑大學(xué)。