陳慶程 陳家亮

1 車標(biāo)定位

目前車牌定位的方法已經(jīng)比較成熟,而車標(biāo)的位置、尺寸都和車牌有很大關(guān)聯(lián),所以可以借助車牌提高車標(biāo)定位的效率。假設(shè)車牌的寬度為W,則從車牌上邊緣向上取一個邊長為W的正方形區(qū)域,作為車標(biāo)搜索區(qū)域。

已知車標(biāo)候選區(qū)域,參考[3],利用形態(tài)學(xué)和聯(lián)通區(qū)域分析(CCA),排除干擾,提取候選車標(biāo)目標(biāo),具體操作如下:

(1)在水平方向做形態(tài)學(xué)閉運算,結(jié)果圖記為Fc,原圖記為Fr;

(2)應(yīng)用top-hat,增強車標(biāo)目標(biāo),結(jié)果圖記為Ft=Fc-Fr;

(3)應(yīng)用OTSU分割,獲得車標(biāo)候選區(qū)域掩圖;

(4)利用形態(tài)學(xué)優(yōu)化目標(biāo)形狀,排除噪聲干擾;

(5)做連通區(qū)域分析(CCA),利用車標(biāo)-車牌位置尺寸的先驗知識排除錯誤:

①車標(biāo)寬度和高度小于1.5倍車牌高度,大于0.5倍的車牌高度。

②車標(biāo)中心位置應(yīng)該在車牌豎直中心線附近。

2 基于BP神經(jīng)網(wǎng)絡(luò)的車標(biāo)識別

車標(biāo)識別包括識別和判定兩個過程,單個BP神經(jīng)網(wǎng)絡(luò)雖然也可以一次性完成兩個過程,但是這樣網(wǎng)絡(luò)的復(fù)雜度將會很高,可能會出現(xiàn)發(fā)散的問題。為了降低網(wǎng)絡(luò)復(fù)雜度,提高識別準(zhǔn)確度,本文采用兩級BP神經(jīng)網(wǎng)絡(luò)來完成車標(biāo)的識別過程:類型預(yù)測網(wǎng)絡(luò)和類型校驗網(wǎng)絡(luò)。

2.1 車標(biāo)類型預(yù)測網(wǎng)絡(luò)

車標(biāo)類型預(yù)測網(wǎng)絡(luò)的目的是對車標(biāo)類型進(jìn)行預(yù)測,把輸入的目標(biāo)分發(fā)給置信度最高的類型對應(yīng)的校驗網(wǎng)絡(luò)。預(yù)測網(wǎng)絡(luò)包括輸入層、隱層和輸出層三個層次,每層節(jié)數(shù)目依次是1024,128和2?？紤]到噪聲和光照的影響,定位到的車標(biāo)候選目標(biāo)在輸入網(wǎng)絡(luò)前需要經(jīng)過高斯平滑、直方圖均衡化處理,然后后縮放到32X32,再按行展開形成1024維的輸入向量。網(wǎng)絡(luò)輸出是一個二維向量[a,b],其中a表示輸入屬于本田的置信度,b表示輸入屬于大眾的置信度,a,b ∈[0,1]。

試驗中分別選擇100張本田和大眾車標(biāo)作為訓(xùn)練集,本田車標(biāo)的目標(biāo)輸出向量是[1,0],大眾車標(biāo)的目標(biāo)輸出向量是[0,1]。另外各選100張本田和大眾車標(biāo)作為驗證集,經(jīng)過反復(fù)訓(xùn)練,最終的預(yù)測網(wǎng)絡(luò)在驗證集上正確識別98%的本田車標(biāo)以及95%的大眾車標(biāo)。

2.2 車標(biāo)類型校驗網(wǎng)絡(luò)

車標(biāo)類型校驗網(wǎng)絡(luò)的目的是對車標(biāo)類型進(jìn)行驗證,排除錯誤的候選目標(biāo),提高識別準(zhǔn)確率,降低識別錯誤率。

每一個類型驗證網(wǎng)絡(luò)有兩個BP網(wǎng)絡(luò)組成:基于灰度圖的網(wǎng)絡(luò)和基于邊緣圖的網(wǎng)絡(luò)。兩個網(wǎng)絡(luò)都是1024X256X1的三層網(wǎng)絡(luò),輸出目標(biāo)屬于該類型的置信度,兩個網(wǎng)絡(luò)的輸出取和后,如果大于預(yù)先定義的閾值T,則判定為屬于該類型,否則判定為錯誤。

驗證網(wǎng)絡(luò)的結(jié)構(gòu)和預(yù)測網(wǎng)絡(luò)相仿,但是訓(xùn)練集不同。以本田車標(biāo)驗證網(wǎng)絡(luò)為例,訓(xùn)練時選取200張本田車標(biāo)作為正樣本,另外選取500張非本田車標(biāo)圖片作為負(fù)樣本。原始灰度圖按行展開后直接送入基于灰度圖的驗證網(wǎng)絡(luò)進(jìn)行訓(xùn)練。另外利用canny邊緣檢測算子,提取正負(fù)樣本邊緣圖像,按行展開后送入基于邊緣的驗證網(wǎng)絡(luò)進(jìn)行訓(xùn)練。試驗中發(fā)現(xiàn),負(fù)樣本的選擇對識別可靠性影響很大。為了提高負(fù)樣本的代表性,本文采用如下的“自舉”方式篩選負(fù)樣本:

①任意選擇500張非本田車標(biāo)圖,作為負(fù)樣本,訓(xùn)練網(wǎng)絡(luò)。

②以訓(xùn)練好的網(wǎng)絡(luò)識別另外一批非本田車標(biāo)圖,選取100張識別錯誤的替換原來已經(jīng)正確識。

別的負(fù)樣本,重新訓(xùn)練網(wǎng)絡(luò)。

③反復(fù)①,②三次后,結(jié)束訓(xùn)練,最后一輪訓(xùn)練得到的網(wǎng)絡(luò)具有最高的可靠性。

實驗分析

試驗中選擇1500張車輛圖片,其中本田和大眾各500張,其他車輛500張,本文提出的方法正確識別率為92%,誤檢率為3%。分析實驗結(jié)果,我們發(fā)現(xiàn)導(dǎo)致識別錯誤的原因主要有以下幾點:

(1)車標(biāo)尺寸太小,紋理模糊。

(2)車標(biāo)受到高反光的影響。

(3)車標(biāo)存在圖像內(nèi)、外較大旋轉(zhuǎn)。

(4)易混淆車標(biāo),比如現(xiàn)代車標(biāo)和本田比較相近。

參考文獻(xiàn)

[1] Guangmin Sun.“The Location and Recognition of Chinese Vehicle License Plates under Complex Backgrounds”Jounal of Multimedia.Vol.4.NO.6,December 2009.

[2] 呂慧娟,吳飛.“基于Adaboost cascade的車牌檢測技術(shù)”,河南大學(xué)學(xué)報,Vol.38 NO.3 May 2008.

[3] Miriam Butzke,Alexandre G.Silva,Marcelo da S.Hounsell,Maurício A.Pillon “Automatic Recognition of Vehicle Attributes Color Classification and Logo Segmentation”.

[4] APostolos P.Psyllos,Christos-Nikolaos E.Anagnostopoulos,Eleftherios Kayafas “Vehicle Logo Recognition Using a SIFT-Based Enhanced Matching Scheme”.IEEE Transactions on Intelligent Transportation Systems.VOL.11,No.2,JUNE 2010.