楚 巖，邵 嚴(yán)，陳 亮，巨永鋒

（長安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064）

一種車牌識別軟件系統(tǒng)研究

楚 巖，邵 嚴(yán)，陳 亮，巨永鋒

（長安大學(xué) 電子與控制工程學(xué)院，陜西 西安 710064）

針對現(xiàn)有車牌識別算法中的車牌定位、字符分割和字符識別三個核心模塊存在的不足，提出了一種基于邊緣兩側(cè)顏色檢測的車牌定位方法；通過采用動態(tài)閾值調(diào)整方法，很好的實現(xiàn)了字符分割；對神經(jīng)網(wǎng)絡(luò)在字符識別技術(shù)中的應(yīng)用進行了大量的研究和實驗，根據(jù)漢字和數(shù)字、字母特征提取的不同，在對字符信息初識別時將漢字和數(shù)字、字母采用不同結(jié)構(gòu)參數(shù)設(shè)置的神經(jīng)網(wǎng)絡(luò)進行識別，并對識別結(jié)果中包含的具有形體相近的字符提出了一種“不等權(quán)值”的方法。結(jié)果證明識別率有了明顯提高。

車牌識別；邊緣檢測；動態(tài)閾值調(diào)整；神經(jīng)網(wǎng)絡(luò)；不等權(quán)值

隨著我國交通管理自動化的快速發(fā)展，車輛牌照識別技術(shù)已成為我國實現(xiàn)交通智能化的重要組成部分，被廣泛應(yīng)用于停車場管理、高速公路電子收費系統(tǒng)ETC（Electronic Toll Collection）、違章交通管理系統(tǒng)等方面，對于全面建設(shè)智能交通系統(tǒng)ITS（Intelligent Transportation System）具有十分重要的意義[1]。

早在20世紀(jì)90年代初國外研究人員就己經(jīng)開始了對車牌識別系統(tǒng)的研究，應(yīng)用最多的實現(xiàn)方法就是首先對車牌圖像進行圖像處理分析、然后進行車牌定位、車牌字符分割和字符識別，最終通過將識別出的單個字符信息進行組合從而得到完整的車牌信息。我國開始對車牌識別系統(tǒng)的研究主要始于90年代中期，在人們對車牌識別系統(tǒng)算法研究的過程中，雖然嘗試過各種方法，也提出了許多新的理論和改進方法，但由于車牌自身所包含的特征的復(fù)雜性與不確定性，車牌圖像信息質(zhì)量對拍攝角度的嚴(yán)重的依賴性以及車牌本身污染或車牌信息斷裂等原因使得車牌識別系統(tǒng)發(fā)展緩慢。文中針對現(xiàn)有車牌識別算法中的車牌定位、字符分割和字符識別3個核心模塊存在的不足，進行了優(yōu)化和完善。

1 車牌圖像信息邊緣處理

通過CCD攝像機得到的車輛圖像信息中包含許多顏色分布相近的區(qū)域，如果僅以簡單的規(guī)則來作為連通區(qū)域劃分標(biāo)準(zhǔn)會產(chǎn)生許多無用的連通區(qū)域和干擾信息，從而增加了車牌定位的計算量和降低了準(zhǔn)確率。本文通過對我國大量車牌圖片進行分析，總結(jié)出我國車牌顏色配比固定為深藍底色配白字字體、白色底色配黑字或紅字字體、黑色底色配白字字體和黃色底色配黑字字體的分布特點，一共涉及到6種顏色信息。通過對大量車牌圖片實驗研究，總結(jié)出以上6種顏色在HSV顏色模型中的閾值，例如白顏色在HSV模型中的閾值為V>80，S＜0.3，藍色在HSV模型中的閾值條件為45＜H＜48，S>0.1等[2]。同時滿足這兩個條件便可判斷出藍底白字車牌在圖片中的邊緣分布情況，其他類別車牌邊緣判別處理類似。在圖像背景非?；靵y的情況下，忽略圖片中其他類型邊緣，只考慮藍－白、白－黑、黑－白和黃－黑四種顏色的邊緣分布。這樣，只有極少數(shù)的邊緣圖像被檢測到，極大的減少了干擾區(qū)域產(chǎn)生的邊緣信息對車牌邊緣信息提取產(chǎn)生的影響，省去了大量的無用計算過程，提高了車輛牌照區(qū)域定位的準(zhǔn)確率。

2 車牌圖像信息動態(tài)二值化閾值處理

閾值的選取在車牌灰度圖像二值化處理過程中顯得尤為重要。把值為1的點視為前景區(qū)域，值為0的點視為背景區(qū)域。如果閾值選擇過高，則可能造成車牌區(qū)域圖像點被劃為背景圖像，以致無法識別。如果閾值選擇過低，則有過多背景圖像點被劃入車牌區(qū)域，與字符信息相粘連，影響識別準(zhǔn)確度。所以閾值選區(qū)是否合理，直接影響到車牌圖像識別系統(tǒng)的整體效果。文中采用了最大類間方差法進行閾值的選取[3]。

最大類間方差法的實現(xiàn)思想是：設(shè)圖像像素為N，灰度范圍為[0，L－1]，對應(yīng)灰度級的像素數(shù)為 ni，幾率為：

把圖像中的像素按灰度值用閾值T分為兩類C0和Cl，C0由灰度值在[0，T]之間的像素組成，C1由灰度值在[T+1，L－1]之間的像素組成，對于灰度分布幾率，調(diào)整圖像的均值為:

則C0和C1的均值為：

由上面3式可得：

類間方差定義為：

讓T在[0，L－1]范圍內(nèi)依次取值，使 σ2最大的 T值就是最佳閾值。

然而最大類間方差法求出的閾值并不是最合理的，應(yīng)根據(jù)具體情況實時修改，才能使得二值化效果達到最好的效果。

文中實現(xiàn)二值化閾值可調(diào)的方法步驟如下：

1）首先將最大類間方差法計算的值作為車牌圖像的初始閾值，并以此對圖像進行二值化；

2）統(tǒng)計二值化后圖像白點的總體數(shù)目，如果總數(shù)占所有像素點的比例在0.2～0.3之間，則以當(dāng)前閾值作為二值化閾值，如果白點所占比例大于0.3，則說明閾值過小，應(yīng)適當(dāng)增大閾值；若白點所占比例小于0.2，說明閾值過大，應(yīng)適當(dāng)減小閾值。

3）運用新閾值重新進行二值化，按照步驟2）再次判定，直到求出最佳二值化效果閾值。

3 字符識別

3.1 特征提取

為了避免字符偏離中心位置或大小不一對網(wǎng)格的特征提取產(chǎn)生較大偏差的影響，首先應(yīng)對字符進行歸一化處理。歸一化處理就是通過裁剪除字符以外的其他區(qū)域，將字符進行填充到統(tǒng)一大小，并將偏離中心位置的待識別字符的中心點統(tǒng)一到相同位置。文中將字符歸一化為32×32的尺寸大小。

文中采用粗網(wǎng)格特征提取[4]和線素特征提取相結(jié)合[5]的方法，對歸一化的待識別字符進行特征提取。粗網(wǎng)格特征又稱局部灰度特征，它將通過把歸一化之后的字符分為4×4個網(wǎng)格，統(tǒng)計每個網(wǎng)格中白色像素點數(shù)目，從而得到16個特征；線素特征提取是統(tǒng)計待識別字符某一行或某一列總像素數(shù)字符的局部特征，文中分別在字符水平方向和垂直方向三等分處各做直線穿過整個字符并統(tǒng)計線穿過的白色像素點數(shù)從而得到4個特征，如圖1所示。在識別階段，把各個部分特征組合起來作為字符的統(tǒng)計特征。

圖1 線素特征提取示意Fig.1 Line element feature extraction

3.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

1）訓(xùn)練樣本庫設(shè)計

本文設(shè)計的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本庫由500張字符訓(xùn)練樣本組成，該500張訓(xùn)練樣本針對我國車牌所包含的26個漢字和34個字母，在復(fù)雜環(huán)境下拍攝的1000張具有代表性的車牌圖像中提取。

2）BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

①輸入層節(jié)點數(shù)

輸入層節(jié)點數(shù)根據(jù)待識別字符所提取的特征維數(shù)決定，例如本設(shè)計中的字母和數(shù)字提取了20個局部特征，漢字提取了46個局部特征，因此它們的輸入層節(jié)點數(shù)分別為20和46。

②隱含層個數(shù)

雖然隱含層的個數(shù)越多網(wǎng)絡(luò)的非線性越好，學(xué)習(xí)速度越快，但是計算量也隨之成倍增加，容易導(dǎo)致BP網(wǎng)絡(luò)的歸納能力和逼近能力的下降，所以在達到相同誤差目標(biāo)的情況下，應(yīng)盡量少使用隱含層。而且根據(jù)研究表明，用單隱層的BP函數(shù)可以逼近任何在閉區(qū)間內(nèi)連續(xù)的函數(shù)。因此本設(shè)計采用具有單個隱含層的BP網(wǎng)絡(luò)。

③隱含層神經(jīng)元數(shù)目[6]

隱含層節(jié)點數(shù)的確定是設(shè)計者根據(jù)經(jīng)驗確定的。但是隱含層的節(jié)點數(shù)卻非常重要，如果隱含層節(jié)點數(shù)過少，訓(xùn)練網(wǎng)絡(luò)時可能會出現(xiàn)誤差陷入局部極小點，始終無法收斂。同樣，隱含層節(jié)點數(shù)過多會導(dǎo)致網(wǎng)絡(luò)計算時間過長、誤差增大，從而導(dǎo)致網(wǎng)絡(luò)性能下降、不能識別未知的樣本。公式 （8）是一個可用于選擇最佳隱含層節(jié)點數(shù)的經(jīng)驗公式：

其中，s為隱含層數(shù)目，m為輸入節(jié)點數(shù)，n為輸出節(jié)點數(shù)。

④輸出層節(jié)點數(shù)

輸出層節(jié)點數(shù)是由所采用的目標(biāo)種類表示方法所確定。常用的表示方法有兩種:一種是一個輸出層節(jié)點對應(yīng)一個目標(biāo)種類，即目標(biāo)種類的個數(shù)就是輸出層節(jié)點的個數(shù)，這種表示適用于目標(biāo)種類較小的情況。另一種是采用目標(biāo)種類的二進制表示，即如果目標(biāo)種類為N=2M個，輸出層節(jié)點為M個，這種表示方法適用于目標(biāo)種類較多的情況。文中訓(xùn)練的漢字子網(wǎng)共有26個漢字，所以采用第一種表示方法，輸出層節(jié)點數(shù)為26，字母數(shù)字子網(wǎng)有34個字符，因而輸出神經(jīng)元數(shù)目為34。

車牌識別系統(tǒng)的兩個神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)設(shè)置如表1所示。

表1 車牌識別系統(tǒng)的兩個神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)設(shè)置Tab.1 Network structure and training parameter settings of two neural network of license plate recognition system

權(quán)值和閾值的初始化。初始權(quán)值和閾值直接影響到網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)、網(wǎng)絡(luò)是否收斂，所以需要慎重選擇。如果所選擇的初始權(quán)值或閾值過大或過小，都會使激勵函數(shù)的輸出值落入飽和區(qū)，導(dǎo)致權(quán)值和閾值更新過慢，網(wǎng)絡(luò)無法收斂。經(jīng)過多次實驗測試，本設(shè)計的網(wǎng)絡(luò)初始權(quán)值和閾值?。ǎ?，1）之間的隨機數(shù)為最佳。

學(xué)習(xí)函數(shù)的確定。學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練所產(chǎn)生的權(quán)值變化量。大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)不穩(wěn)定，小的學(xué)習(xí)速率導(dǎo)致較長的訓(xùn)練時間，可能收斂很慢，學(xué)習(xí)速率選取范圍在0.01～0.8之間。

3.3 形體相近字符識別校正網(wǎng)絡(luò)設(shè)計

在車牌字符信息中含有一些形體十分相近的字符[7]，經(jīng)大量實驗表明，這些相近字符因為模板自身的相似性導(dǎo)致在分類時出現(xiàn)誤分類的概率比其他字符約高出20%左右，直接影響到車牌字符的最終識別效果。所以在經(jīng)過以上字符識別后仍要對識別結(jié)果中包含相近形體的字符進行區(qū)分識別，從而增加車牌字符識別的準(zhǔn)確率。

在對相似字符進行識別時，首先將待識別字符劃分為6個不同的子區(qū)域， 分別定義為 A11，A12、A21、A22、A31 和A32，如圖2所示。

圖2 字符子區(qū)域劃分Fig.2 Character sub-zoning

對于車牌信息中含有的形體相近字符僅有個別區(qū)域存在不同，針對這個特點，在構(gòu)造判別函數(shù)時，相應(yīng)的將這些區(qū)域所占的權(quán)值增大，減小其余相似部分的權(quán)值，在獲得待識別字符的特征向量時用該區(qū)域提取的特征值與賦予的權(quán)值系數(shù)做乘法運算，將該結(jié)果用以構(gòu)造判別函數(shù)，以達到在識別過程中對不同區(qū)域賦予的權(quán)重，突出兩個字符的不同。通過對實驗結(jié)果歸納總結(jié)得到常見相似字符的子區(qū)域權(quán)值取值如表2所示。

表2 常見相似字符的子區(qū)域權(quán)值Tab.2 Sub-area weights of common similar characters

3.4 實驗數(shù)據(jù)比較

該識別算法與普通識別算法的最大區(qū)別在于規(guī)定子區(qū)域權(quán)值，實現(xiàn)了對形體相近字符的精準(zhǔn)判別，因此在進行算法比較時采用了兩種測試方式，算法的識別效果比較如下：

第一種測試方式：將形近字符校正加入到整個識別算法之中使識別一次完成，以是否加入形近字符校正為區(qū)別，參加測試的是所有車牌字符樣本未經(jīng)任何事先選擇，識別統(tǒng)計數(shù)據(jù)如表3。

第二種測試方式：將形近字符校正單獨取出進行測試，以使用原識別算法與形近字符校正為區(qū)別，參加測試的是車牌字符樣本中的相似字，即前述的相似字組合中的任意一個，識別統(tǒng)計數(shù)據(jù)如表3。

表3 識別統(tǒng)計數(shù)據(jù)Tab.3 Identifying statistics

4 結(jié)束語

文中主要介紹了車牌識別系統(tǒng)的軟件設(shè)計方案，具體的算法為圖像預(yù)處理、車牌定位、字符分割和字符識別4部分?，F(xiàn)有的車牌識別算法己有很多，但都有自己的缺點，要么識別率低，要么識別速度慢。本設(shè)計采用HSV彩色空間對圖像做預(yù)處理；通過彩色邊緣對檢測與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的方法對車牌區(qū)域進行定位；在字符分割部分通過采用動態(tài)閾值調(diào)整方法，很好的實現(xiàn)了字符分割；利用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練了一個字符分類器對分割出的字符進行識別，并對識別結(jié)果中包含的具有形體相近的字符提出了一種 “子區(qū)域不等權(quán)值”的方法進行校對。最后通過實際測試，給出系統(tǒng)的識別率。

[1]劉麗英，潘景山，史永，等.智能交通系統(tǒng)的發(fā)展?fàn)顩r研究[J].信息技術(shù)與信息化，2005（6）:17-18.

LIU Li-ying，PAN Jing-shan，SHI Yong，et al. The development research of intelligent transportation systems[J].Information Technology and Information，2005（6）:17-18.

[2]黃信想，劉秉瀚.基于HSV色彩空間的云模型車牌陰影檢測[J].福州大學(xué)學(xué)報：自然科學(xué)版，2008，36（6）:809-813.

HUANG Xin-xiang，LIU Bing-han.Vehicle shadow detection based on HSV color space and cloud model[J].Journal of Fuzhou University：Natural Science，2008，36（6）:809-813.

[3]Dubey P.Heuristic Approach for License Plate Detection[C]//IEEE.Proceedings of IEEE Conference on Advanced Video and Signal Based Surveillance， Italy，2005:366-370.

[4]JIA Wen-jing，ZHANG Huai-feng，HE Xiang-jian.Mean shift for accurate license plate localization[A].IEEE.Proceedings of the 18th International IEEE Conference on Intelligent Transportation Systems， HongKong，2005:566-571.

[5]童劍軍，鄒明福.車牌字符的一種精判別識別方法[J].計算機工程與應(yīng)用，2005（2）:223-226.

TONG Jian-jun，ZOU Ming-fu.A Method of discerning precisly in plate license character recognition[J].Computer Engineering and Applications，2005（2）:223-226.

[6]Hegt H.A.，Khan N.A..A high performance license plate recognition system [C]//IEEE. Proceedings of IEEE Conference on Systems， Alaska，1998:4357-4362.

[7]WANG Shen-zheng，Lee H..Detection and recognition of license plate characters with different appearances[A].IEEE.Proceedings of 2003 IEEE Intelligent Transportation System，Shanghai，2003:979-984.

Study of License plate recognition software system

CHU Yan， SHAO Yan， CHEN Liang， JU Yong-feng
（Electronic&Control Engineering Department，Chang’an University，Xi’an 710064， China）

For the shortcomings of the existing license plate recognition algorithm in three core modules of license plate location， character segmentation and character recognition， proposing a license plate location method based on the edge of both sides of the color detection； The method of dynamic threshold adjustment achieved the character segmentation well；Much research and experiment for neural network applications in character recognition have been done.According to the different of feature extraction of characters， numbers and letters， the different network parameters are set to recognition.For similar character of recognition results，proposing a method of differ-weights.The results show that the recognition rate has been markedly improved.

license plate recognition； edge detection； dynamic threshold adjustment； neural network； differ-weights

TP31

A

1674－6236（2013）04－0149－03

2012－11－16稿件編號201211128

楚 巖（1962—），女，河南滎陽人，副教授。研究方向：電子技術(shù)應(yīng)用。