王劍雄 王玉蘭

(河北建筑工程學(xué)院，河北 張家口 075000)

0 引 言

目前，一些發(fā)達(dá)國家已經(jīng)將車牌識別技術(shù)應(yīng)用在停車收費系統(tǒng)和交通監(jiān)控系統(tǒng)的實際系統(tǒng)中，在全天候的條件下識別精度超過95%；國內(nèi)車牌識別技術(shù)發(fā)展較慢，雖然取得了一些成果，但仍停留在實驗驗證階段，目前的實驗室識別精度為90%，而在全天候條件下識別精度低于85%，遠(yuǎn)遠(yuǎn)低于實際應(yīng)用的要求.目前，車牌識別主要有以下幾種識別方法：模板匹配法、特征統(tǒng)計匹配法和神經(jīng)網(wǎng)絡(luò)識別法.模板匹配法對規(guī)整字符的識別率比較高，但在字符變形等情況下，識別能力有限；特征統(tǒng)計匹配法在實際應(yīng)用中，當(dāng)字符出現(xiàn)缺失、模糊時，識別效果不理想；神經(jīng)網(wǎng)絡(luò)識別能有效識別解析度較高的車牌，具有強大的分類能力、容錯性和魯棒性，汽車牌照中的字符識別很多都是采用神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，其中BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的網(wǎng)絡(luò)算法[1].

由于BP神經(jīng)網(wǎng)絡(luò)算法自身存在一些不足，如收斂速度慢、局部最優(yōu)、難以確定隱含層節(jié)點數(shù)和訓(xùn)練過程中常發(fā)生振蕩等.針對以上情況，本文在動量因子的選取、學(xué)習(xí)速率的改進(jìn)和網(wǎng)絡(luò)權(quán)值的修改等方面做了一定的改進(jìn)，有效避免網(wǎng)絡(luò)可能陷入局部最小值，并且能自適應(yīng)調(diào)整學(xué)習(xí)速率，加快收斂速度，防止振蕩現(xiàn)象發(fā)生.

1 車牌識別的流程

車牌識別系統(tǒng)主要包括視頻輸入、圖像的預(yù)處理、車牌粗定位、車牌精確定位、字符分割、字符識別等幾個部分.由于在自然的環(huán)境下采集到車輛的圖像質(zhì)量并不是很好，所以必須先對圖像進(jìn)行去噪、邊界增強等一系列的圖像預(yù)處理.在車牌定位過程中，可能對車牌角度進(jìn)行一定的旋轉(zhuǎn)，使得它的位置平行于X軸，最后對它的位置與大小進(jìn)行歸一化處理.定位出車牌的位置后，就要對車牌進(jìn)行字符分割了，把車牌區(qū)域中的所有字符分割出來，然后對分割出來字符進(jìn)行識別，最后把識別出的字符交給決策和管理算法.本文主要闡述如何改進(jìn)BP算法，以便更好地識別字符.

2 改進(jìn)的BP網(wǎng)絡(luò)實現(xiàn)車牌識別

2.1 BP神經(jīng)網(wǎng)絡(luò)算法模型

BP網(wǎng)絡(luò)模型處理信息的基本原理是：輸入信號Xi通過中間節(jié)點(隱層點)作用于輸出節(jié)點，經(jīng)過非線形變換，產(chǎn)生輸出信號Yk，網(wǎng)絡(luò)訓(xùn)練的每個樣本包括輸入向量X和期望輸出量t，網(wǎng)絡(luò)輸出值Y與期望輸出值t之間的偏差，通過調(diào)整輸入節(jié)點與隱層節(jié)點的權(quán)值Wij和隱層節(jié)點與輸出節(jié)點之間的權(quán)值Tjk以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即告停止[2].BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示：

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計算模型和自學(xué)習(xí)模型.隱層節(jié)點輸出模型如公式(1)，輸出節(jié)點輸出模型如公式(2)

Oj=f(∑Wij×Xi-qj)

(1)

Yk=f(∑Tjk×Oj-qk)

(2)

其中f-非線形作用函數(shù)；q-神經(jīng)單元閾值.

作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，一般取值(0,1)，作用函數(shù)模型公式如(3)

f(x)=1/(1+e-x)

(3)

誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù)，如公式(4)：

Ep=1/2×∑(tpi-Opi)2

(4)

tpi節(jié)點的期望輸出值；Opi節(jié)點計算輸出值.

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，即連接下層節(jié)點和上層節(jié)點之間的權(quán)重矩陣Wij的設(shè)定和誤差修正過程，學(xué)習(xí)模型如公式(5)

△Wij(n+1)=h×Фi×Oj+a×△Wij(n)

(5)

h-學(xué)習(xí)因子；Фi-輸出節(jié)點i的計算誤差；Oj-輸出節(jié)點j的計算輸出；a-動量因子.

2.2 BP網(wǎng)絡(luò)模型的缺陷分析及優(yōu)化策略

(1)學(xué)習(xí)因子h優(yōu)化公式如(6)，采用變步長法根據(jù)輸出誤差大小自動調(diào)整學(xué)習(xí)因子，來減少迭代次數(shù)和加快收斂速度，a為調(diào)整步長，在0～1之間取值.

h=h+a×(Ep(n)-Ep(n-1))/Ep(n)

(6)

(2)隱層節(jié)點數(shù)的多少對網(wǎng)絡(luò)性能的影響較大，當(dāng)隱層節(jié)點數(shù)太多時，會導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)時間過長，甚至不能收斂；而當(dāng)隱節(jié)點數(shù)過小時，網(wǎng)絡(luò)的容錯能力差.利用逐步回歸分析法并進(jìn)行參數(shù)的顯著性檢驗來動態(tài)刪除一些線形相關(guān)的隱節(jié)點，當(dāng)由該節(jié)點出發(fā)指向下一層節(jié)點的所有權(quán)值和閾值均落于某個區(qū)域中(通常取±0.1、±0.05等區(qū)間)，則該節(jié)點可刪除.最佳隱節(jié)點數(shù)L可參考公式(7)：

L=(m+n)1/2+c

(7)

m-輸入節(jié)點數(shù)；n-輸出節(jié)點數(shù)；c-介于1～10的常數(shù).

(3)利用多元回歸分析法對神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)和輸出參數(shù)進(jìn)行處理，刪除相關(guān)性強的輸入和輸出參數(shù)，來減少輸入和輸出節(jié)點數(shù).本文字符歸一化成32×16大小，輸出只有10個數(shù)字，26個字符，34個漢字，故輸入層節(jié)點個數(shù)為512，輸出層結(jié)點個數(shù)是70.

(4)算法優(yōu)化.由于BP算法采用的是剃度下降法，因而易陷于局部最小并且訓(xùn)練時間較長.用基于生物免疫機制既能全局搜索又能避免未成熟收斂的免疫遺傳算法IGA取代傳統(tǒng)BP算法來克服此缺點[3].

在該神經(jīng)網(wǎng)絡(luò)算法投運前，從道路拍攝到大量車牌數(shù)據(jù)，包括正常運行的、不正常運行的，作為其訓(xùn)練內(nèi)容，以一定的輸入和期望的輸出通過BP算法去不斷修改網(wǎng)絡(luò)的權(quán)值.在投運后，也可根據(jù)現(xiàn)場的特定情況進(jìn)行現(xiàn)場學(xué)習(xí)，以擴充ANN內(nèi)存知識量.

2.3 BP神經(jīng)網(wǎng)絡(luò)的進(jìn)一步調(diào)整

由于BP神經(jīng)網(wǎng)絡(luò)算法自身存在一些不足，如收斂速度慢、局部最優(yōu)、難以確定隱含層節(jié)點數(shù)和訓(xùn)練過程中常發(fā)生振蕩等.因此本文采用動量因子和自適應(yīng)學(xué)習(xí)速率對其進(jìn)行改進(jìn).在梯度下降算法的基礎(chǔ)上引入動量因子a(0

w(k+1)=w(k)+n((1-a)D(k)+aD(k-1))

(8)

其中，D(k)表示負(fù)梯度.

這樣，在對網(wǎng)絡(luò)權(quán)值修改過程中，不僅考慮誤差在梯度上的作用，還考慮對誤差曲面上變化趨勢的影響，有效避免網(wǎng)絡(luò)可能陷入局部最小值的情況，在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，自適應(yīng)調(diào)整學(xué)習(xí)速率，加快收斂速度，防止振蕩現(xiàn)象發(fā)生[4].

3 實驗結(jié)果分析與比較

本文所研究的車牌識別系統(tǒng)是基于道路監(jiān)控畫面，對公路收費站現(xiàn)場拍攝的圖像進(jìn)行收集，首先將圖像經(jīng)過預(yù)處理、車牌定位、字符分割后，然后對獲得字符歸一化成32×16大小.輸入時每個像素點都是特征點，輸出時共有26個字符、10個數(shù)字和34個漢字，所以輸入層節(jié)點個數(shù)為512，輸出層采用編碼的方式，需要結(jié)點個數(shù)是7.將這些數(shù)據(jù)分成兩組：一組作為訓(xùn)練樣本集，作為標(biāo)準(zhǔn)模板，另一組作為測試樣本集.應(yīng)用VC++6.0和Matlab7.0軟件進(jìn)行開發(fā)，具體系統(tǒng)功能如圖2所示.在圖2中，左邊是一副典型的車牌圖，它是經(jīng)過了預(yù)處理和車牌定位后的圖像；右邊是一個對車牌進(jìn)行識別和管理的一個系統(tǒng).它識別車牌后，通過聯(lián)網(wǎng)搜索該車以及車主的所有信息，以供決策者提供足夠的資源，從而快速、準(zhǔn)確地對該車輛做出決策.

圖2 車輛牌照的識別與管理系統(tǒng)功能

為了檢驗本文車牌識別實時性，對傳統(tǒng)BP網(wǎng)絡(luò)和本文算法收斂速度進(jìn)行比較，結(jié)論是本文車牌識別算法收斂速度明顯加快，且振蕩很小.說明本文對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)采用附加動量因子、自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率進(jìn)行改進(jìn)，提高了識別速度，滿足了現(xiàn)代智能交通管理實時性的特點.

為了檢驗本文車牌識別的準(zhǔn)確性，采用模板匹配算法、傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、支持向量機和本文算法作為對比模型，采用車牌識別的正確率作為評價準(zhǔn)則，幾種算法的識別成功率如表1所示.從表1可知，本文算法識別準(zhǔn)確率要高于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法、模板匹配算法和支持向量機.對比結(jié)果表明，采用本文車牌識別算法能夠有效地識別車牌字符，而且學(xué)習(xí)與識別的速度較快.

表1 四種算法識別成功率的比較

4 結(jié)束語

車牌自動識別技術(shù)是現(xiàn)代智能交通系統(tǒng)中的一項非常重要的技術(shù)，成為近幾年來研究的熱點[5].本文對BP神經(jīng)網(wǎng)絡(luò)在車牌識別應(yīng)用存在一些不足進(jìn)行了分析，并對其進(jìn)行了改進(jìn).重點論述了BP神經(jīng)網(wǎng)絡(luò)的構(gòu)造與改進(jìn)，最后通過仿真對其正確性、可靠性和及時性進(jìn)行驗證.仿真結(jié)果表明，改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)車牌識別算法進(jìn)一步提高了車牌識別正確率，加快了識別速度，實現(xiàn)對過往車輛進(jìn)行實時監(jiān)控，系統(tǒng)的性能良好，在現(xiàn)代智能交通系統(tǒng)有著廣泛的應(yīng)用前景.

參 考 文 獻(xiàn)

[1]Danian Zheng,Yannan Zhao,Jiaxin Wang.An efficient method of license plate location[J].Pattern Recognition Letters,2005,26(26)：2431～2438

[2]S.Z.Wang,H.M.Lee..Detection and recognition of license plate characters with different appearances[C].Proc.Confi.Intell.Transp.Syst.2003,979～984

[3]Danlan Zheng,Yannan Zhao,Jiaxin Wang.An efficient method of license plate location[J].Pattern Recognition Letters.2005(26):2431～2438

[4]Vahid Abolghasemi,Alireze Ahmadyfard.An Edge-based Color-aided method for license plate detection[J].Image Vision computing,2008,23(10)

[5]Sergios Theodoridis,Konstantinos Koutroumbas.Pattern Recognition[M].Beijing:China Machine Press,2003