陰亞芳, 張婧琪, 廖延娜

(1西安郵電大學(xué) 電子工程學(xué)院, 陜西 西安 710121； 2.西安郵電大學(xué) 理學(xué)院, 陜西 西安 710121)

小生境遺傳算法在多車牌定位中的應(yīng)用

陰亞芳1, 張婧琪1, 廖延娜2

(1西安郵電大學(xué) 電子工程學(xué)院, 陜西 西安 710121； 2.西安郵電大學(xué) 理學(xué)院, 陜西 西安 710121)

為了在復(fù)雜背景下對(duì)多車牌進(jìn)行準(zhǔn)確定位，提出一種基于小生境遺傳算法的多車牌定位方法。利用一組一維濾波器對(duì)圖像平滑處理得到圖像的特征向量，建立小生境遺傳算法模型，設(shè)計(jì)適應(yīng)度函數(shù)，并確定小生境算法機(jī)制，實(shí)現(xiàn)多車牌定位。仿真實(shí)驗(yàn)表明，基于小生境遺傳算法的多車牌定位方法能夠準(zhǔn)確地對(duì)多車牌進(jìn)行定位，平均定位率達(dá)到90%以上。

車牌定位；小生境；遺傳算法

車牌識(shí)別系統(tǒng)在智能交通系統(tǒng)中的應(yīng)用十分廣泛，隨著社會(huì)的不斷進(jìn)步，單輛車牌照識(shí)別已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足人們的需求，多車牌識(shí)別系統(tǒng)應(yīng)運(yùn)而生。一個(gè)完整的車牌識(shí)別系統(tǒng)主要由車牌定位、字符分割和字符識(shí)別三個(gè)模塊組成，其中車牌定位是進(jìn)行字符分割和識(shí)別的先決條件和關(guān)鍵步驟[1]。目前，有效的單車牌定位方法主要有灰度特性法[2]、hough變換法[3]、小波變換法[4]、數(shù)學(xué)形態(tài)學(xué)法[5]、紋理特征分析法[6]、神經(jīng)網(wǎng)絡(luò)法[7]和彩色分割法和遺傳算法[8]等。但是，以上方法均無(wú)法對(duì)同一張圖片中的多個(gè)車牌進(jìn)行同時(shí)定位。

遺傳算法(Genetic Algorithm, GA)是是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法[9]。小生境(Niche)是指自然界中生物根據(jù)物種特性的差異而群居、繁衍呈現(xiàn)出的一種特定的生存環(huán)境。

在小生境中，當(dāng)種群中個(gè)體大量繁殖，為爭(zhēng)奪有限的生存資源，群體中個(gè)體之間的競(jìng)爭(zhēng)壓力必然加劇，導(dǎo)致個(gè)體壽命和出生率降低[10]。針對(duì)這種現(xiàn)象，基于罰函數(shù)的排擠機(jī)制的小生境遺傳算法[11]被提出，該算法先比較種群中兩兩個(gè)體之間的距離，若該距離在預(yù)先指定的距離L之內(nèi)，則再比較兩者之間的適應(yīng)度大小，并對(duì)適應(yīng)度較小的個(gè)體施加一個(gè)較強(qiáng)的罰函數(shù)，使其適應(yīng)度極大降低，增加其被淘汰的概率，這樣，在距離L之內(nèi)只存在一個(gè)優(yōu)良的個(gè)體，既維護(hù)了種群的多樣性，又使得各個(gè)體之間保持一定的距離。

在GA中引入小生境技術(shù)，不但保留了GA魯棒性強(qiáng)、并行性和高效性的優(yōu)點(diǎn)，還可避免進(jìn)化后期適應(yīng)度高的個(gè)體大量繁殖并充斥整個(gè)解空間，導(dǎo)致算法停止在局部最優(yōu)解上的問(wèn)題，從而找到更多最優(yōu)個(gè)體[12]。小生境遺傳算法可以改進(jìn)遺傳算法等最優(yōu)值找不全的問(wèn)題，應(yīng)用在多車牌識(shí)別領(lǐng)域中。

本文擬提出一種基于小生境遺傳算法的多車牌定位方法,在遺傳算法的基礎(chǔ)上，添加小生境技術(shù)以保持種群的多樣性，從而完成同時(shí)對(duì)多輛車車牌進(jìn)行定位。

1 車牌特征提取

為了便于車輛牌照特征的提取，需要將采集到的車牌RGB圖像進(jìn)行灰度化和二值化處理，得到Ibin(x,y)。由于車牌字符主要呈現(xiàn)在水平方向，在小范圍區(qū)域內(nèi)呈現(xiàn)規(guī)律的、有一定疏密度的、黑白間隔的紋理分布,因此，通過(guò)多尺度濾波技術(shù),采用一組反映不同疏密度的高斯差分濾波器,對(duì)圖像平滑濾波來(lái)獲取圖像紋理特征向量[13]。

分別采用3,4,5個(gè)像素點(diǎn)對(duì)圖像進(jìn)行遍歷,得到濾波模板

L1=[-1,0,1], L2=[-1,-1,1,1]/2,L3=[-1,-1,0,1,1]/2。

(1)

令車牌二值圖像Ibin(x,y)分別與上述濾波模板卷積,進(jìn)行車牌紋理特征提取,得濾波后的灰度圖像

Ii(x,y)=Ibin(x,y)*Li(i=1,2,3),

(2)

根據(jù)車牌區(qū)域紋理特征空間分布的均勻性,使用濾波后圖像的標(biāo)準(zhǔn)偏差來(lái)表示其紋理特征值,即

(3)

其中圖片大小為m×n，濾波后圖像的平均能量

(4)

由此可得車牌區(qū)域的特征描述向量

T=[σ1,σ2,σ3]。

(5)

2 車牌定位

2.1 適應(yīng)度函數(shù)

基本遺傳算法的適應(yīng)度函數(shù)通常由當(dāng)前區(qū)域的特征與模板值的距離來(lái)決定，但在實(shí)際中，由于光線和天氣等因素的影響，車牌的特征往往會(huì)產(chǎn)生較大變化，若車牌模板選擇的不好則會(huì)影響定位的結(jié)果。由于在實(shí)際中無(wú)法使用一個(gè)模板來(lái)表示所有車牌的特征，故需要重新設(shè)計(jì)一種車牌適應(yīng)度函數(shù)。

根據(jù)車牌區(qū)域的紋理特征，由各種字符組成車牌與其他位置相比，紋理變化較劇烈，可以認(rèn)為區(qū)域內(nèi)特征向量的值越大，則越有可能是車牌區(qū)域，故將適應(yīng)度設(shè)置為車牌三個(gè)紋理特征值之和，即

F=σ1+σ2+σ3。

2.2 個(gè)體的編碼與相似度判斷

由于實(shí)際中對(duì)車牌進(jìn)行拍照的位置是固定的，因此所得車牌的大小只在很小一個(gè)范圍內(nèi)變化。采用二進(jìn)制數(shù)對(duì)個(gè)體進(jìn)行編碼，分別用10位和9位二進(jìn)制數(shù)表示車牌左上角的坐標(biāo)x和y、用4位二進(jìn)制數(shù)表示車牌的長(zhǎng)l與寬w，其中

l∈[90, 95],w∈[35, 40]。

在排擠機(jī)制中需要判斷個(gè)體的相似性。兩個(gè)個(gè)體的相似程度傳統(tǒng)上定義為對(duì)應(yīng)二進(jìn)制串之間的Hamming距離[14]。但是在判斷車牌區(qū)域的相似性時(shí)，具有較小Hamming距離的兩個(gè)車牌編碼有可能差異度很大。考慮到傳統(tǒng)Hamming距離在度量車牌相似性時(shí)的缺陷，需要重新設(shè)計(jì)車牌相似性度量方法。

根據(jù)實(shí)際情況，若兩個(gè)車牌區(qū)域有重合部分，則兩車牌區(qū)域是相似的，即若兩車牌區(qū)域滿足

|x1-x2|+|y1-y2|

(7)

則兩車牌相似。

2.3 車牌定位的實(shí)現(xiàn)步驟

采用排擠機(jī)制的小生境遺傳算法多車牌定位算法流程如圖1所示。

(1) 選擇操作。采用輪盤賭的方式對(duì)種群進(jìn)行選擇操作，適應(yīng)度較高的個(gè)體被遺傳到下一代群體中的概率較大，適應(yīng)度較低的個(gè)體被遺傳到下一代群體中的概率較小，從而達(dá)到優(yōu)化種群的目的。

(2) 交叉操作。采用單點(diǎn)交叉的方式，即在父代染色體中隨機(jī)設(shè)置一個(gè)交叉點(diǎn)，然后在該點(diǎn)互換兩個(gè)配對(duì)個(gè)體的部分染色體。

(3) 變異操作。采用基本變異算子，在編碼中隨機(jī)選取1個(gè)或多個(gè)基因位置，并根據(jù)變異概率對(duì)這些位置的基因取反。

圖1 算法流程

3 仿真結(jié)果

取種群大小M為200，交叉概率為0.9，變異概率為0.1，最大迭代次數(shù)為20。在排擠機(jī)制中，每次記錄適應(yīng)度最好的前5個(gè)個(gè)體，即N=5。

迭代20次后得到車牌區(qū)域的適應(yīng)度變化如圖2所示，其中位于上方的適應(yīng)度曲線為圖3中右側(cè)車的車牌，位于下方的適應(yīng)度曲線為圖3中左側(cè)車的車牌。

圖2 兩輛車圖片適應(yīng)度函數(shù)

圖3 兩輛車定位結(jié)果

由圖2可見，不同車牌的適應(yīng)度是有很大差別的，不能利用統(tǒng)一的適應(yīng)度模板進(jìn)行描述。例如若訓(xùn)練出的車牌模板值為[0.310，0.315，0.320]，而圖3中右側(cè)車牌特征值為[0.320, 0.324, 0.330],左側(cè)車牌特征值為[0.300, 0.302, 0.306]。當(dāng)使用傳統(tǒng)基于模板距離的適應(yīng)度函數(shù)時(shí)，兩個(gè)車牌的適應(yīng)度都大約為0.03，適應(yīng)度非常相似，因此無(wú)法區(qū)分出多個(gè)車牌。若采用新的適應(yīng)度函數(shù)，則得到如圖2中所示的適應(yīng)度，能夠保證多個(gè)車牌的適應(yīng)度有顯著的差異。

對(duì)三輛車的識(shí)別結(jié)果如圖4和圖5所示。

圖4 兩輛車圖片適應(yīng)度函數(shù)

圖5 三輛車定位結(jié)果

分別采用100幅兩輛車圖片和100幅三輛車圖片作為測(cè)試樣本，重復(fù)運(yùn)行20次進(jìn)行測(cè)試，統(tǒng)計(jì)結(jié)果如表1所示。

表1 多車牌定位系統(tǒng)定位結(jié)果

由于小生境遺傳算法具有隨機(jī)性，仿真存在一些定位不成功的現(xiàn)象，如車牌定位不完全(包括車牌數(shù)輛不完全和車牌區(qū)域不完全)和車牌定位錯(cuò)誤等，所以測(cè)試次數(shù)取為20次，并利用了平均的方法計(jì)算系統(tǒng)的平均定位率。

4 結(jié)束語(yǔ)

給出了一種基于小生境遺傳算法的多車牌定位方法，通過(guò)改進(jìn)小生境遺傳算法的適應(yīng)度函數(shù)，得出一種判斷車牌相似度的判定準(zhǔn)則。相關(guān)實(shí)驗(yàn)結(jié)果表明，新方法可以克服傳統(tǒng)遺傳算法在進(jìn)行多車牌定位時(shí)最優(yōu)值尋找不全的問(wèn)題，能夠有效定位出圖片中的多個(gè)車牌。

[1] 萬(wàn)燕，徐勤燕，黃蒙蒙. 復(fù)雜背景中基于紋理和顏色的車牌定位研究[J]. 計(jì)算機(jī)應(yīng)用與軟件，2013,30(10)：259-316.

[2] 劉濛，吳成東，樊玉泉，等. 復(fù)雜背景圖像中的車牌定位算法[J]. 中國(guó)圖象圖形學(xué)報(bào)，2010,15(9)：1357-1362.

[3] 林俊，楊峰，林凱.Hough 變換與先驗(yàn)知識(shí)在車牌定位中的新應(yīng)用[J].計(jì)算機(jī)與數(shù)字工程，2009，37(8)：138-140.

[4] Wang Yuhrau, Lin Wehung, Horng Shijinn. A sliding window technique for efficient license plate localization based on discrete wavelet transform[J]. Expert Systems with Applications, 2011,38:3142-3146.

[5] 李偉，朱偉良，孔祥杰,等.一種新型的基于數(shù)學(xué)形態(tài)學(xué)和顏色特征車牌定位算法[J].科技通報(bào)，2009,25 (2)：214-219.

[6] 周鐵平，王慶. 一種新的汽車牌照快速定位方法[J]. 微計(jì)算機(jī)應(yīng)用，2007,28(4)：343-348.

[7] 張興會(huì)，杜升之，陳增強(qiáng),等. 基于神經(jīng)網(wǎng)絡(luò)的車牌照自動(dòng)識(shí)別系統(tǒng)[J]. 儀器儀表學(xué)報(bào),2001,22(3)：209-230.

[8] 代悅寧，朱國(guó)暉. 基于遺傳算法的LTE下行系統(tǒng)資源分配算法[J]. 西安郵電大學(xué)學(xué)報(bào)，2014,19(1)：50-54.

[9] 馬永杰，云文霞. 遺傳算法研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2012,29(4)：1201-1210.

[10] 劉延飛. 基于小生境遺傳算法的數(shù)學(xué)符號(hào)識(shí)別方法的研究[D].長(zhǎng)春：吉林大學(xué)，2008:32-35.

[11] 謝凱. 排擠小生境遺傳算法的研究與應(yīng)用[M].西安:西安交通大學(xué)出版社,2002:75.

[12] 朱筱蓉，張興華. 基于小生境遺傳算法的多峰函數(shù)全局優(yōu)化研究[J]. 南京工業(yè)大學(xué)學(xué)報(bào)，2006,28(3):39-43.

[13] Manjunath B S, Ma W Y. Texture Features for Browsing and Retrieval of Image Data[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1996,18(8):837-842.

[14] 劉楠. 改進(jìn)的小生境遺傳算法在多目標(biāo)車間調(diào)度中的應(yīng)用研究[D]. 大連：大連交通大學(xué)，2009:11-12.

[責(zé)任編輯:瑞金]

License plate location based on niche genetic algorithm

YIN Yafang1, ZHANG Jingqi1， LIAO Yanna2

(1.School of Electronic Engineering, Xi’an University of posts and Telecommunications, Xi’an 710121, China;2.School of Science, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

In order to locate multiple license plates in complex background accurately，a multiple license plate location method based on niche genetic algorithm is proposed. Firstly, the feature vector of the image is obtained by a different set of uni-dimensional filter. Secondly, a niche genetic algorithm model is established, a fitness function is designed, and a mechanism of niche algorithm is determined. Finally, the license plate location is achieved. Simulation results show that this license plate location method based on niche genetic algorithm can locate the license plate accurately. The average localization rate is over 90%.

multiple license plate location, niche, genetic algorithm

2014-09-22

陜西省教育廳科學(xué)研究計(jì)劃資助項(xiàng)目(12JK0559)

陰亞芳(1966-)，女，博士，教授，從事數(shù)字信號(hào)處理及光器件研究。E-mail: yinyfxian@163.com 張婧琪(1989-)，女，碩士研究生，研究方向?yàn)閳D形圖像與視頻處理。E-mail:Zhangjqxian@163.com

10.13682/j.issn.2095-6533.2015.01.008

TP391.4

A

2095-6533(2015)01-0040-04