文祝青，羅威，杜華英（惠州城市職業(yè)學(xué)院信息技術(shù)系，惠州　516000）

基于BP神經(jīng)網(wǎng)絡(luò)的車牌號(hào)碼識(shí)別

文祝青，羅威，杜華英
（惠州城市職業(yè)學(xué)院信息技術(shù)系，惠州516000）

0　引言

如今，隨著人們生活水平的不斷提高，我國(guó)汽車保有量也越來(lái)越高，在道路卡口安防監(jiān)控、智能停車場(chǎng)中一個(gè)重要的環(huán)節(jié)是自動(dòng)提取和識(shí)別汽車車牌號(hào)碼以供他用，其在現(xiàn)代智能交通監(jiān)控中占據(jù)著非常重要的作用。首先，提取的車牌大致需要經(jīng)過(guò)如下的圖像預(yù)處理過(guò)程：彩色圖灰度化、梯度銳化、剔除離散噪聲、整體傾斜調(diào)整、二值化、字符分割、尺寸標(biāo)準(zhǔn)歸一化和緊縮重排等等。接著對(duì)已經(jīng)分割好的字符進(jìn)行相應(yīng)的特征提取，形成特征向量；然后把特征向量交由離線訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)［1-3］進(jìn)行識(shí)別。整個(gè)識(shí)別過(guò)程的處理流程圖如圖1所示。

圖1　車牌識(shí)別的處理流程圖

1　車牌圖像預(yù)處理

車牌圖像預(yù)處理過(guò)程主要包括：車牌定位與提取、灰度化、圖像銳化、噪聲處理、傾斜校正、二值化、字符分割、尺寸歸一化和緊縮重排。

在具有復(fù)雜背景的圖像中定位出車牌區(qū)域是車牌識(shí)別中的重要環(huán)節(jié)。一般采用的車牌定位算法有：基于色彩分割的提取算法；基于圖像紋理特征的算法；基于邊緣檢測(cè)的定位算法［4］；基于小波變換的定位算法［5］；基于數(shù)學(xué)形態(tài)學(xué)的定位算法［6］等。本文采用的是基于色彩分割的提取算法，根據(jù)車牌的藍(lán)白比、長(zhǎng)寬比等的特點(diǎn)，分X水平、Y垂直兩個(gè)方向進(jìn)行多次車牌搜索以獲取車牌位置。提取的彩色車牌圖像如圖2所示。

圖2　車牌彩色圖像

256灰度化指的是把彩色圖像轉(zhuǎn)換成具有256個(gè)灰度等級(jí)的灰度圖像。可采用加權(quán)法對(duì)256彩色圖進(jìn)行灰度化處理。人們對(duì)RGB三個(gè)分量的綠色比較敏感，藍(lán)色較弱，紅色居中。因此，可增大G分量的權(quán)值，減少B分量的權(quán)值。根據(jù)經(jīng)驗(yàn)值，G分量取權(quán)值0.59，R分量取權(quán)值0.30，B分量取權(quán)值0.11，可得到較合理的灰度像素點(diǎn)f（i，j），如公式（1）所示。轉(zhuǎn)換的灰度圖如圖3所示。

f（i，j）=0.30R（i，j）+0.59G（i，j）+0.11B（i，j）（1）

圖3　灰度圖

圖像銳化在保證不影響高頻分量的前提下，剔除圖像中的低頻分量，通過(guò)對(duì)低頻分量的濾波后增加圖像反差，通過(guò)補(bǔ)償部分圖像邊緣輪廓使圖像邊緣變得更為清晰。本系統(tǒng)采用梯度銳化的方法對(duì)字符圖像進(jìn)行銳化操作。根據(jù)門(mén)限判斷的梯度銳化方法，初始閾值設(shè)為θ=255，設(shè)像素點(diǎn)H（i，j）的灰度為c，H（i+1，j）的灰度為a，H（i，j+1）的灰度為b，則梯度值等于|（a-b）+|a-b||，如果該值大于，則c=梯度值，否則c=θ，即為白點(diǎn)，如式2所示。

車牌圖像產(chǎn)生噪聲的主要原因有以下幾個(gè)：下雨、下雪、起霧、黑夜和沙塵暴等天氣氣候原因；設(shè)備抖動(dòng)、脈沖電流等硬件原因；圖像預(yù)處理算法不夠精細(xì)等軟件原因?？梢圆捎弥兄禐V波算法剔除大部分的離散噪聲，中值濾波的基本原理是，把3×3局部像素區(qū)域的像素按灰度等級(jí)進(jìn)行升序或降序排序，取該局部像素區(qū)域中灰度的中值作為當(dāng)前像素的灰度值，如圖4（a）所示。中值濾波前后圖如圖4（b）所示。

圖4　

提取的車牌或多或少地存在一定程度的傾斜，因此需要對(duì)車牌進(jìn)行傾斜校正。采用Hough和Radon算法［7］檢測(cè)出車牌的水平傾斜角，然后進(jìn)行旋轉(zhuǎn)修正，使車牌呈水平狀。這有利于提高車牌號(hào)碼的識(shí)別率。傾斜校正效果如圖5所示。

圖5　傾斜校正

圖像二值化的方法有很多，本文采用的二值化方法是最大類間方差法［8］（大律法，OTSU），它是一種逢適應(yīng)的閾值確定方法，根據(jù)灰度圖像的特征，將圖像分成背景區(qū)域和目標(biāo)區(qū)域兩部分，當(dāng)類間方差最大時(shí)，則目標(biāo)和背景的錯(cuò)分概率最小?；谧畲箢愰g方差法的二值化如圖6所示。為了方便車牌號(hào)碼的提取，需要對(duì)二值化圖進(jìn)行反色處理，如圖6所示。

二值化后的車牌圖像還是有諸如邊框、鉚釘?shù)确擒嚺茲h字、字母和數(shù)字的區(qū)域，為了提取出貼合的區(qū)域，需要采取裁剪處理，去掉多余的部分。可以從分X水平、Y垂直兩個(gè)方向進(jìn)行相應(yīng)的掃描，以最終獲得車牌的號(hào)碼部分，如圖8所示。然后對(duì)車牌號(hào)碼進(jìn)行字符分割和尺寸歸一化處理。

圖6　二值化圖

圖8　裁剪

2　特征提取

經(jīng)過(guò)預(yù)處理后，車牌字符從原來(lái)“無(wú)序”的狀態(tài)變成了整齊排列和大小相同的狀態(tài)。特征提取的算法是整個(gè)識(shí)別過(guò)程的關(guān)鍵部分，它可以決定識(shí)別的準(zhǔn)確性。針對(duì)我國(guó)車牌的字符結(jié)構(gòu)，對(duì)其抽取了車牌字符的一些特征——區(qū)域像素、橫線特征和豎線特征——進(jìn)行相應(yīng)的分析。

先把圖像分為8塊，把每一份里面的黑色像素的個(gè)數(shù)作為特征，那么共有8個(gè)特征，并且通過(guò)累加獲得總像素，那么就共得到8+1＝9個(gè)特征，如圖9（a）所示；接著我們分別用兩條水平和垂直線切割字符圖像，把切割線經(jīng)過(guò)的黑色像素點(diǎn)作為特征，得到4個(gè)橫縱像素特征；一共得到9+4＝13個(gè)特征值，如圖9（b）所示。

3　BP神經(jīng)網(wǎng)絡(luò)識(shí)別處理

圖9　特征提取

接著，就可以把提取得到的特征值存儲(chǔ)在一個(gè)特征向量P里，接著將特征向量輸入已經(jīng)離線訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到輸出特征向量T與表一中的字符編碼表進(jìn)行逐一比對(duì)，這樣就可以對(duì)需要識(shí)別的字符圖像進(jìn)行識(shí)別了。

表1　字符編碼表

4　結(jié)語(yǔ)

車牌號(hào)碼的識(shí)別過(guò)程主要分成兩個(gè)部分，第一部分是圖像預(yù)處理部分，包括車牌圖像的定位與提取、彩色圖像灰度化、圖像傾斜校正、圖像二值化、字符分割、尺寸歸一化和緊縮重排；第二部分是特征提取與識(shí)別部分，包括9區(qū)域像素提取和雙橫縱像素提?。?3個(gè)特征）、三層13-8-7的BP神經(jīng)網(wǎng)絡(luò)的離線訓(xùn)練與識(shí)別。在MATLAB中對(duì)此進(jìn)行了模擬實(shí)現(xiàn)，取得了良好的效果，識(shí)別率在95%以上。誤識(shí)的情況主要體現(xiàn)在由于天氣環(huán)境、車牌污損和拍攝質(zhì)量等原因?qū)е碌能嚺贫ㄎ皇?、車牌圖像預(yù)處理階段中對(duì)字符關(guān)鍵部位的誤處理。

［1］杜華英.基于PSO算法的BP神經(jīng)網(wǎng)絡(luò)研究［J］.現(xiàn)代計(jì)算機(jī)（專業(yè)版），2009，（02）.

［2］杜華英，趙躍龍.人工神經(jīng)網(wǎng)絡(luò)典型模型的比較研究.計(jì)算機(jī)技術(shù)與發(fā)展，2006，（05）.

［3］杜華英.基于車型識(shí)別的BP算法MATLAB實(shí)現(xiàn)［J］.計(jì)算機(jī)與現(xiàn)代化，2012（5）：20-22.

［4］沈勇武，章專.基于特征顏色邊緣檢測(cè)的車牌定位方法［J］.儀器儀表學(xué)報(bào)，2008，29（12）：2673-2677.

［5］尚趙偉等.基于二進(jìn)小波變換的多車牌定位算法［J］.計(jì)算機(jī)工程，2011，37（3）：16-18.

［6］廖春生.基于數(shù)學(xué)形態(tài)學(xué)車牌定位算法仿真研究［J］.計(jì)算機(jī)仿真，2012，28（12）：353-356.

［7］于明等.融合Hough與Radon變換的車牌傾斜校正算法［J］.控制工程，2013，20（6）：1014-1017.

［8］徐國(guó)華等.基于改進(jìn)的最大類間方差法的遙感影像變化檢測(cè)［J］.測(cè)繪科學(xué)，2012，37（1）：80-82.

License Plate；BP Neural Network；Feature Extraction

Research on the License Plate Recognition Based on BP Neural Network Algorithm

WEN Zhu-qing，LUO Wei，DU Hua-ying
（Department of Information Technology，City College of Huizhou，Huizhou 516000）

1007-1423（2015）35-0065-04

10.3969/j.issn.1007-1423.2015.35.014

文祝青（1981-），女，四川自貢人，碩士研究生，講師，研究方向?yàn)橛?jì)算機(jī)教育、軟件工程

羅威（1978-），女，廣東河源人，碩士研究生，講師，研究方向?yàn)殡娮由虅?wù)

杜華英（1975-），女，江西樟樹(shù)人，碩士研究生，高級(jí)講師，研究方向?yàn)樯窠?jīng)網(wǎng)絡(luò)、模式識(shí)別

2015-11-20

2015-12-05

車牌號(hào)碼的提取與識(shí)別在現(xiàn)代智能交通系統(tǒng)中起著非常重要的作用。采用兩個(gè)主要步驟對(duì)車牌進(jìn)行處理：首先是圖像預(yù)處理部分，包括車牌圖像的定位與提取、彩色圖像灰度化、圖像傾斜校正、圖像二值化、字符分割、尺寸歸一化和緊縮重排；其次是特征提取與識(shí)別部分，提取字符中9區(qū)域像素?cái)?shù)和雙橫縱像素?cái)?shù)共13個(gè)特征，然后交由已經(jīng)離線訓(xùn)練好的三層13-8-7的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。在MATLAB中得以模擬實(shí)現(xiàn)，取得良好的識(shí)別效果。

車牌號(hào)碼；BP神經(jīng)網(wǎng)絡(luò)；特征提取

惠州城市職業(yè)學(xué)院課題項(xiàng)目（No.HZC2015-5-1-3）

The feature extraction and recognition of the license plate plays a very important role in the modern intelligent transportation system.Uses two main steps to deal with the license plate:the first is the image preprocessing part，including the location and extraction of license plate image，grayscale，tilt correction，binarization，character segmentation，size normalization and rearrangement.The second is the feature extraction and recognition part，gets the number of pixels of 9 regions and Double horizontal and vertical lines for the three-layer 13-8-7 BP neural network that is trained offline to recognize the characters of the license plate.We achieve good recognition results in the MATLAB simulation environment.