吳 聰，殷 浩，黃中勇，劉 罡

(湖北工業(yè)大學(xué) 光庭實(shí)驗(yàn)室，湖北 武漢 430068)

基于人工神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別

吳 聰，殷 浩，黃中勇，劉 罡

(湖北工業(yè)大學(xué) 光庭實(shí)驗(yàn)室，湖北 武漢 430068)

車牌作為不同車輛的唯一標(biāo)識(shí)，其識(shí)別技術(shù)是計(jì)算機(jī)視頻圖像在車輛牌照識(shí)別方面的一種重要應(yīng)用，在各種場(chǎng)合是識(shí)別汽車身份的重要途徑。由于現(xiàn)階段技術(shù)的不斷提升，識(shí)別過(guò)程中的問(wèn)題也不斷涌現(xiàn)，而在車牌預(yù)處理、分割以及識(shí)別階段中，車牌識(shí)別是現(xiàn)代交通系統(tǒng)中非常重要的功能模塊，而其關(guān)鍵因素在于漢字、數(shù)字以及字母的識(shí)別。通過(guò)提高車牌的識(shí)別率來(lái)提高交通部門的工作效率。目前，人工神經(jīng)網(wǎng)絡(luò)因其優(yōu)越性被廣泛應(yīng)用于各種圖像識(shí)別中，但因其收斂速度慢，運(yùn)耗時(shí)間長(zhǎng)，對(duì)實(shí)際應(yīng)用產(chǎn)生了很大的限制。采用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法并進(jìn)行了仿真，實(shí)驗(yàn)結(jié)果表明，該方法對(duì)車牌有很好的識(shí)別作用，具有時(shí)效性和魯棒性。

車牌識(shí)別；神經(jīng)網(wǎng)絡(luò)；機(jī)器學(xué)習(xí)；遺傳算法

0 引 言

近年來(lái),由于車輛的數(shù)量不斷增加，車輛管理方面的問(wèn)題日益突出。為了處理關(guān)于車牌識(shí)別方面的問(wèn)題,使用以計(jì)算機(jī)智能識(shí)別為基礎(chǔ)的自動(dòng)控制系統(tǒng)更好地進(jìn)行處理。車牌識(shí)別是以現(xiàn)有目標(biāo)為基礎(chǔ)的計(jì)算機(jī)識(shí)別系統(tǒng)，該系統(tǒng)可以把一幅或者多幅圖像中的有用信息分割并提取。機(jī)動(dòng)車車牌識(shí)別在國(guó)內(nèi)許多應(yīng)用中具有重要作用,如無(wú)人值守停車場(chǎng)、限制區(qū)域的安全控制、交通執(zhí)法、擁擠定價(jià)和自動(dòng)收費(fèi)等等。而人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)[1]是目前研究車牌識(shí)別的一個(gè)熱門技術(shù)，具有自組織、自學(xué)習(xí)、自適應(yīng)、分布存儲(chǔ)、并行處理等優(yōu)點(diǎn)。將神經(jīng)網(wǎng)絡(luò)與其他方法相結(jié)合，取長(zhǎng)補(bǔ)短，可以獲得更好的應(yīng)用效果。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法影響了整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)和全局尋優(yōu)能力，因此，探求新的算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)車牌進(jìn)行識(shí)別顯得非常重要。文中將遺傳算法以及神經(jīng)網(wǎng)絡(luò)相結(jié)合，并將其應(yīng)用到車牌識(shí)別中，對(duì)黃底黑字，綠底車牌，綠底白字白邊，藍(lán)底白字，黑底白字，白底黑字牌照共6種車牌圖像進(jìn)行識(shí)別。由于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)速度慢、識(shí)別精度低，文中采取神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方法，很好地克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，并且具有尋優(yōu)能力強(qiáng)、收斂速度快和易于實(shí)現(xiàn)等優(yōu)點(diǎn)[2]。實(shí)驗(yàn)中通過(guò)與BP神經(jīng)網(wǎng)絡(luò)[3]和RBF神經(jīng)網(wǎng)絡(luò)的比較，發(fā)現(xiàn)文中采用的神經(jīng)網(wǎng)絡(luò)模型用于車牌識(shí)別能明顯提升識(shí)別性能。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是從生理層上模仿人的生活習(xí)慣和工作習(xí)慣的一門人工智能技術(shù)，其應(yīng)用非常廣泛，發(fā)展迅速。其數(shù)學(xué)模型需要不斷調(diào)整訓(xùn)練中的權(quán)值而進(jìn)行相關(guān)計(jì)算。在該研究方面，刁心宏等[4]利用人工神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)出了一種辨識(shí)巖體力學(xué)參數(shù)的方法；余華等[5]將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到混合蛙跳算法以及語(yǔ)音情感識(shí)別中；楊艷菊等[6]利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)蘋果氣體算法研究。

實(shí)驗(yàn)中神經(jīng)網(wǎng)絡(luò)共三層，分別為輸入層、隱藏層、輸出層，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)模擬的是動(dòng)物的神經(jīng)生理結(jié)構(gòu)。每層作為上一層的輸出層，每個(gè)神經(jīng)元作為接收像素的結(jié)構(gòu)，最終輸出處理后的結(jié)果。神經(jīng)網(wǎng)絡(luò)中的權(quán)值通過(guò)高斯變異調(diào)整權(quán)值參數(shù)，其中神經(jīng)元的激勵(lì)函數(shù)為Sigmoid。

由于數(shù)學(xué)建模的困難性，文中并沒(méi)有采取單一的人工神經(jīng)網(wǎng)絡(luò)多車牌字符進(jìn)行識(shí)別，主要是因?yàn)榫W(wǎng)絡(luò)中的結(jié)構(gòu)和參數(shù)難以確定，造成訓(xùn)練效果較差[7-9]；基于以上缺點(diǎn)，文中采用了兩相區(qū)中高度進(jìn)行人工神經(jīng)網(wǎng)絡(luò)辨識(shí)的方法。

2 文中算法

王曉斌等[10]基于模擬退火算法利用深度信息對(duì)三維人臉進(jìn)行匹配和識(shí)別；石吉勇等[11]將反向偏最小二乘法與模擬退火算法相結(jié)合優(yōu)選特征波長(zhǎng)，建立了多元線性回歸可溶性固形物光譜模型；鄒木春等[12]針對(duì)暖通空調(diào)系統(tǒng)，提出一種基于粒子群優(yōu)化算法和最小二乘支持向量機(jī)的預(yù)測(cè)控制方法；廖煜雷等[13]基于改進(jìn)人工魚群算法，提出了一種非線性控制系統(tǒng)的參數(shù)優(yōu)化策略；祝志慧等[14]提出了一種基于量子免疫算法的故障診斷方法．該算法在實(shí)驗(yàn)中取得了非?？捎^的效果；崔曉艷等[15]利用優(yōu)化的蟻群算法對(duì)激光三維復(fù)制中的數(shù)據(jù)進(jìn)行處理。

文中采取遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，通過(guò)優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始值以及權(quán)系數(shù)，并與其他算法相比較，其收斂性、識(shí)別效率與精度有了明顯提高。

采用遺傳算法對(duì)車牌進(jìn)行定位，提高了神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)權(quán)值與閾值的計(jì)算精度，另一方面也提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，克服了其他神經(jīng)網(wǎng)絡(luò)收斂慢、易陷入誤差函數(shù)局部極小值的缺點(diǎn)，提高了車牌識(shí)別正確率。遺傳算法具體流程圖如圖2所示。

圖2 遺傳算法流程圖

2.1 轎車車牌的顏色特征

車牌的底色有藍(lán)色、黃色、白色、黑色、綠色，字體顏色有白色和黑色之分。

2.2 車牌的字符特征提取

文中采用ANN機(jī)器學(xué)習(xí)來(lái)進(jìn)行單個(gè)字符的識(shí)別。首先將圖像進(jìn)行二值化，二值化后的圖像顯著特征是字符紋理特征，紋理特征的描述方法有結(jié)構(gòu)法、譜方法和統(tǒng)計(jì)法，使用濾波器組獲取圖像紋理的特征向量。由于二值化后的圖像呈現(xiàn)一定疏密度的黑白像素分布，可以采用不同疏密度的一維濾波器組在水平方向上對(duì)二值化后的圖像進(jìn)行濾波，獲得的車牌圖像紋理特征如下：

L1=[-1 0 1]

(1)

L2=[-1 -1 1 1]/2

(2)

L3=[-1 -1 0 1 1]/2

(3)

車牌區(qū)域圖像紋理特征具有空間分布的均勻性，對(duì)濾波后的圖像采用標(biāo)準(zhǔn)差表示紋理特征值。

(4)

(5)

其中，f(x,y)為圖像數(shù)據(jù)；u為圖像的平均能量。

可以得到車牌特征的描述向量：

T=[δ1δ2δ3]

(6)

通過(guò)對(duì)選取的局部區(qū)域圖像進(jìn)行對(duì)比處理，獲取該區(qū)域車牌。

3 實(shí) 驗(yàn)

3.1 自適應(yīng)二值化

(1)拍一系列的車牌圖片，并把它們剪切為256*256的標(biāo)準(zhǔn)格式，然后通過(guò)系統(tǒng)將其灰度化。

(2)將得到的灰度化圖像進(jìn)行二值化處理，關(guān)于二值化過(guò)程中的閾值選擇將根據(jù)圖像自適應(yīng)確定。

(3)對(duì)二值化的圖像去除離散噪聲，并且在去除離散噪聲之前根據(jù)現(xiàn)實(shí)情況設(shè)置好參數(shù)的上下限。二值化后的圖像如圖3所示。

圖3 二值化結(jié)果圖

3.2 車牌的邊框與鉚釘去除

由于車牌區(qū)域具有明顯的垂直邊緣，文中采用Sobel算子提取車牌的水平和垂直邊緣。

3.3 字符分割

文中采用投影法分割，首先對(duì)車牌的垂直投影進(jìn)行分析，獲取其谷寬度以及峰距離，其次對(duì)車牌的水平投影進(jìn)行分析，獲取谷寬度和峰距離。系統(tǒng)中所使用的分割函數(shù)是strtok函數(shù)。

3.4 車牌定位

車牌定位方法眾多，而其中最有效、最簡(jiǎn)單的是基于車牌邊緣特征的方法。首先采取遺傳算法對(duì)車牌可能區(qū)域進(jìn)行搜索，以便確定后續(xù)訓(xùn)練、識(shí)別步驟的進(jìn)行。可能區(qū)域固定車牌的大小比作者選取的車牌實(shí)際區(qū)域要大一些，車牌精度定位和字符識(shí)別可以去掉這些多余的區(qū)域。

在遺傳算法中采用二維實(shí)數(shù)編碼，針對(duì)實(shí)數(shù)編碼采用交叉算子對(duì)基因進(jìn)行線性組合：

P1=αP1+(1-α)P2

(7)

P2=αP2+(1-α)P1

(8)

其中，α是(0,1)間均勻分布的隨機(jī)變量。

個(gè)體是否變異由Pm決定。

(9)

根據(jù)在待定區(qū)域獲得的紋理特征向量，將其與車牌紋理特征進(jìn)行比較，就可以獲得該待定區(qū)域?yàn)檐嚺茀^(qū)域。距離度量單位為：

(10)

每一幅圖像都有它的紋理信息特征，文中基于車牌區(qū)域的紋理特征信息，提取相關(guān)的特征向量。通過(guò)計(jì)算當(dāng)最優(yōu)個(gè)體特征矢量距離d<0.01時(shí)，認(rèn)為該區(qū)域?yàn)樽罴褏^(qū)域。

3.5 字符識(shí)別

通過(guò)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以不斷調(diào)整訓(xùn)練誤差參數(shù)。實(shí)驗(yàn)樣本是采集的照片，然后由該系統(tǒng)對(duì)圖像進(jìn)行預(yù)處理，包括二值化、降噪、圖像增強(qiáng)以及邊緣檢測(cè)。為了加快訓(xùn)練速度，避免陷入局部極小值[16-19]，在訓(xùn)練過(guò)程中，為了避免權(quán)值過(guò)大影響網(wǎng)絡(luò)結(jié)構(gòu)，一定要選取合適的學(xué)習(xí)因子[20-21]。

令W表示初始權(quán)重向量，它可以是任意選擇的。然后，在第k步迭代中，如y(k)∈w1且wt(k)y(k)≤0，則使用式(11)代替w(k)：

w(k+1)=w(k)+cy(k)

(11)

其中，c是一個(gè)正的修正增量。

相反，如果y(k)∈w2且wt(k)y(k)≥0，則使用式(12)代替w(k)：

w(k+1)=w(k)-cy(k)

(12)

否則，保持w(k)不變：

w(k+1)=w(k)

(13)

在式(11)、(12)中，c∈(0,1)是學(xué)習(xí)常數(shù)。

實(shí)驗(yàn)中需要不斷調(diào)整學(xué)習(xí)權(quán)值，使w(k+1)更接近w(k)，在反復(fù)學(xué)習(xí)過(guò)程中，各個(gè)神經(jīng)元所對(duì)應(yīng)的權(quán)向量被逐漸調(diào)整為輸入樣本空間的聚類中心，當(dāng)兩個(gè)類的訓(xùn)練集循環(huán)通過(guò)機(jī)器而不出現(xiàn)任何錯(cuò)誤時(shí)[22]，該算法收斂。

在訓(xùn)練樣本中，隨機(jī)選取1 000個(gè)作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本。目的不僅是為了檢驗(yàn)學(xué)習(xí)的效果，更是為了驗(yàn)證系統(tǒng)的準(zhǔn)確率。文中采取四種類型對(duì)車牌圖像區(qū)域的數(shù)字、漢字與字母進(jìn)行訓(xùn)練，步驟如下：

(1)將車牌圖像歸一化后作為字符識(shí)別的測(cè)試集放入文件中，從文件中讀取訓(xùn)練樣本、測(cè)試集以及目標(biāo)。

(2)創(chuàng)建網(wǎng)絡(luò)并初始化，分配空間，初始化網(wǎng)絡(luò)聯(lián)接權(quán)以及輸入層，并將學(xué)習(xí)樣本轉(zhuǎn)化為輸入模式。

(3)對(duì)每個(gè)模式計(jì)算神經(jīng)網(wǎng)絡(luò)誤差，獲取誤差最大值，以便后期訓(xùn)練更加精準(zhǔn)，具體演算過(guò)程如下：

ωji(k+1)=ωji(k)+ηδjxi(k)

(14)

δj=dj-yj(k)

(15)

(16)

其中，η為學(xué)習(xí)系數(shù)，取值范圍在[0,1]之間；dj為期望輸出；yj為實(shí)際輸出；δj為實(shí)際輸出與期望輸出之差；xi為輸入信號(hào)大小。dj,yj,xi的取值為0或1。

(4)字符特征的提?。何闹胁捎?3點(diǎn)特征提取法，此方法與逐像素提取、骨架特征提取相比較具有適應(yīng)性強(qiáng)的特點(diǎn)，且對(duì)字符發(fā)生偏移和傾斜的車牌具有很高的識(shí)別率。

實(shí)驗(yàn)流程如圖4所示。

圖4 實(shí)驗(yàn)步驟流程圖

3.6 實(shí)驗(yàn)結(jié)果與分析

文中實(shí)驗(yàn)是在Windows7平臺(tái)上進(jìn)行，所采用的軟件為Visual C++ 6.0。首先將拍攝的圖像進(jìn)行預(yù)處理，其次采用遺傳算法進(jìn)行定位，最后把定位結(jié)果輸送到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，訓(xùn)練的車牌數(shù)分別為10張，30張，100張以及300張。從實(shí)驗(yàn)結(jié)果(見(jiàn)表1)可知，隨著輸進(jìn)系統(tǒng)車牌數(shù)的遞增，訓(xùn)練耗時(shí)在增長(zhǎng)，車牌識(shí)別正確率也在提升。識(shí)別結(jié)果如圖5所示。

圖5 車牌識(shí)別結(jié)果

車牌數(shù)耗時(shí)/ms識(shí)別正確率/%10575.2301278.91002679.63005482.3

4 結(jié)束語(yǔ)

文中基于遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)車牌進(jìn)行識(shí)別，在用遺傳算法對(duì)車牌區(qū)域進(jìn)行定位的基礎(chǔ)上，采用Sobel算子對(duì)車牌圖像的邊緣進(jìn)行檢測(cè)，最后采用神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，整體的識(shí)別精度有了很大提高。

[1] 李 飛.基于人工神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)的研究[D].太原:中北大學(xué),2007.

[2] Kangin D,Kolev G,Angelov P.Vehicle plate recognition using improved neocognitron neural network[C]//International joint conference on artificial intelligence.[s.l.]:[s.n.],2013:628-640.

[3] Xu Yuemei,Zhang Hong.Application of improved BP algorithm in vehicle license plate recognition[C]//International joint conference on artificial intelligence.[s.l.]:IEEE,2009:514-517.

[4] 刁心宏,王泳嘉,馮夏庭,等.用人工神經(jīng)網(wǎng)絡(luò)方法辨識(shí)巖體力學(xué)參數(shù)[J].東北大學(xué)學(xué)報(bào):自然科學(xué)版,2002,23(1):60-63.

[5] 余 華,黃程韋,張瀟丹,等.混合蛙跳算法神經(jīng)網(wǎng)絡(luò)及其在語(yǔ)音情感識(shí)別中的應(yīng)用[J].南京理工大學(xué)學(xué)報(bào):自然科學(xué)版,2011,35(5):659-663.

[6] 楊艷菊,黃成鈞.人工神經(jīng)網(wǎng)絡(luò)的蘋果氣體識(shí)別算法研究[J].銅陵學(xué)院學(xué)報(bào),2010(2):76-78.

[7] 鄭成勇.一種RGB顏色空間中的車牌定位新方法[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(11):1623-1628.

[8] 姜文濤,劉萬(wàn)軍,袁 姮.基于曲量場(chǎng)空間的車牌定位與識(shí)別[J].電子學(xué)報(bào),2011,39(11):2554-2560.

[9] 苗立剛.基于最近鄰鏈的車牌檢測(cè)算法[J].自動(dòng)化學(xué)報(bào),2011,37(10):1272-1279.

[10] 王曉斌,馮魯橋,楊媛靜.基于模擬退火算法的三維人臉匹配方法[J].電子科技大學(xué)學(xué)報(bào),2015,44(4):584-588.

[11] 石吉勇,鄒小波,趙杰文,等.BiPLS結(jié)合模擬退火算法的近紅外光譜特征波長(zhǎng)選擇研究[J].紅外與毫米波學(xué)報(bào),2011,30(5):458-462.

[12] 鄒木春,龍 文.基于PSo算法的HVAC系統(tǒng)LSSVM預(yù)測(cè)控制[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版,2012,43(7):2642-2647.

[13] 廖煜雷,劉 鵬,王 建,等. 基于改進(jìn)人工魚群算法的無(wú)人艇控制參數(shù)優(yōu)化[J].哈爾濱工程大學(xué)學(xué)報(bào),2014,35(7)：800-806.

[14] 祝志慧,孫云蓮.量子免疫算法在電網(wǎng)故障診斷中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制,2010,38(10)：22-25.

[15] 崔曉艷,霍中剛,辛中華,等.應(yīng)用理性優(yōu)化蟻群算法提高激光三維復(fù)制的重現(xiàn)度[J].光譜學(xué)與光譜分析,2013,33(7):1873-1876.

[16] Lang Yao,Sun Yanpeng.The study of license platelocation and character segmentation[C]//Proceedings of SPIE.Singapore:SPIE,2012.

[17] Mousa A.Canny edge-detection based vehicle plate recognition[J].International Journal of Signal Processing,2012,5(3):1-8.

[18] Wei W,Huang X,Wang M,et al.An automatic system of vehicle number-plate recognition based on neural networks[J].Journal of Systems Engineering and Electronics,2001(2):63-72.

[19] Rajput H,Som T,Kar S.An automated vehicle license plate recognition system[J].Computer,2015,48(8):56-61.

[20] Liu Yiqing,Wei Dong,Zhang N,et al.Vehicle-license-plate recognition based on neural networks[C]//IEEE international conference on information and automation.[s.l.]:IEEE,2011:363-366.

[21] Yang Yun,Zhang Weigang,Guo P.Realization for Chinese vehicle license plate recognition based on computer vision and fuzzy neural network[J].Proceeding of SPIE,2010,7749(1):77491G-77491G-6.

[22] Menotti D,Chiachia G,Falc?o A X,et al.Vehicle license plate recognition with random convolutional networks[C]//Sibgrapi conference on graphics.[s.l.]:[s.n.],2014:298-303.

Vehicle Plate Recognition Based on Artificial Neural Network

WU Cong，YIN Hao，HUANG Zhong-yong，LIU Gang

(Light Court Laboratory，Hubei University of Technology,Hubei 430068,China)

License plate as a different unique identification of the vehicle,its identification technology is an important application for computer video image in the license plates recognition,which is an important approach to identify a car for a wide range of situations.Due to the improving of the technology at present,the problems are also emerging in the process of recognition.In the stage of preprocessing,segmentation and recognition of the license plate,license plate recognition is an important function module in modern traffic system,and its key factor lies in the identification of Chinese characters,numbers and letters.By improving the license plate recognition rate,the working efficiency of the transport sector is improved.At present,the artificial neural network is widely used because of its superiority in all sorts of image recognition,but because of its slow convergence speed and long time consuming,a lot of restrictions are produced in actual applications.By adopting the combination of genetic algorithm and neural network,the simulation results show that the experimental results of the license plate has good recognition effect,which proves that the method is effective and robust.

license plate recognition;neural network；machine learning；genetic algorithm

2016-02-16

2016-06-08

時(shí)間：2016-11-21

國(guó)家自然科學(xué)基金青年項(xiàng)目(61300127)；湖北省自然科學(xué)基金項(xiàng)目(2012FFB00701)

吳 聰(1982-)，男，博士，副教授，碩士生導(dǎo)師，通信作者，研究方向?yàn)獒t(yī)學(xué)圖像處理。

http://www.cnki.net/kcms/detail/61.1450.TP.20161121.1641.040.html

TP301.6

A

1673-629X(2016)12-0160-04

10.3969/j.issn.1673-629X.2016.12.035