李消霞++張文靜++劉銀萍++程杰++彭雪丹

摘要：在識(shí)別車(chē)牌的技術(shù)中，由于車(chē)牌存在這圖像模糊不清、傾斜、分割以后字符筆畫(huà)粗細(xì)不均、不完整等問(wèn)題，導(dǎo)致了傳統(tǒng)車(chē)牌的識(shí)別率很低，不能適應(yīng)車(chē)牌識(shí)別的實(shí)時(shí)性要求。針對(duì)問(wèn)題，本文將要提出一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法可提高車(chē)牌識(shí)別準(zhǔn)確率和速率，此算法采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行改進(jìn)。結(jié)果表明，改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)提高了車(chē)牌的識(shí)別正確率和速率，是一種實(shí)時(shí)性強(qiáng)的車(chē)牌識(shí)別算法。

關(guān)鍵詞：車(chē)牌識(shí)別；BP神經(jīng)網(wǎng)絡(luò)；附加動(dòng)量法

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）09-0223-02

反向傳播網(wǎng)絡(luò)Back-Propagation Network（簡(jiǎn)稱BP網(wǎng)絡(luò)）是人工神經(jīng)網(wǎng)絡(luò)的精華部分，也是前向網(wǎng)絡(luò)的核心部分，由D.E.Rumelhart等人在1986年提出的。大多都是根據(jù)誤差反向的傳播解決了多層神經(jīng)網(wǎng)絡(luò)的權(quán)值修正的問(wèn)題，故稱為誤差反向傳播法（Error Back-Propagation），簡(jiǎn)稱BP算法。

目前國(guó)內(nèi)外許多學(xué)者利用神經(jīng)網(wǎng)絡(luò)的算法對(duì)車(chē)牌識(shí)別進(jìn)行了研究，由于BP神經(jīng)網(wǎng)絡(luò)算法具備這良好的自學(xué)能力、容錯(cuò)能力、強(qiáng)大的分類(lèi)、并行處理能力和自學(xué)習(xí)能力，適于解決車(chē)牌識(shí)別問(wèn)題。但BP神經(jīng)網(wǎng)絡(luò)的性能與初始網(wǎng)絡(luò)權(quán)值、學(xué)習(xí)速率等參數(shù)合理選擇有關(guān)，若參數(shù)選擇不當(dāng)，會(huì)產(chǎn)生學(xué)習(xí)速率低、局部最優(yōu)和過(guò)擬合等問(wèn)題，導(dǎo)致車(chē)牌識(shí)別率低。本文針對(duì)此問(wèn)題，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，一定程度上改善了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法帶來(lái)的缺陷。

1 識(shí)別車(chē)牌原理

圖1 整個(gè)車(chē)牌識(shí)別過(guò)程

整個(gè)車(chē)牌識(shí)別過(guò)程通?？煞譃閳D像采集、圖像豫處理、車(chē)牌定位字符分割字符識(shí)別處理等幾個(gè)部分，如圖1所示，首先對(duì)進(jìn)入小區(qū)的車(chē)輛攝像并傳入到車(chē)牌識(shí)別系統(tǒng)中，為保證圖像處理質(zhì)量，需進(jìn)行圖像預(yù)處理，對(duì)于處理后的圖像采用本文改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車(chē)牌定位和識(shí)別操作，完成識(shí)別功能。

2 改進(jìn)的BP網(wǎng)絡(luò)實(shí)現(xiàn)車(chē)牌識(shí)別

BP網(wǎng)絡(luò)模型一般有隱含層、輸入層、和輸出層三部分，層與層之間的節(jié)點(diǎn)屬于全連接，同一層之間的節(jié)點(diǎn)是沒(méi)有連接的。第一層用于接收輸入向量，第二層用于學(xué)習(xí)、記憶，第三層輸出網(wǎng)絡(luò)的結(jié)果。

BP網(wǎng)絡(luò)訓(xùn)練（學(xué)習(xí)）過(guò)程是根據(jù)權(quán)值修正公式來(lái)調(diào)節(jié)網(wǎng)絡(luò)的連接權(quán)值，使輸出值達(dá)到誤差允許的范圍內(nèi)網(wǎng)絡(luò)趨于穩(wěn)定，訓(xùn)練結(jié)束。如下圖2為網(wǎng)絡(luò)訓(xùn)練的簡(jiǎn)單流程圖：

圖2 網(wǎng)絡(luò)訓(xùn)練流程圖

（1） 初始化網(wǎng)絡(luò)：將權(quán)值和閾值初始化為0和1之間的隨機(jī)值；

（2） 訓(xùn)練具有代表性樣本的輸入與期望輸出；

（3） 計(jì)算網(wǎng)絡(luò)輸出層節(jié)點(diǎn)誤差；

（4） 針對(duì)誤差進(jìn)行了判斷，如果達(dá)到了期望值要求就結(jié)束學(xué)習(xí)，否則就繼續(xù)修改訓(xùn)練的樣本，對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行一定的修正，當(dāng)輸出誤差滿足規(guī)定范圍之內(nèi)，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束。

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(diǎn)的個(gè)數(shù)和訓(xùn)練過(guò)程中發(fā)生的振蕩情況等。故本文采用動(dòng)量因子和自適應(yīng)學(xué)習(xí)速率對(duì)訓(xùn)練方式進(jìn)行改進(jìn)，即在梯度下降算法基礎(chǔ)上引入動(dòng)量因子a（0

W（k+1）=w（k）+n（1-a）D（k）+aD（k-1） （1）

其中，D（K）表示負(fù)梯度。

附加動(dòng)量法使得在對(duì)網(wǎng)權(quán)修改過(guò)程當(dāng)中，不僅考慮誤差在梯度上產(chǎn)生的作用，還要考慮對(duì)誤差曲面上變化趨勢(shì)產(chǎn)生的影響有效避免網(wǎng)絡(luò)可能陷入局部最小值情況。

BP網(wǎng)絡(luò)訓(xùn)練過(guò)程中，應(yīng)當(dāng)自適應(yīng)調(diào)整學(xué)習(xí)速率，加快收斂速度，避免振蕩的現(xiàn)象。

3 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文算法的優(yōu)越性，采用傳統(tǒng)BP算法、本文算法和模式匹配法分別對(duì)漢字、數(shù)字、字母的識(shí)別結(jié)果作對(duì)比。從表1中可看出，改進(jìn)后的BP算法的車(chē)牌識(shí)別率高于傳統(tǒng)BP算法和模式的匹配法，雖表中為體現(xiàn)出識(shí)別速度，但由實(shí)際仿真結(jié)果容易得出，車(chē)牌的識(shí)別速率較語(yǔ)其他兩種高，且隨機(jī)識(shí)別率和特殊識(shí)別率均高于其他兩種算法（本文不再對(duì)此作出詳細(xì)解說(shuō)）。

4 結(jié)束語(yǔ)

現(xiàn)代科技的高速發(fā)展對(duì)車(chē)牌識(shí)別技術(shù)的要求越來(lái)越高，不僅要求識(shí)別率高，更要求高效率、低損耗、高實(shí)用性、本文對(duì)BP網(wǎng)絡(luò)在車(chē)牌識(shí)別應(yīng)用中進(jìn)行了部分改進(jìn)，在一定程度上提高了車(chē)牌識(shí)別率和速率，具有一定的實(shí)時(shí)性和實(shí)用性。對(duì)于該領(lǐng)域的不斷發(fā)展，不斷追求更有效的算法使我們每一位學(xué)者應(yīng)有的追求。

參考文獻(xiàn)：

[1]單潮龍，馬偉明.BP人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用及其實(shí)現(xiàn)技術(shù)[J].海軍工程大學(xué)學(xué)報(bào)，2000，23（4）：16-17

[2] Abdullah Siti Norul Huda Sheikh.License Plate Recognition using Multilayer Neural Networks.2006 International Conference on Computing and Informatics，2006：97-106.

[3] Aoyafi Y，Asakura T.A student on traffic sign recognition in scene image using genetic algorithm and neural networks. Proceedings of the IEEE IECON International conference on Industrial Electronics.Control and Instrumentaion， 1996 .

[4] R.Luo，H.Potlapalli，D.Hislop.Translation and scale invariant landmark recognition using receptive field neural network. Proc.Int.Conf.Intelligent Robots and Systems ，1992 .

[5] Shiji A，Hamada N.Color image segmentation method using watershed algorithm and contour information. Proceeding of 1999 IEEE International Conference on Image Processing，1999.