孔祥斌，常 賀，藍(lán)浩銘，龔嘉晟，董 娜

（1. 湖北工業(yè)大學(xué) 太陽(yáng)能高效利用及儲(chǔ)能運(yùn)行控制湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430068）

(2. 湖北工業(yè)大學(xué) 太陽(yáng)能高校利用湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430068)

（3. 烽火科技股份有限公司，湖北 武漢 430070）

基于Lab色彩空間和ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)

孔祥斌1,2，常 賀1,2，藍(lán)浩銘1,2，龔嘉晟1,2，董 娜3

（1. 湖北工業(yè)大學(xué) 太陽(yáng)能高效利用及儲(chǔ)能運(yùn)行控制湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430068）

(2. 湖北工業(yè)大學(xué) 太陽(yáng)能高校利用湖北省協(xié)同創(chuàng)新中心，湖北 武漢 430068)

（3. 烽火科技股份有限公司，湖北 武漢 430070）

針對(duì)目前車牌識(shí)別中車牌區(qū)域定位處理過(guò)程復(fù)雜、車牌字符準(zhǔn)確率低等問(wèn)題，本文采用Lab色彩空間識(shí)別結(jié)合傳統(tǒng) sobel算子邊緣檢測(cè)的方法對(duì)車牌區(qū)域進(jìn)行粗定位，再利用 SVM模型進(jìn)行精確定位。而在字符識(shí)別方面，本文利用ANN人工神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌字符識(shí)別，提高字符識(shí)別精度，經(jīng)測(cè)試，該車牌系統(tǒng)對(duì)車牌區(qū)域識(shí)別定位準(zhǔn)確，速度較快，字符識(shí)別準(zhǔn)確度較高，具有較強(qiáng)的魯棒性和實(shí)用性。

圖像識(shí)別；車牌識(shí)別；Lab色彩空間；人工神經(jīng)網(wǎng)絡(luò)

0 引言

隨著汽車工業(yè)的迅速發(fā)展以及大數(shù)據(jù)廣泛應(yīng)用的背景下，車牌識(shí)別系統(tǒng)作為智能交通中的一個(gè)重要的組成部分，有著更深層次的應(yīng)用，目前對(duì)于車牌識(shí)別的研究還涉及計(jì)算機(jī)視覺(jué)、人工神經(jīng)網(wǎng)絡(luò)、模式識(shí)別等諸多領(lǐng)域，因此開(kāi)展此系統(tǒng)的研究有著重要的理論意義及應(yīng)用價(jià)值。

目前車牌定位算法很多[1-4]，傳統(tǒng)的車牌識(shí)別技術(shù)系統(tǒng)采用邊緣檢測(cè)[5-6]結(jié)合神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)車牌識(shí)別，但其過(guò)程復(fù)雜、準(zhǔn)確率低，易受背景環(huán)境、圖片分辨率等影響，為了增加車牌識(shí)別系統(tǒng)應(yīng)用場(chǎng)景，提升識(shí)別系統(tǒng)魯棒性，本文在傳統(tǒng) sobel邊緣檢測(cè)的基礎(chǔ)上加入了 Lab顏色空間識(shí)別[7]，模仿人體色彩空間判斷進(jìn)行車牌區(qū)域識(shí)別判斷，但相較于文獻(xiàn)[7]，本文對(duì)于Lab色彩識(shí)別采取單通道提取的方法。在字符識(shí)別方面，采用ANN人工神經(jīng)網(wǎng)絡(luò)[8-10]進(jìn)行識(shí)別，提高車牌識(shí)別精度，整個(gè)車牌識(shí)別流程如圖1所示。

圖1 車牌識(shí)別流程Fig.1 License plate recognition process

1 車牌定位

1.1 CIE Lab色彩空間

Lab色彩空間是1931年國(guó)際照明委員會(huì)（CIE）制定的顏色度量國(guó)際標(biāo)準(zhǔn)的基礎(chǔ)上建立起來(lái)的，1976年，經(jīng)修改后被正式命名為 CIELab，是一種基于生理特征的顏色系統(tǒng)，這也就意味著是用數(shù)字化的方法來(lái)描述人的視覺(jué)感應(yīng)，能夠有效地模仿人體識(shí)別車牌時(shí)的色彩判斷，此外，Lab還具有色域?qū)掗煹奶攸c(diǎn)，能夠最大程度地表示色域之間的色彩的過(guò)渡。

Lab色彩空間如圖 2所示。Lab顏色空間的 L分量表示像素的亮度，取值范圍為[0,100]，表示從純黑到純白；a表示綠色到紅色的范圍，取值范圍為[-128,127]；b表示從藍(lán)色到黃色的范圍，取值范圍從[-128,127]。

圖2 Lab色彩空間Fig.2 Lab color space

1.2 Lab色彩空間轉(zhuǎn)換

由于一般圖片輸入的色彩空間為 RGB色彩空間，由RGB色彩空間轉(zhuǎn)換成Lab色彩空間，需先由RGB轉(zhuǎn)換成XYZ色彩空間，再由XYZ色彩空間轉(zhuǎn)換成Lab。

（1）假設(shè) r、g、b為像素的三個(gè)通道，利用Gammma函數(shù)提升原始圖片對(duì)比度：

將優(yōu)化后的R、G、B分量分別乘以不同的系數(shù)轉(zhuǎn)化為X、Y、Z分量：

（2）利用 XYZ空間轉(zhuǎn)化 Lab色彩空間的公式直接帶入：

（3）為了提升轉(zhuǎn)化速度，通常會(huì)使用以下簡(jiǎn)化算法公式(5)直接帶入：

1.3 基于Lab色彩空間的單通道提取法

目前，國(guó)內(nèi)的車牌分為藍(lán)底白字、黃底黑字、黑底白字、白字黑字，其中以民用的藍(lán)字白字的車牌適用范圍最為廣泛，所以本文選取藍(lán)色車牌為例進(jìn)行試驗(yàn)。利用顏色識(shí)別車牌時(shí)，需要選取適當(dāng)?shù)纳士臻g使其對(duì)于顏色的描述準(zhǔn)確匹配車牌區(qū)域內(nèi)色彩，同時(shí)減少背景色彩的干擾。而目前最常見(jiàn)的顏色空間是基于R、G、B三原色的RGB色彩空間，但RGB空間中的三個(gè)分量存在很強(qiáng)的相關(guān)性，同時(shí)三個(gè)分量對(duì)光線的強(qiáng)弱較為敏感，所以不適用于車牌區(qū)域識(shí)別。而 Lab色彩空間色域?qū)掗?，L、a、b三個(gè)分量比較獨(dú)立，其顏色系統(tǒng)符合人體生理特征，能夠更有效的表達(dá)色彩的判斷，故采取Lab色彩空間識(shí)別。

由于車牌定位處理圖像中是以車牌區(qū)域主的藍(lán)色目標(biāo)，而b分量色域恰好介于藍(lán)色與黃色之間，考慮到圖像遍歷匹配操作對(duì)圖片處理速度的影響，本文采取提取單一通道的方法提取b通道分量刻畫(huà)車牌特征。

由于其中L通道表示圖片的亮度，無(wú)法用于色彩識(shí)別，故不考慮L通道的提取。而從圖3(a)中可以發(fā)現(xiàn) a通道車牌區(qū)域與車燈區(qū)域灰度值趨于一致，在灰度直方圖中，各個(gè)灰度級(jí)在像素點(diǎn)中的頻率集中在一小段區(qū)間內(nèi)，呈現(xiàn)單峰狀，不能有效識(shí)別車牌區(qū)域。從圖 3(b)中可以看出，圖片內(nèi)基本區(qū)別了背景區(qū)域、車燈區(qū)域以及車牌區(qū)域，灰度直方圖中出現(xiàn)明顯的多峰態(tài)，可以有效區(qū)分車牌區(qū)域與非車牌區(qū)域。

圖3 實(shí)驗(yàn)對(duì)比圖Fig.3 Experimental contrast chart

將所得到的b通道灰度圖中灰度值閾值設(shè)置為150，利用固定閾值化的方法轉(zhuǎn)化為二值圖片，運(yùn)用形態(tài)學(xué)閉操作，矩形模板大小為 17*17，連接車牌內(nèi)縫隙，得到最終候選區(qū)域。實(shí)驗(yàn)圖片處理結(jié)果如圖4所示。

1.4 垂直邊緣檢測(cè)

由于色彩空間容易受到背景環(huán)境的影響，具有一定的局限性，所以本文在色彩識(shí)別的基礎(chǔ)上加入了傳統(tǒng)的sobel邊緣檢測(cè)，提高系統(tǒng)識(shí)別準(zhǔn)確率。首先對(duì)色彩識(shí)別錯(cuò)誤的圖片重新載入，對(duì)原圖像作高斯濾波處理，模板大小為 5*5，去除圖片中的噪聲干擾。隨后將圖片灰度化，利用sobel算子對(duì)灰度圖水平方向?qū)z測(cè)車牌垂直邊緣。

圖4 形態(tài)學(xué)處理結(jié)果Fig.4 The result of morphological processing

圖5 sobel水平求導(dǎo)Fig.5 Sobel horizontal derivation

將圖片作二值化處理，使用OTSU閾值化結(jié)合固定閾值化處理轉(zhuǎn)化為二值圖片，運(yùn)用形態(tài)學(xué)閉操作連接車牌區(qū)域內(nèi)字符間縫隙，模板大小為20*3，得到結(jié)果如圖6所示。

1.5 SVM定位

在載入模型之前，首先對(duì)經(jīng)過(guò)色彩識(shí)別處理或邊緣檢測(cè)處理的二值化圖像提取輪廓，利用提取的輪廓寬高比及面積大小進(jìn)行第一次篩選。

本文采用的支持向量機(jī)為由臺(tái)灣林智仁教授開(kāi)發(fā)的libsvm庫(kù)，提取正負(fù)樣本中的Hog（方向梯度直方圖）特征進(jìn)行訓(xùn)練，訓(xùn)練時(shí)SVM使用Liner核函數(shù)，迭代次數(shù)為10000次，容許誤差為0.0001，車牌區(qū)域樣本大小設(shè)為144*33，將訓(xùn)練好的數(shù)據(jù)生成xml文件，在進(jìn)行車牌精確定位時(shí)直接載入模型。

圖6 sobel邊緣檢測(cè)結(jié)果Fig.6 The result of sobel edge detection

對(duì)篩選后的區(qū)域提取Hog特征，輸入進(jìn)已經(jīng)訓(xùn)練好的SVM模型進(jìn)行比對(duì)，得到最終的車牌區(qū)域，實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 車牌定位圖Fig.7 License plate location

圖8 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.8 Neural network structure

2 ANN字符識(shí)別

2.1 BP算法

目前較為常見(jiàn)的字符識(shí)別方法有基于模板匹配的識(shí)別方法、基于字符結(jié)構(gòu)的識(shí)別方法以及基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。本文采用ANN神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別，ANN神經(jīng)網(wǎng)絡(luò)設(shè)置為三層，分別為輸出入層、輸出層和隱藏層，神經(jīng)網(wǎng)絡(luò)中采用BACKPROP反向傳播訓(xùn)練方法，神經(jīng)元激勵(lì)函數(shù)為 sigmoid，sigmoid函數(shù)表達(dá)式為：

設(shè)輸入層節(jié)點(diǎn)數(shù)為n，隱含層節(jié)點(diǎn)數(shù)為l，輸出層節(jié)點(diǎn)數(shù) m，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值ωij和ωjk，初始化隱含層函數(shù)閾值φj，輸出層函數(shù)閾值θk。

1. 根據(jù)輸入 x，輸入層與隱含層間的連接權(quán)值ωij，隱含層閾值φj，隱含層輸出為：

2. 根據(jù)隱含層輸出hj，連接權(quán)值ωjk和閾值θk，輸出層單元的輸出為：

3. 設(shè) Ok為期望輸出，計(jì)算實(shí)際輸出與期望輸出的誤差：

4. 權(quán)值更新。根據(jù)誤差δk更新網(wǎng)絡(luò)權(quán)值ωij和ωjk：

在BP-ANN神經(jīng)網(wǎng)絡(luò)中，首先將input layer中的信息前向傳播送至hidden layer，通過(guò)激勵(lì)函數(shù)進(jìn)行運(yùn)算，將輸出信息送至output layer，正向傳播時(shí)各網(wǎng)絡(luò)權(quán)值不變，如果輸出結(jié)果與預(yù)期值有差異則進(jìn)行反向傳播同時(shí)修改各層網(wǎng)絡(luò)權(quán)值，反向傳播完成后再次進(jìn)行正向傳播，直至差異值極小。

2.2 ANN訓(xùn)練

ANN訓(xùn)練前，首先將字符進(jìn)行歸一化處理，統(tǒng)一成大小為20*20的圖像，并進(jìn)行二值化處理，利用全特征輸入的方法，統(tǒng)計(jì)每個(gè)字符的水平或垂直直方圖，形成一個(gè)120維的特征向量。

訓(xùn)練ANN模型時(shí)，本文采用一個(gè)ANN神經(jīng)網(wǎng)絡(luò)識(shí)別字母、數(shù)字和漢字。輸入層節(jié)點(diǎn)數(shù)為 120，輸出層按照字符類別數(shù)設(shè)置為65，隱藏層層數(shù)按照n=sqrt（n1+n2）+a設(shè)置為40，動(dòng)量參數(shù)設(shè)置為0.1，迭代3000次，誤差為0.01，生成xml文件。進(jìn)行車牌字符識(shí)別時(shí)，直接載入模型進(jìn)行比對(duì)。

3 實(shí)驗(yàn)結(jié)果分析

3.1 HSV色彩空間識(shí)別對(duì)比

傳統(tǒng)的 HSV色彩空間識(shí)別方法無(wú)法采用單通道提取的方法，需要遍歷圖像中的每個(gè)像素點(diǎn)，將藍(lán)色色域所對(duì)應(yīng)的 h，s，v分量與每個(gè)像素點(diǎn)中的進(jìn)行匹配，尋找出符合條件的像素點(diǎn)，將符合條件的像素點(diǎn)置為255，不符合的置為0。

對(duì)比兩種方法，從處理效果上分析，HSV中的分量取值范圍很難確定，色域范圍不容易把握，而Lab色彩空間識(shí)別在區(qū)分度上明顯要更好，結(jié)果如圖9；從處理速度上分析，HSV識(shí)別中的遍歷圖像的實(shí)現(xiàn)方式導(dǎo)致了圖像處理速度的降低，Lab識(shí)別中的提取單通道的方法在損失一小部分準(zhǔn)確率的情況下極大地提升了車牌定位的處理速度，有效彌補(bǔ)了遍歷匹配檢測(cè)時(shí)的車牌定位復(fù)雜、步驟繁瑣等缺陷，本文隨機(jī)選取了三張分辨率不同的圖片進(jìn)行比對(duì)，結(jié)果如表1所示。

圖9 HSV結(jié)果圖Fig.9 The result of HSV color space

表1 實(shí)驗(yàn)結(jié)果對(duì)比Tab.1 Comparison of experimental results

3.2 車牌識(shí)別結(jié)果

車牌識(shí)別系統(tǒng)結(jié)果如圖10所示。

4 結(jié)論

車牌識(shí)別系統(tǒng)的設(shè)計(jì)覆蓋了多個(gè)學(xué)科領(lǐng)域，涉及數(shù)字圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)研究，通過(guò)文獻(xiàn)的對(duì)比，本文采用的方法具有明顯的速度及準(zhǔn)確優(yōu)勢(shì)，整個(gè)車牌系統(tǒng)具有良好的魯棒性及適應(yīng)性。今后的研究將利用色彩識(shí)別技術(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)直接進(jìn)行車牌定位，同時(shí)簡(jiǎn)化字符處理流程，對(duì)車牌字符能夠進(jìn)行整體識(shí)別，進(jìn)一步加速車牌識(shí)別速度。

圖10 字符識(shí)別結(jié)果Fig.10 The result of character recognition

[1] Parasuraman K. An Efficient Method for Indian Vehicle License Plate Extraction and Character Segment. 2010 IEEE International Conference on Computational Intelligence and Computing Research, 2010.

[2] Vishwanath N, Somasundaram S, Jariya Begum A R, et al. A novel 2-row indian LP character segmentation algorithm based on a hybrid approach. IEEE International Conference on Computational Intelligence and Computing Research,2012; (12): 1-4.

[3] 胡峰松, 朱浩. 基于多重特征和SURF算法的車牌定位研究[J]. 計(jì)算機(jī)工程應(yīng)用. 2015. 51(17): 182-187.

[4] 郭延祥, 陳耀武. 基于邊緣檢測(cè)和顏色紋理直方圖的車牌定位方法[J]. 計(jì)算機(jī)科學(xué)與探索, 2014, 8(6): 719-726.

[5] 王磊, 王瀚漓, 何良華. 基于雙邊緣檢測(cè)的車牌識(shí)別算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2013, 49(8): 169-173.

[6] 廖曉姣, 李英. 基于邊緣檢測(cè)和形態(tài)學(xué)的車牌定位算法[J].現(xiàn)代電子技術(shù), 2011, 34(10): 17-19.

[7] 楊飚, 楊芩．Lab顏色空間和形態(tài)學(xué)處理相結(jié)合的雙行車牌定位方法[J]. 科學(xué)技術(shù)與工程, 2014, 14(26): 108-110.

[8] 丁偉. 改進(jìn)神經(jīng)網(wǎng)絡(luò)算法在車牌識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)仿真, 2011, (8): 359-362, 366.

[9] 周科偉. MATLAB 環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別[D].西安: 西安電子科技大學(xué), 2009.

[10] 董程. 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法的研究及仿真[D]. 哈爾濱: 哈爾濱理工大學(xué), 015.

Efficient License Plate Recognition System Based on Lab Color Space and ANN Neural Network

KONG Xiang-bin1,2, CHANG He1,2, LAN Hao-ming1,2, GONG Jia-sheng1,2, DONG Na3
(1. Hubei Key Laboratory for High-efficiency Utilization And Storage operation control of Scolar Energy, Hubei University of Technology,Wuhan, 430068, China; 2. Hubei Collaborative InNovation Center for High-efficiency Utilization of Scolar Energy, Hubei University of Technology, Wuhan, 430068, China; 3. Fiberhome Telecommunication Technologies Co., Ltd, Wuhan, 430070, China)

Aimed at the problem of license plate recognize processing complex and low accuracy rate of license plate character, a method of Lab color space recognition combined with the traditional Sobel edge detection is proposed to fing rough location of the license plate area.And then using SVM model to find accurate position.As for character recognition, this paper uses the ANN artificial neural network for vehicle license plate character recognition to improve recognition accuracy.Experimental results show that the proposed system recognizes license plate in image with fast speed and high accuracy.And it has strong robustness and practicality in character recognition.

Image recognition; License plate recognition; Lab color space; Artificial neural networks

TP391

A

10.3969/j.issn.1003-6970.2017.12.002

本文著錄格式：孔祥斌，常賀，藍(lán)浩銘，等. 基于Lab色彩空間和ANN神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)[J]. 軟件，2017，38（12）：05-09

國(guó)家自然科學(xué)基金項(xiàng)目(NO: 61471162)；國(guó)家國(guó)際科技合作專項(xiàng)項(xiàng)目(NO: 2015DFA10940)；太陽(yáng)能高效利用湖北省協(xié)同創(chuàng)新中心開(kāi)放基金項(xiàng)目(NO: HBSKFZD2015005, HBSKFTD2016002)；湖北省教育廳科研項(xiàng)目(NO: Q20171401)

孔祥斌(1978-)，男，講師，主要研究方向：通信與信息系統(tǒng)。