陶鵬 朱華

摘要：現(xiàn)有的車牌識別系統(tǒng)（LPR）已經(jīng)誕生了許多關(guān)鍵技術(shù)。常用的關(guān)鍵技術(shù)有：基于數(shù)學形態(tài)學定位汽車車牌、基于Hough變換的車牌圖像傾斜校正算法。而識別算法中，主要有模板匹配和BP神經(jīng)網(wǎng)絡算法。模板匹配算法是數(shù)字圖像處理組成的重要部分之一。把不同的傳感器在不同時間和成像條件下對景物獲取到的圖像在空間上對齊，或在模式到一幅圖中尋找對應的處理方法。BP神經(jīng)網(wǎng)絡算法是一種“誤差逆?zhèn)鞑ニ惴ㄓ柧殹保豪幂敵龅恼`差估計前一層的誤差，以此類推，獲取各層次估計的誤差。本次實驗通過比較識別算法的兩種關(guān)鍵技術(shù)得出以下結(jié)論：模板匹配實現(xiàn)過程簡單，速度快，要求字符比較規(guī)整，并且對車牌圖片質(zhì)量要求很高，圖像被其他因素干擾時，比如光線、清晰度等，會導致識別率低;而神經(jīng)網(wǎng)絡算法可以在不同的復雜環(huán)境下、不明確推理規(guī)則等識別問題，具有自適應性好、識別率高的自學習和自調(diào)整能力，但在識別前需要進行網(wǎng)絡訓練，速度慢，依賴大量的學習樣本。

關(guān)鍵詞：識別算法;模板匹配;BP神經(jīng)網(wǎng)絡

中圖分類號： TP181 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）34-0187-04

Abstract： Existing license plate recognition （LPR） system has created the key technology of many key techniques are commonly used are： car license plate based on mathematical morphology on the license plate image tilt correction algorithm based on Hough transform and the recognition algorithm， there are mainly template matching template matching algorithm and the BP neural network algorithm is one of an important part of digital image processing of the different sensors in different time and imaging condition of scenery get image alignment on the space， or in the model to a figure in search the corresponding treatment method the BP neural network training algorithm is a kind of error back propagation algorithm ： using the output error of the estimation error of the previous layer， and so on， for all levels estimated error this experiment by comparing the recognition algorithm of two kinds of key technology in the following conclusions： template matching process is simple， fast， character is neat， and the license plate image quality requirement is high， the image interference by other factors， such as the light of clarity， leads to the recognition rate is low; However， neural network algorithm can identify problems such as unclear inference rules in different complex environments， and has self-learning and self-adjustment abilities with good adaptability and high recognition rate. However， network training is needed before recognition， which is slow and relies on a large number of learning samples.

Key words： Recognition algorithm; Template matching; The neural network

隨著我國經(jīng)濟水平的不斷提升，人們對生活質(zhì)量的要求也源源不斷提高。為了滿足自我和家庭的需求，越來越多人購買了汽車，據(jù)公安部報道：自2019年6月，我國汽車保有量突破3.4億輛。因此，交通智能化管理在人們的生活中的比例越來越重要。車牌識別系統(tǒng)（lPR）是智能交通系統(tǒng)（ITS）的核心組成部分，也是智慧城市的關(guān)鍵一步。通過IPR，可以對車輛進行監(jiān)控，交通流量控制指標標量，車輛定位，監(jiān)管，登記等。在實現(xiàn)交通自動化管理有著現(xiàn)實意義的作用。

一個完整的車牌識別系統(tǒng)是基于圖像分割和圖像識別理論：通過圖像的采集對含有車牌的圖像進行車牌定位和提取，從而確定車牌的位置，并且進一步識別出文本字符。而車牌傾斜校正，字符分割，字符識別，是識別工作的相輔相成。由于，本次實驗是比較字符識別的關(guān)鍵技術(shù)，所以采用控制變量法：車牌定位采用數(shù)學形態(tài)學定位法：膨脹、腐蝕、開啟和閉合。圖像傾斜校正采用Hough變換法：找出變換域中的峰值數(shù)據(jù)（相交直線最多的點），根據(jù)峰值數(shù)據(jù)的空域坐標繪出對應直線。

1車牌識別系統(tǒng)總體流程

圖1是車牌識別系統(tǒng)的總體流程：圖像采集->圖像預處理->車牌定位和提取->車牌校正->字符分割->字符識別->訓練模型。

1.1首先通過設備獲取原始圖像后，車牌識別系統(tǒng)利用MATLAB技術(shù)將原始圖像數(shù)據(jù)化

1.1.1讀入圖像文件

[filename pathname]=uigetfile（{'*.jpg';'*.bmp'}， 'File Selector'）;

I=imread（[pathname '＼' filename]）;

handles.I=I;

guidata（hObject， handles）;

axes（handles.axes1）;

1.1.2灰度化

因為外界的光線條件多變光照不均勻，容易得到的圖像出現(xiàn)偏光，因此可以通過rgb2gray函數(shù)以實現(xiàn)對比度的變換及擴大，以減少光線對圖形的影響。

I=handles.I;

I1=rgb2gray（I）;

axes（handles.axes2）;

imshow（I1）;title（'灰度化'）;

1.1.3邊緣檢測

由于在自然背景中準確確定牌照區(qū)域是整個識別過程的關(guān)鍵，為了準確獲得車牌信息，利用Roberts算子進行邊緣檢測。

I2=edge（I1，'roberts'，0.18，'both'）;

1.1.4平滑圖像輪廓處理

由于噪聲以及數(shù)字化誤差導致角點不理想。自動白平衡、自動曝光以及伽馬校正，采用腐蝕函數(shù)imerode（）求圖像區(qū)域空間的平均值，以使圖像更為清晰。

se=[1;1;1];

I3=imerode（I2，se）;%?腐蝕操作

1.1.5濾波處理

為除去小圖像，利用bwareaopen（）函數(shù)刪除小面積對象。

se=strel（'rectangles'，[30，30]）;

I5=imclose（I4，se）;%圖像聚類，填充圖像

I6=bwareaopen（I5，2000）;%除去聚團灰度值小于2000的部分

figure（2），imshow（I6）;

1.1.6數(shù)學形態(tài)學定位車牌

經(jīng)過圖像預處理之后的灰度圖進行行列掃描，確定車牌區(qū)域。

Btemp1_y=zeros（y temp1，1）;

for m=1：y temp1

for n=1：x temp1

if（myI（m，n，1）==1）

B temp1_y（i，1）=Blue_y（i，1）+1;

end

end

end

[temp MaxY]=max（B_y）;

%Y方向車牌區(qū)域確定

Ytemp1=Maxtemp1Y;

while（（Bs temp1_y（PY1 temp1，1）>=5）&&（Y1 temp1>1））

Y1PY temp11-1;

end

Y2=Max temp1 Y;

while（（B temp1_y（Y2 temp1，1）>=5）&&（Y2 temp1

Y2 temp1 =Y2 temp1+1;

End

IY temp1 =I（Y1 temp1PY temp12，：，：）;

%X·方向的區(qū)域確定

B temp1_x=zeros（1，x）;

while（（Bs_x（1，PX1）<3）&&（X1

X1=X1+1;

end

X1=X1-1;%對車牌區(qū)域的校正

X2=X2+1;

dw=I（Y1：Y2-8，X1：X2，：）;

t=tocs;

axes（handles.axes5）;imshow（dw），title（'定位車牌'）;

1.1.7字符切割

校正車牌區(qū)域得到剪切后的字符并去噪;

Word2=[];

while f==0

[m，n]=size（d）;

left=1.0;

wides=0;

while sum（d（：，wides+1））～=0

wides=wides+1;

end

if wides

d1（：，[1：wide]）=0;

d=qiege（d1）;

else

temp=qiege（imcrop（d，[1 1 wide m]））;

[m，n]=size（tp）;

all=sum（sum（tp））;

twos_thirds=sum（sum（temp（[round（m/3）：2*round（m/3.0）]，：）））;

if twos_thirds/all>y21

f=1;word1=tp;%word1

end

d（：，[1：wide]）=0;d=qieges（d）;

end

end

2模板匹配算法原理

模板匹配原理用于車牌識別算法是OCR，是先將待識別的字符進行二值化操作，并將大小縮放到字符數(shù)據(jù)庫模板大小，然后逐一匹配，從待識別的圖像區(qū)域F（i，j）中提取大量特征量與模板的T（i，j）逐一匹配，計算他們之間規(guī)格化的互相關(guān)量，最大的互相關(guān)量就是相識度最高的，然后依次相減，選出最佳結(jié)果。流程如圖9所示：

3 BP神經(jīng)網(wǎng)絡原理

神經(jīng)網(wǎng)絡的基本原理是通過輸入向量和權(quán)的向量的加權(quán)求和，成為下一個神經(jīng)元的輸入，再加上偏置，經(jīng)過激活函數(shù)計算作為下一層的神經(jīng)元的輸出，多用于函數(shù)逼近，模型識別分類，數(shù)據(jù)壓縮和時間序列預測。

BP神經(jīng)網(wǎng)絡具有較強的泛化能力和高度非線性能力，但也存在收斂速度慢，迭代步數(shù)多，易陷入局部極小和全局搜索能力等缺點，可以先用遺傳算法對“BP神經(jīng)網(wǎng)絡”進行優(yōu)化在解析空間找出比較好的搜索空間。

Sigmoid可微函數(shù)和線性函數(shù)常作為BP神經(jīng)網(wǎng)絡的激勵函數(shù)。本次實驗選擇tansing作為神經(jīng)元的激勵函數(shù)。

Sigmoid函數(shù)是神經(jīng)網(wǎng)絡的激勵函數(shù)。激勵函數(shù)會把輸出的信號壓縮在一個可控的范圍內(nèi)，讓其成為一個有限值。

4實驗結(jié)果與分析

為了充分比較匹配算法和神經(jīng)網(wǎng)絡的優(yōu)缺點，對500張汽車車牌進行了測試，測試結(jié)果如下：

通過實驗發(fā)現(xiàn)：匹配算法識別準確率和神經(jīng)網(wǎng)絡識別準確率都隨著光照強度的減弱而增加，其原因是圖像的二值化進行定位的算法魯棒性與適應性比較差，閾值會受到圖像亮度與圖像復雜度的影響。特別是車牌和汽車顏色一致時，即使光線好依舊定位失敗。因此，在車牌定位過程中，車牌的提取結(jié)果會因光照的影響而出現(xiàn)較大的偏差，從而導致定位失敗;在相同的光照強度下，匹配算法識別準確率遠遠低于神經(jīng)網(wǎng)絡的算法識別率，其原因是：模板匹配時，所設計的模板和它對應的字符圖像難以吻合。對于較為復雜的漢字如“贛”、“魯”和特殊的字母“U”等，這種不吻合所帶來的錯誤會對結(jié)果產(chǎn)生不良的影響。而數(shù)字的識別能得到較好的效果。神經(jīng)網(wǎng)絡算法識別率也不太高，其原因是：數(shù)據(jù)量太小，并不能滿足本次實驗，另一個原因是省份漢字筆畫較多同時伴有筆畫黏黏的現(xiàn)象，從而造成了誤判。

5結(jié)論

1）在應用中，由于干擾因素眾多，模板匹配算法準確率沒有神經(jīng)網(wǎng)絡識別算法高，但是在數(shù)字和字母的識別中，兩者差別不大，因為數(shù)字和字符結(jié)構(gòu)簡單，彼此間的相識度較小。

2）在圖片模糊，不清晰，背景識別困難（車牌顏色和車身顏色一致）時，神經(jīng)網(wǎng)絡比模板匹配算法更具優(yōu)越性。

3）模板匹配實現(xiàn)過程簡單（只需準備模板庫），驗證過程速度快;而BP神經(jīng)網(wǎng)絡實現(xiàn)過程復雜，需要提前進行網(wǎng)絡訓練，但訓練后的效優(yōu)于模板匹配。

總而言之，應用模板匹配時，應當保證車牌的圖像質(zhì)量，解析度不能太低。應用神經(jīng)網(wǎng)絡時，應當使字符能正確獨立分割出來，應用神經(jīng)網(wǎng)絡的樣本保證充分不偏。

參考文獻：

[1] 李宇成，楊光明，王目樹.車牌識別系統(tǒng)中關(guān)鍵技術(shù)的研究[J].計算機工程與應用，2011，47（27）：180-184，209.

[2] 魏武，黃心漢，張起森，等.基于模板匹配和神經(jīng)網(wǎng)絡的車牌字符識別方法[J].模式識別與人工智能，2001，14（1）：123-127.

[3] 黃德雙.神經(jīng)網(wǎng)絡模式識別系統(tǒng)理論[M].北京：電子工業(yè)出版社，1996.

【通聯(lián)編輯：唐一東】