逄崇玉

摘 要：本文設(shè)計(jì)了一款基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)車車牌識(shí)別系統(tǒng)，系統(tǒng)能夠?qū)Σ杉降钠囌掌M(jìn)行自動(dòng)的車牌識(shí)別，并將對(duì)應(yīng)的車牌信息進(jìn)行自動(dòng)保存。本文的系統(tǒng)主要包含兩大模塊：車牌圖像預(yù)處理模塊和車牌號(hào)碼識(shí)別模塊。采用本文提供的兩大算法模塊，可以得到精確的車牌號(hào)碼信息，經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，本文設(shè)計(jì)的算法在車牌號(hào)碼識(shí)別方面能夠達(dá)到95%以上的識(shí)別精度，可以用于實(shí)際的工作環(huán)境中。

關(guān)鍵詞：車牌識(shí)別;圖像處理;特征提取;BP神經(jīng)網(wǎng)絡(luò)識(shí)別

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A

1 緒論

1.1 研究背景與意義

為了防止交通事故的發(fā)生以及肇事逃逸的問(wèn)題，智能交通網(wǎng)絡(luò)可以實(shí)時(shí)地捕捉汽車的車牌號(hào)碼，并在汽車出現(xiàn)違反交通規(guī)則的問(wèn)題時(shí)，及時(shí)地進(jìn)行報(bào)警。本文考慮到車牌自動(dòng)識(shí)別技術(shù)的發(fā)展趨勢(shì)。

本文的系統(tǒng)主要包含兩大模塊：車牌圖像預(yù)處理模塊和車牌號(hào)碼識(shí)別模塊。采用本文提供的兩大算法模塊，可以得到精確的車牌號(hào)碼信息，經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，本文設(shè)計(jì)的算法在車牌號(hào)碼識(shí)別方面能夠達(dá)到95%以上的識(shí)別精度，可以用于實(shí)際的工作環(huán)境中。

1.2 本文的研究?jī)?nèi)容

本文主要設(shè)計(jì)一款基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)動(dòng)車車牌識(shí)別系統(tǒng)，系統(tǒng)通過(guò)兩大模塊來(lái)實(shí)現(xiàn)對(duì)車牌號(hào)碼的識(shí)別。這兩大模塊分別為：車牌圖像預(yù)處理模塊和車牌號(hào)碼識(shí)別模塊。兩個(gè)模塊分別具有如下所示的特性：

車牌圖像預(yù)處理模塊。在車牌圖像的預(yù)處理模塊中，主要包含了車牌圖像的灰度處理、濾波處理、二值化處理以及銳化處理等幾個(gè)處理流程。

車牌號(hào)碼識(shí)別模塊。在車牌號(hào)碼識(shí)別模塊中，主要完成了算法的訓(xùn)練過(guò)程和識(shí)別過(guò)程。在算法的訓(xùn)練過(guò)程中，會(huì)采用系統(tǒng)提供的模板數(shù)據(jù)庫(kù)中的車牌模板圖像對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練，從而得到BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法的各項(xiàng)特性參數(shù)。而在算法的識(shí)別過(guò)程中，就會(huì)采用訓(xùn)練得到的這些數(shù)據(jù)來(lái)對(duì)車牌號(hào)碼進(jìn)行自動(dòng)匹配，并輸出識(shí)別到的車牌號(hào)碼。

本文的系統(tǒng)通過(guò)對(duì)上述兩個(gè)算法模塊的構(gòu)建，實(shí)現(xiàn)了對(duì)車牌號(hào)碼的自動(dòng)識(shí)別功能，經(jīng)過(guò)實(shí)驗(yàn)測(cè)試，本文提供的車牌自動(dòng)識(shí)別算法在識(shí)別精度方面能夠達(dá)到95%以上的測(cè)試精度，能夠應(yīng)用于實(shí)際的生活環(huán)境中。

2 車牌圖像預(yù)處理

考慮到本文的系統(tǒng)是一款面向?qū)崟r(shí)應(yīng)用的系統(tǒng)，所以在提取圖像特征時(shí)，應(yīng)該先對(duì)圖像進(jìn)行預(yù)處理，達(dá)到去除冗余數(shù)據(jù)，圖像的預(yù)處理部分的流程如圖1所示：

右圖中所示的預(yù)處理流程中，總共包含了圖像灰度化、圖像濾波、圖像二值化以及圖像銳化等步驟。具有如下所示的特性。

2.1 圖像灰度化

下圖給出了圖像灰度化的處理效果：

2.2 圖像濾波

濾波模塊主要用來(lái)對(duì)圖像進(jìn)行去噪聲處理，尤其是在圖像處理領(lǐng)域中，如果噪聲數(shù)據(jù)比較大時(shí)，會(huì)引入較大的誤差。本文使用的維納濾波算法是圍繞N*N窗口內(nèi)的最小方差來(lái)計(jì)算的。

經(jīng)過(guò)維納濾波處理后的圖像如下所示：

可以看出，經(jīng)過(guò)濾波之后的原始灰度圖像在局部范圍變得更加平滑，這個(gè)變化可以從像素的分布直方圖中看出。下圖給出了直方圖分布示意圖：

2.3 圖像二值化

計(jì)算后的圖像數(shù)據(jù)中，仍然存在一定的冗余，因?yàn)樵谶M(jìn)行圖像識(shí)別時(shí)，系統(tǒng)只關(guān)心圖像的結(jié)構(gòu)信息，而對(duì)圖像的色度信息、亮度信息不感興趣。

一般而言，在對(duì)圖像進(jìn)行二值化時(shí)，可以有兩種方法：全局閾值法和局部閾值法。其中全局閾值法顧名思義，本文采用bernsen局部閾值法來(lái)對(duì)圖像進(jìn)行二值化處理。經(jīng)過(guò)二值化處理后的圖像如下所示：

上圖中的圖像經(jīng)過(guò)二值化處理后，圖像的紋理變得更加明顯，而紋理之間的凹陷由于低于閾值，所以得到了很好的抑制。

2.4 圖像銳化

本文采用邊緣提取算法來(lái)強(qiáng)化圖像的紋理信息，以進(jìn)一步提升系統(tǒng)的識(shí)別精度。邊緣提取算法一般包括了拉普拉斯算子、Sobel算子以及Prewitt算子等，這些算子均可以用來(lái)對(duì)圖像的邊緣進(jìn)行提取，實(shí)現(xiàn)圖像銳化的功能。本文采用了Sobel算子來(lái)作為圖像的邊緣提取算法。下圖給出了Sobel算子對(duì)圖像的處理結(jié)果：

上圖所示為使用Sobel算子與拉普拉斯算子對(duì)圖像進(jìn)行銳化處理后的效果圖，可以看出Sobel算子處理后的圖像比拉普拉斯算子保留了更多的圖像細(xì)節(jié)，整體紋理也更為清晰。

2.5 生成車牌號(hào)碼模板數(shù)據(jù)庫(kù)

車牌號(hào)碼模板數(shù)據(jù)庫(kù)的生成需要對(duì)車牌中的號(hào)碼信息進(jìn)行裁剪，將屬于車牌號(hào)碼的圖像裁剪下來(lái)后，即可作為車牌號(hào)碼的特征模板，下圖給出了車牌特征模板數(shù)據(jù)：

上圖中的車牌模板均是由0和1像素值構(gòu)成的最小車牌圖像。

3 車牌號(hào)碼識(shí)別算法設(shè)計(jì)

3.1 BP神經(jīng)網(wǎng)絡(luò)算法簡(jiǎn)介

本文采用基于BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法來(lái)對(duì)圖像進(jìn)行識(shí)別，BP神經(jīng)網(wǎng)絡(luò)算法具有如下所示的流程：

上圖所示，有三層網(wǎng)絡(luò)傳遞結(jié)構(gòu)，算法的層數(shù)可以在應(yīng)用上層進(jìn)行配置，每層之間會(huì)傳遞上一層計(jì)算的誤差，通過(guò)對(duì)誤差的調(diào)整來(lái)得到最佳的權(quán)值，最終會(huì)在輸出一側(cè)得到與原始數(shù)據(jù)均方誤差最小的輸出。

在機(jī)器學(xué)習(xí)領(lǐng)域中，一般可以將算法分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)兩種。圖9展示的BP神經(jīng)網(wǎng)絡(luò)計(jì)算框架中，采用了最速下降法來(lái)在上下層之間傳遞偏差，通過(guò)輸入與輸出的比較來(lái)對(duì)參數(shù)進(jìn)行循環(huán)優(yōu)化，直到取得的偏差小于閾值。所以BP神經(jīng)網(wǎng)絡(luò)算法采用的是迭代計(jì)算的算法框架。

3.2 算法訓(xùn)練過(guò)程設(shè)計(jì)

前文已經(jīng)提及，BP神經(jīng)網(wǎng)絡(luò)算法屬于監(jiān)督學(xué)習(xí)的一種，所以需要對(duì)算法的參數(shù)進(jìn)行訓(xùn)練，使用訓(xùn)練后的參數(shù)來(lái)對(duì)圖像進(jìn)行識(shí)別。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程如下所示：

從上圖所可以看到，在算法對(duì)數(shù)據(jù)集進(jìn)行處理時(shí)，整體會(huì)分為兩大模塊：數(shù)據(jù)的正向傳遞模塊與數(shù)據(jù)的反向傳遞模塊。

3.3 算法識(shí)別過(guò)程設(shè)計(jì)

算法的識(shí)別過(guò)程會(huì)采用訓(xùn)練過(guò)程得到的參數(shù)來(lái)對(duì)圖像與模板數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì)，如果比對(duì)成功，就得到了該圖像的車牌號(hào)碼?；贐P神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法流程如下所示：

從上圖可以看出，算法的主要精力放在了模型的訓(xùn)練方面，而在算法的識(shí)別過(guò)程中，算法會(huì)通過(guò)預(yù)處理部分得到圖像的特征模板，然后通過(guò)訓(xùn)練過(guò)程得到的模型參數(shù)來(lái)將該輸入圖像與數(shù)據(jù)庫(kù)中的車牌模板數(shù)據(jù)進(jìn)行比對(duì)，如果比對(duì)成功，就代表得到了對(duì)應(yīng)的車牌號(hào)碼信息，車牌識(shí)別過(guò)程也就此結(jié)束。