韋 耿，夏領(lǐng)梯，張煜東

0 引言

車(chē)牌識(shí)別LPR(License Plate Recognition)是智能交通管理系統(tǒng)的核心組成部分，通過(guò)車(chē)牌自動(dòng)識(shí)別系統(tǒng)，可以實(shí)現(xiàn)對(duì)車(chē)輛的自動(dòng)監(jiān)控，流量監(jiān)控，驗(yàn)證，登記以及報(bào)警等功能，從而給交通管理系統(tǒng)帶來(lái)了極大方便[1]。因此，車(chē)牌識(shí)別系統(tǒng)的實(shí)現(xiàn)是推進(jìn)交通管理智能化的重要課題之一，在交通監(jiān)視和控制中有著特別重要的實(shí)際運(yùn)用價(jià)值和廣泛的應(yīng)用前景[2,3]。但是，車(chē)牌識(shí)別多在室外條件下進(jìn)行，易受到天氣、背景、車(chē)牌磨損、圖像傾斜等因素的影響。因此，實(shí)現(xiàn)準(zhǔn)確快速的車(chē)牌識(shí)別，具有重要的現(xiàn)實(shí)意義。

車(chē)牌識(shí)別系統(tǒng)大致分為車(chē)輛圖像獲取、車(chē)牌定位、字符分割和字符識(shí)別等4大部分。其中字符識(shí)別的方法目前主要有模板匹配法[4,5]和神經(jīng)網(wǎng)絡(luò)識(shí)別法[6,7]。本文采用模板匹配法和神經(jīng)網(wǎng)絡(luò)法對(duì)車(chē)牌進(jìn)行字符識(shí)別，并在Matlab平臺(tái)上實(shí)現(xiàn)了兩種算法。通過(guò)仿真，重點(diǎn)比較兩種方法的優(yōu)缺點(diǎn)，獲得一些有意義的結(jié)論。

1 車(chē)牌字符識(shí)別原理

在實(shí)際的應(yīng)用中，使用較多的方法有模板匹配法和神經(jīng)網(wǎng)絡(luò)法。

1.1 模板匹配算法

模板匹配方法是將待識(shí)別的字符進(jìn)行歸一化操作，然后與存放的模板庫(kù)里已標(biāo)記類別的標(biāo)準(zhǔn)字符模板進(jìn)行比較，找出匹配度最高的，來(lái)判別待識(shí)別字符的類別。該方法是實(shí)現(xiàn)離散輸入模式分類的有效途徑之一，其實(shí)質(zhì)是度量輸入模式與樣本之間的某種相似性，根據(jù)匹配相似程度，取相似性最大者為輸入模式所屬類別。本文采用的模板匹配法流程，如圖1所示：

圖1 模板匹配流程圖

取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的0越多，那么就越匹配，把每一幅相見(jiàn)后的圖的0值個(gè)數(shù)保存，然后找數(shù)值最大的，即為識(shí)別出來(lái)的結(jié)果。

1.2 神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)是從生物學(xué)神經(jīng)系統(tǒng)的信號(hào)傳遞而抽象發(fā)展成的一門(mén)學(xué)科。神經(jīng)網(wǎng)絡(luò)是有大量處理單元（神經(jīng)元)廣泛連接而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡(jiǎn)化和模擬，反映人的基本特征。通過(guò)學(xué)習(xí)它可以從外界獲取知識(shí)，并且內(nèi)部的神經(jīng)元還可儲(chǔ)存已學(xué)的知識(shí)。人工神經(jīng)網(wǎng)絡(luò)即將生物神經(jīng)元模型抽象成一個(gè)信號(hào)傳遞的數(shù)學(xué)模型，如圖2所示：

圖2 生物神經(jīng)元模型--信號(hào)傳遞的數(shù)學(xué)模型

神經(jīng)網(wǎng)絡(luò)的工作方式，由兩個(gè)階段組成：

(1)學(xué)習(xí)期：神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最小。

(2)工作期：連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出。

神經(jīng)網(wǎng)絡(luò)有很多種，由于基于 BP方法的分類器已趨成熟且性能較好，因而B(niǎo)P神經(jīng)網(wǎng)絡(luò)有著廣泛的應(yīng)用。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)，如圖3所示：

圖3 多層前饋型網(wǎng)路結(jié)構(gòu)

這種網(wǎng)絡(luò)不僅有輸入層結(jié)點(diǎn)，輸出層結(jié)點(diǎn)，而且有一層或多層隱含結(jié)點(diǎn)。對(duì)于輸入信息，要先向前傳播到隱含層的結(jié)點(diǎn)上，經(jīng)過(guò)各單元的特性為 Sigmoid型的激活函數(shù)運(yùn)算后，把隱含結(jié)點(diǎn)的輸出信息傳播到輸出結(jié)點(diǎn)，最后給出輸出結(jié)果。

Sigmoid函數(shù)是神經(jīng)網(wǎng)絡(luò)的激勵(lì)函數(shù)。激勵(lì)函數(shù)將輸出信號(hào)壓縮在一個(gè)允許的范圍內(nèi)，使其成為有限值，通常神經(jīng)元輸出的范圍在[0,l]或者[-1,l]的閉區(qū)間上。常用的基本激勵(lì)函數(shù)有閉值函數(shù)、分段線性函數(shù)、Sigmoid函數(shù)。其中Sigmoid函數(shù)也稱為s型函數(shù)，它是人工神經(jīng)網(wǎng)絡(luò)中用的最多的激勵(lì)函數(shù)。

進(jìn)行車(chē)牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車(chē)牌進(jìn)行識(shí)別，如圖4所示：

圖4 訓(xùn)練界面

2 仿真結(jié)果及討論

2.1 模板匹配運(yùn)行結(jié)果

模板匹配法一般要求模板庫(kù)存放大量的標(biāo)準(zhǔn)字符模板，這種方法需要將待識(shí)別字符要與所有模板字符進(jìn)行比較，因而計(jì)算量相對(duì)較大。但是當(dāng)模板庫(kù)較大，識(shí)別正確率一般可以保證處于較高的水平。模板庫(kù)樣本，如圖5所示：

圖5 模板庫(kù)字符樣本

利用模板匹配方法，對(duì)圖6(a)和(b)所示的車(chē)牌進(jìn)行識(shí)別，結(jié)果如圖6(c)和(d)所示?？梢钥闯觯０迤ヅ浞椒▽?duì)漢字的識(shí)別結(jié)果并不理想，這是因?yàn)樵谀０迤ヅ鋾r(shí)，所設(shè)計(jì)的模板和它對(duì)應(yīng)的字符圖像難以完全吻合。對(duì)較為復(fù)雜的漢字而言，這種不吻合所帶來(lái)的失配量會(huì)對(duì)匹配結(jié)果產(chǎn)生不良的影響。從圖中還看出，模板匹配方法對(duì)字母“U”的識(shí)別也欠準(zhǔn)確，而對(duì)數(shù)字的識(shí)別取得較好的效果。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP學(xué)習(xí)算法可以歸納如下:

(1)設(shè)置變量和參數(shù)，其中包括訓(xùn)練樣本，權(quán)值矩陣，學(xué)習(xí)速率。

(2)初始化，給各個(gè)權(quán)值矩陣一個(gè)較小的隨機(jī)非零向量。(3)輸入隨機(jī)樣本。

(4)對(duì)輸入樣本，前向計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)。

(5)由實(shí)際輸出和期望輸出求得誤差。判斷是否滿足要求，若滿足轉(zhuǎn)第(8)步;不滿足轉(zhuǎn)(6)。

(6)判斷是否己經(jīng)到了最大迭代次數(shù)，若到，轉(zhuǎn)第(8)步，否則反向計(jì)算每層神經(jīng)元的局部梯度。

(7)根據(jù)局部梯度修正各個(gè)矩陣的權(quán)值。(8)判斷是否學(xué)習(xí)完所有的樣本，是則結(jié)束，否則轉(zhuǎn)(3)。利用BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)圖6(a)和(b)所示的車(chē)牌進(jìn)行識(shí)別，結(jié)果如圖6(e)和(f)所示：

圖6 車(chē)牌識(shí)別結(jié)果

可以看出，神經(jīng)網(wǎng)絡(luò)方法對(duì)漢字的識(shí)別結(jié)果較為理想，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)經(jīng)過(guò)學(xué)習(xí)訓(xùn)練后，能夠匹配較準(zhǔn)確的樣本。即使對(duì)較為復(fù)雜的漢字，經(jīng)過(guò)多次迭代同樣可以取得較好的識(shí)別結(jié)果。同時(shí)，神經(jīng)網(wǎng)絡(luò)方法對(duì)字母和數(shù)字也能進(jìn)行較好的識(shí)別。

2.3 仿真結(jié)果討論

根據(jù)模板匹配及神經(jīng)網(wǎng)絡(luò)這兩種方法的實(shí)現(xiàn)結(jié)果，可以得到以下結(jié)論：

(1)車(chē)牌中數(shù)字的識(shí)別率最高，這主要是由于數(shù)字字符的結(jié)構(gòu)簡(jiǎn)單，彼此間的相似度較小。

(2)在實(shí)際應(yīng)用中，由于干擾因素很多，識(shí)別率會(huì)有一定的下降，如模板匹配法進(jìn)行字符識(shí)別時(shí)，由于字符“U”的頂部存在噪音干擾，最終被識(shí)別為“D”(如圖6(d))。

(3)當(dāng)字符較規(guī)整時(shí)，模板匹配及神經(jīng)網(wǎng)絡(luò)對(duì)車(chē)牌的識(shí)別率都較高。但對(duì)于缺損或畸變較嚴(yán)重時(shí)，神經(jīng)網(wǎng)絡(luò)更具優(yōu)越性。

(4)模板匹配實(shí)現(xiàn)過(guò)程簡(jiǎn)單，速度快；而神經(jīng)網(wǎng)絡(luò)在識(shí)別前需進(jìn)行網(wǎng)絡(luò)訓(xùn)練，因而速度慢。

總而言之，模板匹配法實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí)，其識(shí)別率較高。但該方法對(duì)車(chē)牌圖片要求較高，在圖像受?chē)?yán)重干擾時(shí)，識(shí)別率較低，不及神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)法可處理一些環(huán)境信息十分復(fù)雜、背景知識(shí)不清楚、推理規(guī)則不明確的識(shí)別問(wèn)題，允許樣品有較大的缺損和畸變，且具有自適應(yīng)性好、識(shí)別率高、容錯(cuò)性較好及強(qiáng)大的自學(xué)習(xí)和自調(diào)整能力。這使得它非常適合于模式識(shí)別問(wèn)題。但神經(jīng)網(wǎng)絡(luò)字符識(shí)別仍存在缺點(diǎn)：它需要較長(zhǎng)時(shí)間進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并且依賴于大量的學(xué)習(xí)樣本，此外目前能識(shí)別的模式類還不夠多。

3 結(jié)論

本文采用模板匹配法和神經(jīng)網(wǎng)絡(luò)法對(duì)車(chē)牌字符識(shí)別進(jìn)行研究，并比較了它們的優(yōu)缺點(diǎn)，最后在Matlab平臺(tái)上進(jìn)行仿真，獲得一些有意義的結(jié)論。

[1]任沙浦,沈國(guó)江.短時(shí)交通流智能混合預(yù)測(cè)技術(shù).[J]浙江大學(xué)學(xué)報(bào)(工學(xué)版),2010,44(8),pp:473-1478.

[2]高韜,劉正光,岳士宏,張軍.用于智能交通的運(yùn)動(dòng)車(chē)輛跟蹤算法.[J]中國(guó)公路學(xué)報(bào),2010,23(3),pp:89-94.

[3]李宇成,楊光明,王目樹(shù).車(chē)牌識(shí)別系統(tǒng)中關(guān)鍵技術(shù)的研究.[J]計(jì)算機(jī)工程與應(yīng)用,2011,47(27),pp:180-184.

[4]Karungaru,S.Fukumi M.and Akamatsu.N.Detection and Recognition of Vehicle License Plates using Template Matching.Genetic Algorithms and Neural Networks.2009 International Conference on Information and Computing Science,[C]2009:1975-1985.

[5]嚴(yán)萍,曾金明.一種有效的車(chē)牌字符識(shí)別法——模板匹配—特征點(diǎn)匹配相結(jié)合的車(chē)牌字符識(shí)別法.[J]西昌學(xué)院學(xué)報(bào)(自然科學(xué)版),2011,25(1),pp:42-44.

[6]O.V.Villegas and D.G.Balderrama.License plate recognition using a novel fuzzy multilayer neural network.[J]International Journal of Computers,2009,3,pp:31-39.

[7]劉高平,趙杜娟,黃華.基于自編碼神經(jīng)網(wǎng)絡(luò)重構(gòu)的車(chē)牌數(shù)字識(shí)別.[J]電子?激光,2011,22(1),pp:144-148.