賀瑜飛

(榆林學(xué)院)

0 引言

自動識別系統(tǒng)進行車牌識別，主要由車牌定位、字符分割和字符識別這三部分組成，在字符識別的過程中，由于我國車牌中的信息包含數(shù)字、字母和漢字，所以字符識別率是車牌識別的關(guān)鍵部分，傳統(tǒng)的方法有貝葉斯統(tǒng)計決策模式識別方法、結(jié)構(gòu)模式識別方法、神經(jīng)網(wǎng)絡(luò)方法，還有基于支持向量機的一些識別方法.但是對于一些模糊的車牌，單純的用一種方法，效果不是很好，該文最后采用了改進的神經(jīng)網(wǎng)絡(luò)和模板匹配結(jié)合來識別字符，使得車牌的字符識別性能能夠得到明顯的提高.

1 預(yù)處理

1.1 歸一化

字符歸一化，在某些情況下，可以消除字體大小以及分辨率高低的一些情況對車牌的影響，歸一化處理就是消除這些影響，其主要思想是經(jīng)過對不同尺寸和不同大小的字符化為統(tǒng)一的字符圖像.

經(jīng)過處理后的某像素點(m，n)，規(guī)定在原圖像下的坐標為:

原圖大小X×Y，處理后的大小為M ×N，以下的方法是求出像素點位置和他們最近的像素的灰度值，如圖1中，假如p像素最相近的四個相鄰像素分別是 a、b、c、d，坐標為(x0，y0)，(x0+1，y0)，(x0，y0+1)以及(x0+1，y0+1)，灰度值是g(a)，g(b)，g(c)和 g(d).

圖1 四個相鄰的像素圖

e的灰度值g(e)和f的灰度值g(f)為(以下上橫線為兩點間的距離):

那么p點的灰度值g(p):g(p)=ep［g(f)－g(e)］+g(e)

必須保證最后的圖像仍是二值圖像，需要做閾值處理，如果g(p)≥0.5，則歸一化后的圖像像素灰度為1相反則為0.最后形成32×32的標準字符，標準化后的圖像如圖2所示.

圖2 標準化后圖像

1.2 字符細化

細化主要思想是提取漢字筆劃中軸線，得到筆劃的類型信息.為了更好提取筆劃的信息，還必須要得到漢字均寬，對所確定好的中軸線，把所在線段垂直方向上黑色像素的點數(shù)取平均，如果效果不是很好，可以再經(jīng)過加權(quán)，最后用不同的灰度值表示橫豎撇捺這四種骨架點.通過這種算法，可以有效抑制筆劃交叉處的一些可能存在的變形.

主要步驟:(1)首先必須對圖像進行掃描處理，假如果是掃描到的是黑像素點，那么計算出從這一個黑的像素點沿著它的八方向，還有連續(xù)筆畫邊緣點黑像素點的個數(shù)，這個就作為當(dāng)前黑色像素點的八方向長，一次下去，可以得到一個八維的方向向量，按此順序記為:C(c1，c2，c3，c4，c5，c6，c7，c8)，接著將會以 c8為起點，按照逆時的針順序，必須找到互相相鄰的三個方向的長度的最小值，記為 B(b1，b2，b3，b4，b5，b6，b7，b8)，定義b1為c1與c2和c8的最小值，b2為c1、c2和c3的最小的值，以此類推，可以找到B向量上其余剩下元素的值.

如果有c1＞ b3，c1＞ b7，c5＞ b3，c5＞ b7，(c1+c5)＞2×(b3+b7)且|b3－b7|≤1，這樣黑的像素，最終的結(jié)果是可能為橫筆劃正好的中軸點.所謂的細化，就是為找到中軸線，且是每條筆畫的中軸線，先觀察p2和p6的值，然后進行判斷，是否黑像素點就是橫筆畫的中心點.結(jié)果可能被標記的是k1、k12、k13或者是k14，那么就不能標為橫筆畫中心點，反之那么標記為k1.

假如 c3＞ b1，c3＞ b5，c7＞ b1，(c3+c7)＞2×(b1+b2)而且|b1－b5|≤1，說明這一個黑像素點可能是豎直筆劃的中心點.檢查是不是已有被標記為 k2、k12、k23、k24中的一個，那么在標記前還需要分別查找p6和p4的值.若被標記，那么這點就是兩筆畫交叉點，若沒有被標記，查找是否已被標為k1、k2以及k4中的一個.撇筆畫和捺筆畫標記方法與此類似.

細化后的圖像，如圖3所示.

2 基于改進的模板匹配對英文及數(shù)字的識別

圖3 細化字符圖像

改進模板匹配對英文及數(shù)字的識別，其主要思想是基于傳統(tǒng)模板，然后增加了用字符特征的描述法和邊緣提取，來進行字符識別.中國汽車牌照有自己的特點，既有漢字又有數(shù)字和字母，其中有24個英文字母與10個數(shù)字，所以根據(jù)各種方法的比較，相對比較適合用模板匹配.但是牌照中的一些字符，比如很相似的B，0和D，這樣很容易發(fā)生錯誤的判斷，再還有一些普遍現(xiàn)象，有些車牌污染嚴重，所以車牌的字符識別率很低.

2.1 改進的模板匹配算法

模板匹配的基本原理是這樣，輸入函數(shù)f(x，y)，在模板匹配中表示輸入字符，函數(shù)F(x，y)是標準模板，比較后輸出的是T(x，y).那么相關(guān)器輸出是:

當(dāng) x1=x2，y1=y2時

當(dāng) f(x，y)=F(x，y)時

有 T(0，0)≥T(x，y)，那么T(x，y)在T(0，0)出現(xiàn)主峰，那么副峰就會出現(xiàn)在其他標準字符下，主峰如果能夠不等于副峰，就能判斷并且能夠識別出字符.

模板定義的是一個離散函數(shù)Tx，y，假如高斯白噪聲會干擾圖像Ix，y，把未知標準誤差定義為σ，那么相對應(yīng)的像素相匹配概率為:

即為

最后歸結(jié)為求小化問題

設(shè)標準的模板字符圖像是T，待檢測字符圖像的子圖是Fxy(m，n)，F(xiàn)(m，n)為待檢測圖像，這里定義其互相關(guān)算子為:

最佳匹配模板就是互相關(guān)算子所對應(yīng)的模板，經(jīng)過處理后的圖形，只存在著灰度值是1或0的像素，最后可以簡化為:

根據(jù)我們之前的預(yù)備知識，首先進行的還是處理，只是圖像已經(jīng)被分割好，仍然是把圖像想辦法變成統(tǒng)一的大;然后確定匹配的模板庫，首先進行閾值的設(shè)定，但根據(jù)的是已經(jīng)知道的位置信息;給出的N是閾值數(shù)，是指給出的匹配度小于標準模板匹配度，繼而把標準化后的字符，和標準模板進行匹配.假若N=1，說明匹配的結(jié)果是唯一確定的，輸出字符，N ＞1，說明相類似的字符可能存在于未知的模式中，沒辦法識別時，我們用特征描述法來進行識別，N=0，匹配的結(jié)果可能不理想，因為有磨損或者是噪聲存在，接著就會用到邊緣模板匹配法來進行匹配.

2.2 特征描述法識別字符

在字符的研究過程中，會發(fā)現(xiàn)其中有些數(shù)字和字母的結(jié)構(gòu)非常的相似，圖片必然會出現(xiàn)筆畫粘連、斷裂或者是模糊的情況，這時候就要用本文所講的特征描述法.首先是對字符結(jié)構(gòu)觀察，然后進行逼近的一個識別，所以會有識別速度和準 確 率 的 提 高 等 優(yōu) 點. 比 如: “Z”“2”，“C”“D”“Q”，“B”“8”，“S”“5”這樣的字符.這樣，就面臨著把不容易區(qū)分的數(shù)字字母做一個區(qū)別，接著進行字符構(gòu)造的分析，把相似的數(shù)字和字母歸類為一組.分組時先把字符分為無封閉環(huán)和有封閉環(huán)兩種類型，那么“B”是有封閉環(huán)的字母，“8”是有封閉環(huán)的數(shù)字，然后進行一個豎方向的筆畫類型劃分;一個封閉環(huán)字符肯定是“4”，“6”，字母是“A”，接著根據(jù)豎筆畫來判斷，“4”的豎筆畫在右邊;假如沒有輸出結(jié)果，判斷橫的筆畫，字符“A”就有橫筆畫，“6”是最后剩下的;數(shù)字“7”，“3”，“2”和字母“Z”是沒有封閉環(huán)的，觀察可以發(fā)現(xiàn)“Z”是有兩條橫的筆畫，這樣就能識別“Z”.剩下的“3”和“7”其橫的筆畫都是在上方，而“2”的橫筆畫是在下方，這樣比較會比較容易識別出“2”，“7”和“3”所抽取的不是豎筆畫，也不是橫筆畫，而是斜的筆畫，有斜的筆畫的是“7”，反之則是“3”.數(shù)字“0”與字母“O”的區(qū)別，這要看其的位置信息，字母“O”出現(xiàn)的位置是第二個字符，這樣就能區(qū)分數(shù)字“0”和字母“O”.

2.3 模板匹配

在匹配的過程中，會發(fā)現(xiàn)有些字符沒有被識別出來，這就說明沒有找到相匹配的模板，，但一個問題是一定的，特有的物理結(jié)構(gòu)是車牌的一個特點，這個特點是字符與車牌的邊緣不屬于一個平面.該文選用Canny算子進行邊緣輪廓的提取，Canny有其自身的優(yōu)點，可以檢出弱邊緣的真正存在，而且一個優(yōu)點是不易受到其他一些因素的干擾.設(shè)定兩個不同的閾值，分別進行強邊緣和弱邊緣的檢測，弱邊緣信息想要包含在輸出的圖像中，只能檢測出的邊緣是相連接的.所以，提取車牌邊緣信息，主要是用字符的邊緣信息來識別.圖4是傳統(tǒng)模板和邊緣模板示意圖.

圖4

3 神經(jīng)網(wǎng)絡(luò)識別中文字符

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法中，在梯度這方面沒有做過多的研究，該文是改進了傳統(tǒng)梯度下降的算法，偏導(dǎo)數(shù)的幅值不變化，只借用了偏導(dǎo)數(shù)符號.權(quán)值的變化由偏導(dǎo)數(shù)的符號唯一確定，一個更新值來確定大小的變化.在迭代過程中，如果偏導(dǎo)數(shù)符號不發(fā)生變化，那么就增大更新值，乘以上一個1到2之間的數(shù)是新的更新值;相反如果符號發(fā)生改變，那么就更新值進行降低，乘以上一個0到1之間的數(shù).迭代過程的公式如下:

ΔX(k)是前一次的更新值，根據(jù)實際情況預(yù)先設(shè)定初始值ΔX(k).

這里漢字分類器首先要設(shè)計神經(jīng)網(wǎng)絡(luò)，三層的BP神經(jīng)網(wǎng)絡(luò)是我們設(shè)計的，輸入的節(jié)點n由特征向量的提取來進行一個確定.因為漢字選用的是39維向量，那么39維向量是識別系統(tǒng)的輸入向量，所以應(yīng)該取n是39+1作為一個輸入神經(jīng)元的個數(shù).最后需要分類的漢字類別應(yīng)該與輸出神經(jīng)元的個數(shù)m是相同的.經(jīng)過試驗，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)要經(jīng)過至少2500次的訓(xùn)練才能收斂，該文的算法只用了1000次就能做到收斂，所以改進后的神經(jīng)網(wǎng)絡(luò)比以前的神經(jīng)網(wǎng)絡(luò)更優(yōu).

4 實驗結(jié)果分析

實驗用相機對汽車進行拍照，然后用該文算法對進行處理，讓改進的模板匹配來識別字符.必然會有相似或者是模糊字符發(fā)生，按照前面所說，第二次匹配時用字符特征描述法來進行識別，然后第三次匹配用邊緣提取.算法是在VC++7.0下來實現(xiàn)，仿真實驗結(jié)果見表1.識別率明顯提高.

表1 識別結(jié)果

［1］ 魏武，黃心漢.基于模版匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法［J］.模式識別與人工智能，2001，14(1):123 －126.

［2］ 虞安軍，吳海珍，蔣加伏.改進的遺傳算法在車牌自動識別系統(tǒng)中的應(yīng)用［J］.計算機仿真，2006，23(11):224 －227.

［3］ 吳紅梅，陳繼榮，鹿曉亮.一種新的車牌字符分割方法［J］.計算機仿真，2007，24(2):252 －255.

［4］ 楊曉敏，吳煒，黎濤，等.基于Gabor變換和支持向量機的車牌字符識別算法［J］.四川大學(xué)學(xué)報:工程科學(xué)版，2005，37(5):130－138.

［5］ 袁志民，潘曉露，等.車牌定位算法的研究［J］.昆明理工學(xué)報，2001，26(2):56－60.

［6］ 崔屹.數(shù)字圖像處理技術(shù)與應(yīng)用［M］.電子工業(yè)出版社，1997.

［7］ 魏武.智能交通系統(tǒng)關(guān)鍵技術(shù)研究圖像處理、模式識別與智能控制.武漢:華中科技大學(xué).博士論文，2000.

［8］ Sunghoon Kim，Daechul Kim.A robust licenseplate extraction method under complex image conditions［C］//In:The l6th International Conference on Pattern Recognition.Quebec Canada，2002.216 －219.

［9］ 大型室內(nèi)停車場車輛出入計算機自動識別與管理系統(tǒng)［J］.哈爾濱師范大學(xué)自然科學(xué)學(xué)報，1995(2).

［10］王鑒，黃山，嚴國莉，等.車牌字符識別技術(shù)［J］.中國測試技術(shù)，2005(2):45－46.