張 娜 韓美林 王園園 楊 琳

（商洛學(xué)院電子信息與電氣工程學(xué)院 商洛 726000）

1 引言

車牌識(shí)別技術(shù)是智能交通系統(tǒng)中較重要的一部分，被廣泛地應(yīng)用于各個(gè)領(lǐng)域中，如收費(fèi)系統(tǒng)、交通監(jiān)控、停車場管理等。是國內(nèi)外學(xué)者研究的熱門問題，從80年代初國外就開始研究車牌自動(dòng)識(shí)別技術(shù)，如N.A.Siddique等提出車牌識(shí)別系統(tǒng)，包括圖像的分割、特征提取、字符識(shí)別等三部分［1］。R.A.Lotuf等采用邊界檢測技術(shù)提取字符特征，再通過特征字符匹配法進(jìn)行比較確定車牌號(hào)碼［2］。十九世紀(jì)后，隨著計(jì)算機(jī)視覺（Computer Vision Tchnolo?gy）的發(fā)展，開始研究用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和遺傳算法來達(dá)到車輛牌照自動(dòng)識(shí)別的目的［3～4］。近年來，國內(nèi)學(xué)者也開始了車牌識(shí)別方面的研究，黃志斌等利用基于串行分類器的字符識(shí)別算法對車牌識(shí)別系統(tǒng)中的分類器進(jìn)行了詳細(xì)的研究［5］。譚同德等提出基于開源視覺庫OPENCV的車牌定位方法［6］，該方法在卡口環(huán)境下有較好的定位效果。葉必錠等提出基于結(jié)構(gòu)特征和紋理特征的車牌定位方法［7］，該方法不受車牌大小、位置等因素限制，定位率高、速度快，具有較好的魯棒性。由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力良好、分類能力強(qiáng)大、容錯(cuò)能力和魯棒性較好，并可以實(shí)現(xiàn)輸入到輸出的非線性映射。但對較為大型的數(shù)據(jù)進(jìn)行運(yùn)算時(shí)，BP神經(jīng)網(wǎng)絡(luò)要收斂就需要耗費(fèi)大量的時(shí)間，有時(shí)由于參數(shù)設(shè)置的不合適會(huì)使整個(gè)學(xué)習(xí)訓(xùn)練過程接近于停頓狀態(tài)。因此本文對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，添加動(dòng)量因子及采用自適應(yīng)學(xué)習(xí)速率來解決上述問題。

2 車牌圖像預(yù)處理

2.1 彩色圖像灰度化

由于車牌在拍攝時(shí)受到種種因素的限制和干擾，往往由于光照、攝像、傳感器靈敏度以及光學(xué)系統(tǒng)等的不均勻性而引起圖像某些部分較暗或較亮。根據(jù)圖像處理系統(tǒng)的條件，本文將灰度范圍量化在（0，255）之間。圖1中的（b）圖為對（a）圖進(jìn)行灰度化處理。

圖1 灰度化圖像

2.2 圖像邊緣檢測

圖像的邊緣包含了很多重要的特征信息，車牌字符和車牌背景灰度的對比度很大，且車牌是橫向連續(xù)排列的，因此要對車牌圖像進(jìn)行邊緣檢測［8～9］。在邊緣檢測算法中，由于Sobel算子對噪聲具有平滑作用，能夠?yàn)V除部分噪聲，提供了準(zhǔn)確的邊緣方向信息。采用3×3的Sobel算子對車輛的圖像進(jìn)行邊緣提取，如式（1）所示，其中Sx作用于垂直邊緣，sy作用于水平邊緣。

圖2為邊緣檢測效果圖，圖2（a）為Roberts邊緣檢測效果圖，圖2（b）為Sobel邊緣檢測效果圖，圖2（c）為LOG邊緣檢測效果圖，圖2（d）為Canny邊緣檢測效果圖。對比（a）、（b）、（c）、（d）四圖可以看出Sobel算子可以很好地檢測出車牌區(qū)域邊緣，同時(shí)抑制背景區(qū)域和噪聲區(qū)域，本文中邊緣檢測采用Sobel算子。

2.3 二值化處理

車牌的定位容易受圖像的二值化影響，二值化后的圖像能提取出有效的信息，圖像二值化最主要的是選擇一個(gè)合適的閾值，以便將車牌的背景與字符有效分開［10］。車牌圖像進(jìn)行二值化后的圖像如圖3所示。

圖2 邊緣檢測效果圖

圖3 二值化圖像

3 車牌定位和字符分割

車牌識(shí)別系統(tǒng)中較重要的一部分為車牌定位和字符分割。車牌定位的功能是將車牌的位置從車輛圖像中分離出來，會(huì)直接影響后續(xù)處理效果；字符分割的功能是對字符特征信息進(jìn)行提取，然后將車牌中的漢字、字母、數(shù)字分別進(jìn)行分割［11］。

3.1 運(yùn)用數(shù)學(xué)形態(tài)學(xué)進(jìn)行車牌定位

本文采用形態(tài)學(xué)變換中的開運(yùn)算和閉運(yùn)算，來突出車牌的連通區(qū)域，一個(gè)完整區(qū)域不出現(xiàn)任何孔洞和細(xì)縫就是二維連通區(qū)域［12］。將二值化車牌圖像中白色像素區(qū)域是連通區(qū)域的進(jìn)行標(biāo)記，用遞歸連通區(qū)域標(biāo)記法從圖像第一個(gè)像素開始讀數(shù)據(jù)，若當(dāng)前的點(diǎn)值不為1，則繼續(xù)下一個(gè)點(diǎn)；若當(dāng)前的像素點(diǎn)為1，則搜索該點(diǎn)的上下左右四周的像素點(diǎn)，若有一個(gè)像素點(diǎn)為1，則將當(dāng)前的點(diǎn)標(biāo)記為1，否則，將四周的點(diǎn)分別作為當(dāng)前點(diǎn)，繼續(xù)搜索，最終得到多個(gè)連通區(qū)域。最后根據(jù)車牌矩形寬度和高度分離出正確的車牌區(qū)域，并記下車牌區(qū)域的坐標(biāo)位置，在灰度車輛圖像中定位出車牌圖像。定位出的車牌圖像如圖4所示。

圖4 車牌定位圖

3.2 基于垂直投影的字符分割

對灰度車牌圖像先進(jìn)行二值化，再進(jìn)行垂直投影將車牌的7個(gè)字符對應(yīng)的7個(gè)投影區(qū)域分出來。根據(jù)垂直投影圖的特征，通過找出每個(gè)投影區(qū)域的左右邊界來分割車牌字符，其垂直投影圖如圖5所示。

圖5 二值化后車牌圖像的垂直投影

從圖5可明顯地觀察到7個(gè)垂直區(qū)域左右有投影值為0的部分，這就是字符的左右邊界區(qū)域。分割字符步驟：先從左到右依次檢測每一個(gè)坐標(biāo)的投影數(shù)值，當(dāng)檢測到第一個(gè)不為零的投影數(shù)值時(shí)，該值所對應(yīng)像素點(diǎn)的坐標(biāo)是第一個(gè)字符區(qū)域的左邊界；然后繼續(xù)向右檢測，當(dāng)檢測到第一個(gè)為零的投影數(shù)值時(shí)，該值所對應(yīng)的像素點(diǎn)的坐標(biāo)是第一個(gè)字符區(qū)域的右邊界。最后重復(fù)此方法得出其余6個(gè)字符區(qū)域的左右邊界。

若車牌圖像投影圖中的字符投影塊數(shù)目為7，并且每個(gè)字符投影塊寬度都大于標(biāo)準(zhǔn)字符寬度閥值的最小值和小于最大值，說明字符沒有出現(xiàn)黏連或者斷裂，直接進(jìn)行分割車牌字符。若投影塊數(shù)目比7小，判斷車牌的字符某處有黏連，找到黏連出進(jìn)一步分割。若數(shù)目大于7，可推斷出車牌的字符有斷裂，則進(jìn)一步合并處理。其分割流程圖如圖6所示。

圖6 垂直投影的分割流程圖

通過上述得到的車牌字符大小不同，為了提高車牌識(shí)別準(zhǔn)確率對分割后的字符進(jìn)行歸一大小整定，歸一化后的車牌圖像如圖7所示。

圖7 字符分割歸一化結(jié)果圖

4 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別

車牌識(shí)別速度和準(zhǔn)確率決定了車牌識(shí)別系統(tǒng)是否能夠滿足實(shí)際應(yīng)用的關(guān)鍵［13］。由于BP神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)機(jī)制、快速的分類方式與較強(qiáng)的容錯(cuò)能力，即使在有干擾的情況下仍然能夠快速準(zhǔn)確地提高車牌字符識(shí)別速度以及準(zhǔn)確率。

4.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是由誤差的反向傳播和信息的正向傳播兩個(gè)過程組成，是誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一［14～15］。

BP網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，且相鄰層之間的神經(jīng)元是全互連的。圖8所示的是一個(gè)典型的三層BP網(wǎng)絡(luò)模型。輸入為 X0,X1,…Xn-1；輸出為Y0,Y1…Ym-1；訓(xùn)練樣本期望輸出為d0,d1…dm-1。輸入單元i到中間單元 j的權(quán)值：Vij，中間單元 j到輸出單元k的權(quán)值：Wjk，其中輸出單元θk和中間單元的閾值ψj。

圖8 典型的三層BP網(wǎng)絡(luò)模型

中間層各單元的輸出：

輸出層各單元的輸出：

4.2 BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)

BP神經(jīng)網(wǎng)絡(luò)被廣泛地應(yīng)用，但對較為大型的數(shù)據(jù)進(jìn)行運(yùn)算時(shí)，BP神經(jīng)網(wǎng)絡(luò)要收斂就需要耗費(fèi)大量的時(shí)間，有時(shí)由于參數(shù)設(shè)置的不合適會(huì)使整個(gè)學(xué)習(xí)訓(xùn)練過程接近于停頓狀態(tài)。因此本文對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，添加動(dòng)量因子及采用自適應(yīng)學(xué)習(xí)速率來解決上述問題。式（4）中ω(k)為權(quán)值向量的負(fù)梯度，E為誤差。η為動(dòng)量因子，其范圍為0～1之間，其表達(dá)式如式（5）所示：

α為學(xué)習(xí)率，α的值大于0，表達(dá)式如式（6）所示：

4.3 車牌字符識(shí)別系統(tǒng)實(shí)驗(yàn)及結(jié)果分析

4.3.1 參數(shù)設(shè)定

本文將BP神經(jīng)網(wǎng)絡(luò)的層數(shù)設(shè)為3，針對漢字、字母、數(shù)字這三種種類設(shè)計(jì)3個(gè)隱含層。輸入層對圖像進(jìn)行特征提取采用13特征提取法，因此輸入節(jié)點(diǎn)數(shù)目設(shè)為13，各隱含層分別識(shí)別漢字、字母、數(shù)字的神經(jīng)元輸出層節(jié)點(diǎn)數(shù)設(shè)為10。初始值的設(shè)定為η=0.95，α=0.1，E=4.9×10-5。

4.3.2 實(shí)驗(yàn)結(jié)果

采用所提出的算法對車牌進(jìn)行識(shí)別，隨機(jī)選取260幅圖片，首先選取130張圖片作為訓(xùn)練樣本，訓(xùn)練結(jié)束后再隨機(jī)選取圖片進(jìn)行識(shí)別。識(shí)別后的圖像如圖9所示。

圖9 車牌字符識(shí)別

4.3.3 結(jié)果分析

由圖9可見，所提出的算法能較好地識(shí)別出車牌字符。對隨機(jī)選取的260幅圖像的識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)，可得到車牌識(shí)別率為98.85%，車牌識(shí)別的準(zhǔn)確率為96.15%，如表1所示。

表1 識(shí)別結(jié)果統(tǒng)計(jì)表

5 結(jié)語

隨著機(jī)器視覺技術(shù)的發(fā)展，車牌識(shí)別技術(shù)已成為智能交通領(lǐng)域中不可或缺的部分。本文首先對車牌圖像進(jìn)行預(yù)處理，采用數(shù)學(xué)形態(tài)學(xué)的方法對車牌進(jìn)行定位，采用垂直投影法對車牌的字符進(jìn)行分割，采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法即添加動(dòng)量因子與自適應(yīng)學(xué)習(xí)率模式對車牌的字符進(jìn)行識(shí)別。通過對隨機(jī)選取的260張圖像進(jìn)行識(shí)別，實(shí)驗(yàn)結(jié)果表明采用本文所給的方法可使車牌字符識(shí)別的準(zhǔn)確率達(dá)到了96.15%，該算法具有良好的魯棒性和有效性。