BP神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究范文

本站小編為你精心準備了BP神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù)研究參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要:我國的公路交通事業(yè)迅速地發(fā)展并與智能交通系統(tǒng)相輔相成，車牌識別技術(shù)是智能交通系統(tǒng)中的較重要的一部分，也是國內(nèi)外學(xué)者們研究圖像識別的熱門問題。論文建立在圖像預(yù)處理、車牌定位、字符分割的基礎(chǔ)上，采用改進的bp神經(jīng)網(wǎng)絡(luò)對字符識別，添加動量因子與自適應(yīng)的學(xué)習(xí)率增強識別系統(tǒng)的穩(wěn)定性與良好的速率。實驗結(jié)果表明該算法具有良好的魯棒性和有效性，對車牌識別的準確率達到96.15%。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò)；車牌定位；字符分割；字符識別

1引言

車牌識別技術(shù)是智能交通系統(tǒng)中較重要的一部分，被廣泛地應(yīng)用于各個領(lǐng)域中，如收費系統(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識別技術(shù)，如N.A.Siddique等提出車牌識別系統(tǒng)，包括圖像的分割、特征提取、字符識別等三部分［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行比較確定車牌號碼［2］。十九世紀后，隨著計算機視覺（ComputerVisionTchnolo⁃gy）的發(fā)展，開始研究用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和遺傳算法來達到車輛牌照自動識別的目的［3~4］。近年來，國內(nèi)學(xué)者也開始了車牌識別方面的研究，黃志斌等利用基于串行分類器的字符識別算法對車牌識別系統(tǒng)中的分類器進行了詳細的研究［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、分類能力強大、容錯能力和魯棒性較好，并可以實現(xiàn)輸入到輸出的非線性映射。但對較為大型的數(shù)據(jù)進行運算時，BP神經(jīng)網(wǎng)絡(luò)要收斂就需要耗費大量的時間，有時由于參數(shù)設(shè)置的不合適會使整個學(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)進行了改進，添加動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。

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，能夠濾除部分噪聲，提供了準確的邊緣方向信息。

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合適的閾值，以便將車牌的背景與字符有效分開［10］。

3車牌定位和字符分割

車牌識別系統(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行提取，然后將車牌中的漢字、字母、數(shù)字分別進行分割［11］。

3.1運用數(shù)學(xué)形態(tài)學(xué)進行車牌定位本文采用形態(tài)學(xué)變換中的開運算和閉運算，來突出車牌的連通區(qū)域，一個完整區(qū)域不出現(xiàn)任何孔洞和細縫就是二維連通區(qū)域［12］。將二值化車牌圖像中白色像素區(qū)域是連通區(qū)域的進行標記，用遞歸連通區(qū)域標記法從圖像第一個像素開始讀數(shù)據(jù)，若當前的點值不為1，則繼續(xù)下一個點；若當前的像素點為1，則搜索該點的上下左右四周的像素點，若有一個像素點為1，則將當前的點標記為1，否則，將四周的點分別作為當前點，繼續(xù)搜索，最終得到多個連通區(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)域的坐標位置，在灰度車輛圖像中定位出車牌圖像。

3.2基于垂直投影的字符分割對灰度車牌圖像先進行二值化，再進行垂直投影將車牌的7個字符對應(yīng)的7個投影區(qū)域分出來。

4基于改進的BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別

車牌識別速度和準確率決定了車牌識別系統(tǒng)是否能夠滿足實際應(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)機制、快速的分類方式與較強的容錯能力，即使在有干擾的情況下仍然能夠快速準確地提高車牌字符識別速度以及準確率。

4.1BP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］。

4.2BP神經(jīng)網(wǎng)絡(luò)算法改進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)進行運算時，BP神經(jīng)網(wǎng)絡(luò)要收斂就需要耗費大量的時間，有時由于參數(shù)設(shè)置的不合適會使整個學(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)進行了改進，添加動量因子及采用自適應(yīng)學(xué)習(xí)速率來解決上述問題。

4.3車牌字符識別系統(tǒng)實驗及結(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3個隱含層。輸入層對圖像進行特征提取采用13特征提取法，因此輸入節(jié)點數(shù)目設(shè)為13，各隱含層分別識別漢字、字母、數(shù)字的神經(jīng)元輸出層節(jié)點數(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實驗結(jié)果采用所提出的算法對車牌進行識別，隨機選取260幅圖片，首先選取130張圖片作為訓(xùn)練樣本，訓(xùn)練結(jié)束后再隨機選取圖片進行識別。

4.3.3結(jié)果分析由圖9可見，所提出的算法能較好地識別出車牌字符。對隨機選取的260幅圖像的識別結(jié)果進行統(tǒng)計，可得到車牌識別率為98.85%，車牌識別的準確率為96.15%。

5結(jié)語

隨著機器視覺技術(shù)的發(fā)展，車牌識別技術(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行預(yù)處理，采用數(shù)學(xué)形態(tài)學(xué)的方法對車牌進行定位，采用垂直投影法對車牌的字符進行分割，采用改進的BP神經(jīng)網(wǎng)絡(luò)方法即添加動量因子與自適應(yīng)學(xué)習(xí)率模式對車牌的字符進行識別。通過對隨機選取的260張圖像進行識別，實驗結(jié)果表明采用本文所給的方法可使車牌字符識別的準確率達到了96.15%，該算法具有良好的魯棒性和有效性。

作者：張娜；韓美林；王園園；楊琳單位：商洛學(xué)院電子信息與電氣工程學(xué)院