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

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

摘要:我國(guó)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(chē)牌識(shí)別技術(shù)是智能交通系統(tǒng)中的較重要的一部分，也是國(guó)內(nèi)外學(xué)者們研究圖像識(shí)別的熱門(mén)問(wèn)題。論文建立在圖像預(yù)處理、車(chē)牌定位、字符分割的基礎(chǔ)上，采用改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)對(duì)字符識(shí)別，添加動(dòng)量因子與自適應(yīng)的學(xué)習(xí)率增強(qiáng)識(shí)別系統(tǒng)的穩(wěn)定性與良好的速率。實(shí)驗(yàn)結(jié)果表明該算法具有良好的魯棒性和有效性，對(duì)車(chē)牌識(shí)別的準(zhǔn)確率達(dá)到96.15%。

關(guān)鍵詞:BP神經(jīng)網(wǎng)絡(luò)；車(chē)牌定位；字符分割；字符識(shí)別

1引言

車(chē)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(chē)場(chǎng)管理等。是國(guó)內(nèi)外學(xué)者研究的熱門(mén)問(wèn)題，從80年代初國(guó)外就開(kāi)始研究車(chē)牌自動(dòng)識(shí)別技術(shù)，如N.A.Siddique等提出車(chē)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(cè)技術(shù)提取字符特征，再通過(guò)特征字符匹配法進(jìn)行比較確定車(chē)牌號(hào)碼［2］。十九世紀(jì)后，隨著計(jì)算機(jī)視覺(jué)（ComputerVisionTchnolo⁃gy）的發(fā)展，開(kāi)始研究用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和遺傳算法來(lái)達(dá)到車(chē)輛牌照自動(dòng)識(shí)別的目的［3~4］。近年來(lái)，國(guó)內(nèi)學(xué)者也開(kāi)始了車(chē)牌識(shí)別方面的研究，黃志斌等利用基于串行分類(lèi)器的字符識(shí)別算法對(duì)車(chē)牌識(shí)別系統(tǒng)中的分類(lèi)器進(jìn)行了詳細(xì)的研究［5］。譚同德等提出基于開(kāi)源視覺(jué)庫(kù)OPENCV的車(chē)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(chē)牌定位方法［7］，該方法不受車(chē)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(lèi)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(xiàn)性映射。但對(duì)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(guò)程接近于停頓狀態(tài)。因此本文對(duì)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(lái)解決上述問(wèn)題。

2車(chē)牌圖像預(yù)處理

2.1彩色圖像灰度化由于車(chē)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。

2.2圖像邊緣檢測(cè)圖像的邊緣包含了很多重要的特征信息，車(chē)牌字符和車(chē)牌背景灰度的對(duì)比度很大，且車(chē)牌是橫向連續(xù)排列的，因此要對(duì)車(chē)牌圖像進(jìn)行邊緣檢測(cè)［8~9］。在邊緣檢測(cè)算法中，由于Sobel算子對(duì)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。

2.3二值化處理車(chē)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(chē)牌的背景與字符有效分開(kāi)［10］。

3車(chē)牌定位和字符分割

車(chē)牌識(shí)別系統(tǒng)中較重要的一部分為車(chē)牌定位和字符分割。車(chē)牌定位的功能是將車(chē)牌的位置從車(chē)輛圖像中分離出來(lái)，會(huì)直接影響后續(xù)處理效果；字符分割的功能是對(duì)字符特征信息進(jìn)行提取，然后將車(chē)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(chē)牌定位本文采用形態(tài)學(xué)變換中的開(kāi)運(yùn)算和閉運(yùn)算，來(lái)突出車(chē)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(chē)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(kāi)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(chē)牌矩形寬度和高度分離出正確的車(chē)牌區(qū)域，并記下車(chē)牌區(qū)域的坐標(biāo)位置，在灰度車(chē)輛圖像中定位出車(chē)牌圖像。

3.2基于垂直投影的字符分割對(duì)灰度車(chē)牌圖像先進(jìn)行二值化，再進(jìn)行垂直投影將車(chē)牌的7個(gè)字符對(duì)應(yīng)的7個(gè)投影區(qū)域分出來(lái)。

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

車(chē)牌識(shí)別速度和準(zhǔn)確率決定了車(chē)牌識(shí)別系統(tǒng)是否能夠滿(mǎn)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(lèi)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(chē)牌字符識(shí)別速度以及準(zhǔn)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(gè)過(guò)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(jìn)BP神經(jīng)網(wǎng)絡(luò)被廣泛地應(yīng)用，但對(duì)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(guò)程接近于停頓狀態(tài)。因此本文對(duì)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(lái)解決上述問(wèn)題。

4.3車(chē)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(duì)漢字、字母、數(shù)字這三種種類(lèi)設(shè)計(jì)3個(gè)隱含層。輸入層對(duì)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(duì)車(chē)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。

4.3.3結(jié)果分析由圖9可見(jiàn)，所提出的算法能較好地識(shí)別出車(chē)牌字符。對(duì)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(chē)牌識(shí)別率為98.85%，車(chē)牌識(shí)別的準(zhǔn)確率為96.15%。

5結(jié)語(yǔ)

隨著機(jī)器視覺(jué)技術(shù)的發(fā)展，車(chē)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(duì)車(chē)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(duì)車(chē)牌進(jìn)行定位，采用垂直投影法對(duì)車(chē)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(duì)車(chē)牌的字符進(jìn)行識(shí)別。通過(guò)對(duì)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(chē)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。

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