車牌圖像特征提取及改進神經網絡的識別算法研究

摘 要： 針對車牌字符圖像進行特征提取與識別算法的研究。使用BP神經網絡識別算法建立車牌字符圖像的識別。由于常規BP神經網絡算法本身存在訓練過程容易陷入局部最小值、收斂效率低以及網絡結構參數不易確定等缺點。另外，BP網絡結構參數的選取對算法的性能影響很大，而參數的選取通常是根據經驗公式選取的，存在很大的隨機性和盲目性，使算法的性能無法得到保證。因此該文使用收斂速度快、適用于全局搜索的PSO優化算法對BP神經網絡算法的性能進行優化，研究一種雙粒子群優化的改進BP神經網絡算法。最后通過車牌識別實驗對識別算法進行研究，結果表明，通過對神經網絡算法進行改進，使用其建立漢字識別模型、字母識別模型以及混合識別模型的識別準確率均優于常規神經網絡算法建立的模型，具有較好的識別性能。

關鍵詞： 車牌字符識別； 特征提取； 神經網絡； 粒子群優化算法

中圖分類號： TN926?34； U495 文獻標識碼： A 文章編號： 1004?373X（2016）16?0102?03

Abstract： The feature extraction and recognition algorithm of license plate character image are studied. The BP neural network recognition algorithm is used to identify the license plate character image. Since the conventional BP neural network algorithm is easy to fall into local minimum value and low convergence efficiency， and difficult to determine the network structure parameters in training process， moreover， since the selection of BP network structure parameters has great influence on the performance of the algorithm， and the parameters selection is usually based on the empirical formula and has prodigious randomness and blindness， the performance of the algorithm can’t be guaranteed. Therefore， the PSO algorithm is used to optimize the performance of BP neural network algorithm， which has fast convergence rate and is suitable for global search. The improved BP neural network algorithm for the dual particle swarm optimization is studied. The recognition algorithm is studied with the experiment of license plate recognition. The results show that the recognition accuracy of Chinese characters recognition model， letters recognition model and mixed recognition model established by means of the improved neural network algorithm is superior to that of the model established with conventional neural network algorithm， and the recognition algorithm has good recognition performance.

Keywords： license plate character recognition； feature extraction； neural network； particle swarm optimization algorithm

0 引 言

在現代交通智能管理和數字化信息控制實現的道路上，車牌識別正發揮著越來越重要的作用。車牌識別主要用于停車管理、收發管理、超速等違章的追查以及車輛識別等。對于車牌識別需要進行車牌定位、車牌字符的分割以及車牌字符識別三步實現，每一步驟都是研究的熱點與重點，本文主要針對車牌字符圖像進行特征提取與識別[1]。

對于車牌字符識別主要分為基于結構識別方法和基于統計的識別方法。其中基于結構識別方法采用局部變換的方法，比較符合人類直覺，但是抗干擾抗噪聲能力較弱；基于統計的識別方法，主要有神經網絡算法、支持向量機算法等成熟的算法，因其識別率高、識別速度快、抗干擾抗噪聲能力強等優勢得到了廣泛應用[2]。

1 車牌圖像特征提取

我國國內固定的車牌字符顏色以及車牌背景主要有藍底白字、黃底黑字以及白底黑字等搭配，本文主要針對外圍框為440 mm×140 mm的藍底白字車牌進行識別研究，樣式如圖1所示[3]。

本文由神經網絡識別算法建立車牌字符圖像的識別。首先需要將車牌字符圖像進行特征提取，之后將提取的特征作為學習訓練樣本輸入神經網絡識別模型，提高識別模型的泛化能力。車牌圖像的特征提取對于車牌識別至關重要，也是車牌能夠被正確識別的關鍵，對車牌識別的特征要求滿足：特征結構要穩定，抗噪聲能力強；特征的維數要盡量低，便于計算機實現；特征要能夠表示完整的物體[4?5]。

使用常規的方法，將車牌圖像字符轉換為二值化圖像點陣作為圖像特征，直接作為神經網絡識別算法的輸入，會使得識別算法的網絡結構過大，不易于計算機的實現和實現效率過低等。因此本文使用粗網絡字符特征提取法代替常規方法[6?8]。首先將字符進行歸一化處理，使得所有待處理車牌字符圖像的長寬相同，設歸一化后的二值化點陣圖像用[fi，j]表示：

[fi，j=0， 白像素1 ， 黑像素] （1）

式中：[fi，j=0]，白像素表示此像素點沒有筆畫；[fi，j=1]，黑像素表示此像素點有筆畫。

將歸一化處理的圖像劃分[M×N]的網格，統計網格內黑像素的個數，獲得以黑像素的個數表示[M×N]的網格特征。以數字字符“0”為例說明粗網格特征提取方法，待識別的字符“0”如圖2所示。將待識別的字符“0”歸一化到32×16字符點陣，如圖3所示。將圖3中得到字符點陣劃分為8×4的網格，如圖4所示。之后根據粗網格特征提取的圖像處理方法，統計網格內黑像素個數，最后得到待識別的字符“0”的特征8×4網格，如圖5所示。

2 神經網絡識別模型及改進方法

常規BP神經網絡是基于梯度下降算法的反向傳播神經網絡，目標函數是誤差的平方，所以算法本身存在訓練過程容易陷入局部最小值、收斂效率低以及網絡結構參數不易確定等缺點。另外，BP網絡結構參數的選取對算法的性能影響很大，而參數的選取通常是根據經驗公式選取，存在很大的隨機性和盲目性，算法的性能無法得到保證[9?10]。

因此本文使用收斂速度快，適用于全局搜索的PSO優化算法對BP神經網絡算法的性能進行優化，研究一種雙粒子群優化的改進BP神經網絡算法。本文使用第一層PSO算法優化BP神經網絡的隱含層神經個數。使用第二次PSO算法優化BP神經網絡的網絡權值。

在對第一層PSO算法的編碼時，僅需要確定其數量，粒子維數等于1，設[particle_outer=M]，M在1～100范圍內。

在對第二層PSO算法的編碼時，需要確定BP神經網絡輸入層到隱含層網絡權值以及隱含層到輸出層的網絡權值和閾值，設：

3 車牌識別實驗

本文采集100幅640×480的車牌圖像，通過圖像字符分割等預處理后，得到700個車牌字符識別樣本。其中500個樣本作為訓練樣本，剩余200個樣本作為測試樣本。使用常規神經網絡算法建立的識別模型與本文研究的改進型神經網絡算法建立的識別模型進行對比試驗。兩種識別模型的識別結果如表1所示。

表1 兩種識別模型的識別結果 %

由表1可看出，本文通過對神經網絡算法進行改進，使用其建立漢字識別模型、字母識別模型以及混合識別模型的識別準確率均優于常規神經網絡算法建立的模型，具有較好的識別性能。通過實驗結果分析可知，本文研究的識別模型不僅能夠識別圖像清晰規范的車牌字符圖像，對噪聲干擾、變形、底面褪色以及圖像模糊情況下的車牌字符圖像也具有一定的識別能力，識別結果如圖6所示。產生錯誤識別主要來源于：車牌圖像的拍攝角度使得字符產生變形；車牌長時間使用，底色褪色，褪色部分和字符部分容易混淆；光線、環境以及攝像設備等使得車牌圖像模糊；在長期使用過程中，車牌上存有污點、泥點等。

果

4 結 論

對車牌識別需要進行車牌定位、車牌字符的分割以及車牌字符識別三步實現，每一步驟都是研究的熱點與重點，本文主要針對車牌字符圖像進行特征提取與識別。本文使用BP神經網絡識別算法建立車牌字符圖像的識別。并使用雙粒子群優化算法對常規BP神經網絡算法進行優化。通過實驗研究識別算法的性能，結果表明：本文通過對神經網絡算法進行改進，使用其建立漢字識別模型、字母識別模型以及混合識別模型的識別準確率均優于常規神經網絡算法建立的模型，具有較好的識別性能。本文研究的識別模型不僅能夠識別圖像清晰規范的車牌字符圖像，對噪聲干擾、變形、底面褪色以及圖像模糊情況下的車牌字符圖像也具有一定的識別能力。

參考文獻

[1] 趙志宏，楊紹普，馬增強.基于卷積神經網絡LeNet?5的車牌字符識別研究[J].系統仿真學報，2010，22（3）：638?641.

[2] 吳佳.車輛牌照識別系統的設計與實現[D].北京：北京交通大學，2015.

[3] 梁朝軍.基于支持向量機的車牌識別系統的研究[D].合肥：合肥工業大學，2004.

[4] 陸璐.卷積神經網絡的研究及其在車牌識別系統中的應用[D].合肥：合肥工業大學，2006.

[5] 張吉斌.基于圖像處理及支持向量機的車牌識別技術研究[D].蘭州：蘭州交通大學，2013.

[6] 馮知凡.基于圖像處理及BP神經網絡的車牌識別技術的研究[D].武漢：武漢科技大學，2011.

[7] 趙鉦.基于支持向量機的車牌識別技術的研究[D].西安：西安電子科技大學，2008.

[8] 杜晶.基于支持向量機的車牌字符識別研究[D].邯鄲：河北工程大學，2008.

[9] 譚駿，陳興蜀，杜敏，等.基于自適應BP神經網絡的網絡流量識別算法[J].電子科技大學學報，2012，41（4）：580?585.

[10] 王永貴，林琳，劉憲國.結合雙粒子群和K?means的混合文本聚類算法[J].計算機應用研究，2014，31（2）：364?368.

[11] 吳定海，張培林，李勝，等.基于混沌變異的自適應雙粒子群優化[J].控制與決策，2011，26（7）：1083?1086.

[12] 谷海紅，齊名軍，許少華.一種基于混沌優化機制的雙粒子群優化算法[J].計算機應用與軟件，2008，25（10）：258?260.

[13] 商建平，俞樹榮.基于雙粒子群算法的板式換熱器優化設計[J].自動化與儀器儀表，2015（3）：78?80.