基于神經網絡的車牌圖像定位算法

鐘彩++趙武初+楊興耀

摘要：車牌圖像預處理能夠減少不必要的信息，實現對有效信息的保留和恢復，從而實現對數據的簡化處理，充分發揮出圖像定位算法的性能。經過預處理后的車牌圖像定位，是從含有車牌的復雜背景圖像中提取車牌區域，本文提出一種神經網絡算法的定位方法，通過實驗，該方法能有效地對車牌進行精確的定位，到達預期效果。

關鍵詞：神經網絡；車牌圖像；定位算法

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）14-0177-02

1引言

車牌定位就是指將車牌區域從復雜的汽車圖像背景中分割出來，是實現交通管理智能化的關鍵技術之一，其車牌的快速、準確定位是車牌識別系統中的核心問題，直接關系到識別的成敗。現階段，國內外比較有名的汽車拍照識別技術有IC卡識別技術、條形碼技術、人工神經網絡識別技術等。這幾種技術具有適應性強、組織性強、識別功能強、抗干擾性強的特點，被人們廣泛地應用在各個領域。

我國汽車車牌圖像特點具體體現在以下幾方面：第一，機動車的前方車牌一般會被安裝在車輛前段的中間或者右邊，后方車牌一般被安裝在車輛的中間或者右邊。需要注意的是車牌的安裝要進行良好的固定處理，并要盡可能地保持水平安裝，對于縱向安裝的不能出現倒置的情況，也不能讓任何東西蓋住安裝。第二，車牌的標準格式一般由七個字符組成，第一個字符代表省市、自治區和直轄市，第二個字符是英文。第三個字符是英文字母或阿拉伯數字，第四到第七是阿拉伯數字。第三，車輛拍照區域中底色與字符顏色對比大，且在字符與底色交界處有較大的灰度值跳變，第四，拍照的長寬對比約3：1

為了有效減少交通應急和交通事故的發生，需要有關人員解決車輛的智能管理問題，加強對車輛牌照問題的研究。在這個過程中，車牌智能識別技術發揮出了自身總要的作用和價值意義。為了準確的定位車牌圖像，現階段常用的方法主要是水平線的搜索定位方法、掃描行的車牌提取算法、自適應邊界搜索算法的定位算法，本文提出基于神經網絡的定位算法，通過實驗，該方法定位準確、速度快、誤檢率、漏檢率高，能達到預期的效果。

2 神經網絡算法

2.1 神經網絡原理

隨著神經網絡理論研究的深入及其在計算機視覺、醫學圖像配準、航空攝影測量和飛行器匹配等領域廣泛應用，利用神經網絡進行圖像匹配的方法研究一直深受研究人員廣泛關注和高度重視。神經網絡結構簡單，算法成熟，且具有精確的尋優等優點，因此利用神經網絡進行圖像匹配是當前研究的一個重點，但標準算法具有易陷入局部極小、收斂速度慢等缺點，遺傳算法具有很強的宏觀搜索能力，并具有簡單通用、魯棒性強、并行運算的特點，所以用它來完成當前搜索能較好的克服神經網絡的缺點，基于在圖像匹配中遇到的實際問題和對神經網絡算法的分析，本文提出了基于遺傳算法和神經網絡圖像匹配算法，對車牌圖像進行定位研究。神經網絡主要是指對整理搜集到的樣本車牌圖像進行訓練，在訓練之后做好與之相對應的處理，最終利用訓練的神經網絡來提取有關車牌區域。這種方法的計算量很大，但是具有很高的準確率，且擁有良好的適應能力，減少網絡局限對信息處理的影響。在一般情況下，神經網絡是由常規線性排列成祖，每一個處理單元都具有很多的輸入量，且每一個輸入量之間都會對應一個相互關聯的權重，在單元處理的過程中能夠將輸入量信息在加工之后傳送到下一層系統神經元中。現階段，關于神經元模式，有關人員提出了很多種，其中最大的是Pitts在分析總結神經元基本特性的基礎上首先提出的M-P模型，它是大多數神經網絡模型的基礎，如下圖所示。

[Yj（t）=f（i=1nwjixi-θj）] （1）

式（1）中，Yj是神經元單元的偏置（閾值），[wji]是連接權的有關系數（對于激發狀態，[wji]取正值，對于抑制狀態，[wji]取負值），n為輸入信號數目，[Yj]為神經元輸出，t為時間，f（）為輸出變換函數，這種變換函數的應用往往采用0和1二值函數或S形函數。

2.2遺傳算法

遺傳算法主要是一種解決問題的最優化方法，主要是在生物遺傳技術和自然選擇基礎上發展起來的。隨著社會的進步和科技的發展，人們 對遺傳算法的研究進一步加強，設計的領域范圍不斷拓展，具體包括如機器學習、模式識別、圖像處理、神經網絡等方面，遺傳算法的特點具體體現在以下幾個方面：第一，從問題的解集開始進行搜索處理是對原有生物進化過程的一種抽象，，而不是從某一個單個解開始；第二，遺傳算法求解過程中所應用特定問題的信息較少，很容易形成一種通用的算法程序；第三，遺傳算法體現很強的容納力；迪迪，遺傳算法能夠實現隨機的選擇和操作，不受各種條件和規定的約束；第四，遺傳算法具有并行性的 特點。文章重點將遺傳算法應用在車牌定位中，利用這種搜索算法獲得良好的車牌定位效果。

2.3神經網絡算法過程

神經網絡算法過程具體體現在以下幾方面：第一，能夠為車牌中的漢子收集到七個到八個的訓練樣本。其中，每個樣本大概有兩部分組成，包括輸入信息和期望值的輸出結果等。第二，從各個訓練樣本中選取一個樣本例子，將具體的輸入信息輸入到相關網絡中；第三，對神經元處理之后得到的信息計算后輸出；第四，對實際輸出誤差和期望輸出誤差進行計算；第五，從輸出層的反向計算，慢慢滲透在相關的隱層中，并按照一定的誤差縮小原則，實現對網絡中各個神經元連接的調整和有效取值。第六，對每一個訓練樣本集的每一個樣例反復重復第三點和第五點的步驟，直到對整個訓練樣本集的誤差達到要求為止。

這種算法在訓練自適應增強算法的支持下能夠實現對車牌的充分檢測，進而尋找出有效的車牌信息，并在形態學的辦法支持下提取重要的對比特征，這些對比特征能夠總結出在不同光照變化下神經網絡也具有很強的應用性能，具體的實驗結果分析如下所示：

3 實驗結果分析

根據車牌的紋理特征能夠發現，在任何一條掃描線上，都會出現筆畫和背景膠體出現的情況，呈現了一種灰度截面上的峰谷交替特征，通過對每條掃描線上顯著峰谷位置的檢測，能夠實現對所有掃描線的峰谷的綜合，進而得到可能的車牌區域。具體方法包括兩種：第一，在局部的小窗口上來對其邊緣密度信息進行計算，并在密度值較高的小窗口上取出相關的形成區域，通過對區域形狀的分析來獲得有關車牌信息，另一種方法是對原始圖像進行中值濾波等降噪處理，通過對具有代表性區域的確定和 分析來確定字符的候選區，從而確定車牌的候選區。本實驗圖像庫中共有120幅圖（640個樣本），其中80幅作為訓練集（420個樣本）；40幅圖作為測試集（220個樣本）。

本文在MATLAB環境下運行，達到了預期的效果。由實驗可知，圖（A）是白天拍攝的原始圖，圖（B）夜晚拍攝的原始圖像，（C）、（D）為神經網絡算法定位后的圖像。，由實驗可知，因為光照的影響，黑暗下車牌定位存在模糊不清的現象。

參考文獻：

[1]丁偉.改進神經網絡算法在車牌識別中的應用[J].計算機仿真，2011（8）.

[2]趙先軍.基于神經網絡的車牌識別技術研究[J].西安電子科技大學，2014（8）.

[3]范春梅.車牌識別算法的研究與實現[J].五邑大學，2013（10）.

[4]王智文.基于改進BP神經網絡的車牌字符識別研究[J].廣西工學院，2012（3）.

[5]王潤民.基于小波和神經網絡的車牌識別系統研究[J].湖南師范大學，2014（3）.

[6]劉栓，孟慶春.基于遺傳和BP算法的車牌圖像快速匹配[J].2015（4）.

[7]陳林翔.基于遺傳算法的車牌識別技術的研究及應用[J].河海大學，2014（8）.