基于脈沖神經網絡的車牌定位算法

摘要：在車牌識別系統中，主要包括車牌定位、字符分割和字符識別，其中車牌定位是非常關鍵的技術之一，是否精確定位車牌直接影響后階段車牌圖像處理的質量和處理速度、字符識別的精度和速度。文章提出了基于脈沖神經網絡的車牌定位算法，此算法具有較高的定位率，能對各種底色車牌進行定位，有利于后面的字符分割和識別。

關鍵詞：車牌定位；脈沖神經網絡（SNN）；邊緣檢測；車牌定位；字符分割；字符識別 文獻標識碼：A

中圖分類號：TP391 文章編號：1009-2374（2016）32-0013-02 DOI：10.13535/j.cnki.11-4406/n.2016.32.006

現在車牌定位已經提出了很多方法，其中經常用到的是基于黑白圖像定位、基于顏色特征算法和基于車牌邊緣檢測算法。大多數算法都是基于單一特征來進行車牌定位提取，這樣的定位方法在確定車牌區域上存在著明顯的局限性，受到特定條件的限制。車牌區域主要有以下特征：顏色特征、幾何特征、位置特征、紋理特征、灰度跳變特征、投影特征和頻譜特征等。車牌和字符的顏色共有五種組合分別為：藍底白字、黃底黑字、白底黑字、黑底白字以及白底紅字，其中一些小型和大型車輛的牌照底色會跟著省份的變化而略有不同。本文綜合分析車牌的特征，提出了基于脈沖神經網絡顏色特征提取的車牌粗定位和基于脈沖神經網絡的邊緣檢測的精確定位。

1 算法描述及流程

首先輸入拍攝的彩色車牌圖像，利用SNN對車牌圖像進行顏色特征提取，接著經過一系列處理實現車牌的粗定位，然后運用灰度化、邊緣檢測、形態學處理和二值化等技術對粗定位車牌進行處理，再采用行列掃描投影法進行精確定位，最終提取出正確的車牌區域，其中的邊緣檢測也是基于SNN。基于SNN的車牌定位流程如圖1所示：

2 車牌的粗定位

以藍色為例，上述算法的具體步驟如下：（1）輸入彩色車牌圖像；（2）將三幅成分圖、和中的每個像素轉換為脈沖序列；（3）計算其脈沖序列的放電頻數，分別用維數為的數組、和來存儲；（4）將三個像素閾值、、轉換為脈沖序列，并計算其放電頻數，分別用、和來存儲；（5）判斷是否滿足、、，如果滿足的話，令，否則令。

如果，則在坐標處的像素為藍色。其他顏色原理相同。

3 車牌的精確定位

本文主要基于感受野和脈沖神經元來檢測車牌圖像的邊緣，其網絡的結構如圖3所示。該網絡有三層：第一層為光感輸入層；第二層為中間層，四個并行神經元矩陣、、、對應四種不同的感受野，為了簡化只畫出了每個矩陣中的一個神經元。在突觸連接中的“X”代表興奮性突觸，“△”代表抑制性突觸，中間層通過不同的權重矩陣連接光感輸入層，分別執行上、下、左、右邊緣的檢測，這些權重矩陣能改變圖像中不同尺寸感受野的大小；第三層為輸出層，其中每一個神經元累加來自第二層對應四個并行神經元矩陣的輸出。通過繪制輸出層的脈沖頻率圖，能得到對應于輸入圖像的邊緣圖。本文主要介紹神經元通過權重矩陣連接到光感輸入層的感受野，其響應了感受野的右邊緣。此脈沖神經網絡檢測右邊緣的原理如下：

如果一個灰度均勻圖像位于該感受野中時，產生一個均勻的脈沖的輸出，膜電勢不會變化，不會有脈沖序列產生；如果一個邊緣明確的圖像位于感受野中，感受野的左半部分產生一個較強的信號，右半部分產生一個符號相反的較弱的信號，由于左半部分興奮信號沒有被右半部抑制信號抵消，因此膜電勢上升得很快，最終產生響應右邊緣的脈沖序列。突觸權重矩陣相當于在感受野內檢測邊緣的一個濾波器，其他三個邊緣原理相同。輸出層神經元累積來自中間層的四個神經元矩陣的輸出，然后響應位于感受野任意方向的邊緣。

如圖4所示，通過與canny邊緣檢測和sobel邊緣檢測對比，可知sobel邊緣檢測結果缺失了部分邊緣，canny邊緣檢測能力很強，但是提取了很多無用的邊緣，然而SNN邊緣檢測結果最好，彌補了兩者的缺點。

4 實驗結果及分析

使用Visual C++ 2012開發工具搭建此算法的軟件實驗平臺，共收集了樣本400張（全國各個省份的車牌），并且針對各種底色車牌逐一進行提取，有366張可以成功定位，定位率達到91.5%。從以上實驗結果可知該算法能達到很好的定位效果。

5 結語

本文主要介紹了基于脈沖神經網絡的車牌定位算法，分別從車牌粗定位和精確定位兩方面進行了系統的分析，綜合運用了圖像處理中的灰度化處理、邊緣檢測、二值化等技術對車牌圖像進行分析和處理，充分利用車牌顏色和紋理等特征對車牌進行提取。由于客觀條件和時間的限制，本文的研究還存在很多不足，有很多方面需要進一步提高。

參考文獻

[1] 孫杰.車牌定位分割技術的研究與實現[D].東北電力大學，2007.

[2] 張燕，任安虎.多特征與BP神經網絡車牌識別系統研究[J].科學技術與工程，2012，（22）.

[3] 陳麗娟.基于脈沖神經網絡的車牌識別系統的設計與實現[D].福建師范大學，2015.

[4] QingXiang Wu，Martin McGinnity，Liam Maguire，Ammar Belatreche，Brendan Glackin.Edge Detection Based on Spiking Neural Network Model[J].Third International Conference on Intelligent Computing，ICIC 2007.

[5] 陳浩.基于脈沖神經網絡模型的車輛車型識別研究[D].福建師范大學，2011.

基金項目：福建省中青年教師教育科研項目（項目編號：JAT160680）。

作者簡介：陳麗娟（1990-），女，福建龍海人，福建農林大學東方學院助教，碩士，研究方向：圖像處理和計算機視覺。

（責任編輯：黃銀芳）