基于改進BP網絡的車牌字符識別方法研究

張國云 向燦群 吳健輝 郭龍源 涂 兵

(湖南理工學院信息與通信工程學院 湖南 岳陽 414006)(復雜系統優化與控制湖南省普通高等學校重點實驗室 湖南 岳陽 414006)

基于改進BP網絡的車牌字符識別方法研究

張國云 向燦群 吳健輝 郭龍源 涂 兵

(湖南理工學院信息與通信工程學院 湖南 岳陽 414006)(復雜系統優化與控制湖南省普通高等學校重點實驗室 湖南 岳陽 414006)

針對傳統BP算法在車牌字符識別速度較慢和識別準確率較低的問題，提出一種改進的BP網絡車牌字符識別方法。通過對BP算法的輸入特征數優化，在不降低識別精度的情況下精簡了輸入層節點數，提升了識別速度。改進后的BP算法采用全參數自動調整，引入自適應學習率、動量因子、坡度因子，增加了BP算法的識別精度；同時通過更好的利用車牌字符特征和BP網絡特征，降低了算法結構的復雜性，增強了算法的魯棒性。實驗結果表明，該算法在實際采集的自建整副車牌數據集上的識別率上比傳統BP神經網絡車牌識別算法提高近6.5%；在識別速度上提高近1.3 s。

改進BP網絡 車牌 字符識別 全參數自動調整

0 引 言

車牌字符識別是公安卡口、電子警察、高速公路測速與收費、停車場管理、天網監控、專車專停管理等領域的一項重要技術，具有重要的實際應用價值。近年來，國內外廣大科研人員圍繞車牌字符識別開展了廣泛的研究，針對車牌上的字符提出了一些有針對性的算法，取得了一定的識別效果。在非機器學習方法上，萬燕等[1]針對低質量的車牌字符開展了基于形狀上下文的識別研究，采用局部特征和形狀上下文特征的兩級識別方法，有效地提升了相近字符的識別率；莫林等[2]提出了基于評分模型的車牌字符識別方法，首先對待識別字符進行分區，然后對分區的各個方格進行評分，采用類似模板匹配的方式，最終得分高的字符模板作為識別結果；Zahedi等[3]將尺度不變特征應用到車牌識別系統中來，有效地改善了不同環境不同光照下的車牌識別結果。而在基于機器學習的識別方法上，王桂文等[4]提出了SVM和正交蓋氏矩相結合的車牌字符識別方法，楊建華等[5]提出了采用BP神經網絡的識別方法，Dong等[6]采用BP神經網絡聯合模板匹配進行車牌識別。這些方法針對特定的車牌字符，都取得了一定的識別效果。然而，基于特征的非機器學習方法盡管不需要訓練直接應用，卻存在易受干擾，且單字符識別時間較長的問題，通用的經典SVM和BP網絡方法由于受到訓練樣本的影響，因此很多研究人員采用與其他方法進行結合的方式進行識別，影響了其應用的通用性。但是BP網絡作為目前應用最廣泛的神經網絡模型之一，在各個領域已經得到了廣泛的應用[7-8]，如果針對車牌字符的特點進行改進，則有可能大幅度提高字符的識別結果和速度。通過綜合分析和探究，本文在傳統BP網絡的基礎提出了一種改進的算法，通過提取字符的主要特征減少輸入層的維數，在結構上降低BP算法的復雜度，同時融入了自適應學習率、動量項以及坡度因子等參數，加快了BP算法的收斂速度。實驗結果表明改進后的BP網絡算法在車牌識別率和速度上均有提升，具有一定的實際應用價值。

1 相關工作

1.1 車牌圖像預處理

車牌識別的原理可分為四個過程，首先從一幅圖像對車牌進行定位，然后將定位成功后的車牌從原始圖像中提取，對提取的車牌進行預處理以便切割成單個字符，最后對切割的單個字符用改進后的算法進行識別并得出識別結果。車牌識別的大概過程如圖1所示，為了方便描述，將預處理、牌照定位和字符分割統稱為車牌圖像預處理。

圖1 車牌識別系統

具體處理過程如下：

1) 圖像預處理。對原始圖像灰度化、二值化、除噪等處理。灰度化采用加權平均值法，二值化采用動態閾值法，運算速度快，并且對不同的車牌均有很好的分割效果。

2) 車牌定位。采用的車牌定位算法是基于對車牌特征信息分析得出的，算法運算簡單，具有較好的魯棒性以及運算速度快等特點。

3) 字符切割。對提取的車牌進行灰度化、去噪、二值化等處理，然后使用垂直投影法獲得單個字符所在區域，切割字符區域后對字符進行歸一化處理。車牌圖像預處理結果如圖2所示。

圖2 車牌圖像預處理

經過車牌圖像預處理后，能夠將原始圖像中的車牌提取出來，并將提取的車牌分割成大小統一的單個可識別字符。

1.2 特征值選取

目前對于字符特征提取與選擇還沒有確定一套通用的理論方法，傳統的方法主要有兩種：基于統計的特征選取和基于字符結構的特征選取。特征選取的目的是獲取一組“少而精”的特征數據進行字符的快速識別，結合本文改進的BP網絡算法，對字符提取7個特征，包括4個占空比特征，以及面積、均值、中心二階矩3個特征。假設采用如圖3所示的M×N訓練模板，二值圖像矩陣像素點像素為f(i,j)，假設白色區域像素為‘0’，黑色字符區域像素為‘1’，則特征參數可以進行如下計算。

圖3中占空比為在給定區域D1、D2、D3、D4內像素為‘1’的像素點個數占整個區域像素點個數的比值，則：

(1)

(2)

(3)

(4)

S對應于二值圖像的像素面積，這里的面積是指二值圖像中像素值為‘1’的像素的個數，則：

(5)

均值C是指字符的面積S與字符的寬度L之間的比值，即：

(6)

中心二階矩是指獲得字符灰度直方圖后各點值f(x)與均值C之差的平方和，如圖4所示。則中心二階矩B可表示為：

(7)

圖3 字符劃分

圖4 “湘”字在X軸上的投影面積

2 改進的BP神經網絡原理

2.1 傳統BP神經網絡原理

傳統BP神經網絡通常為三層前向神經網絡，由輸入層、一層隱含層和輸出層組成，每一個節點表示一個神經元，同層節點間無信號傳遞，相鄰層節點間兩兩連接，信號由輸入層向輸出層單向傳遞。其結構如圖5所示。

圖5 BP神經網絡結構

BP神經網絡的每個神經元可表示為一個多輸入、單輸出的非線性函數，其各層之間可用相對應的函數關系式表示，輸入層向隱含層的函數關系可表示為：

(8)

式中，ai是輸入信號，在車牌識別中為提取的特征值；ωij是輸入層的第i個節點和隱含層的第j個節點之間的權值；θj是隱含層的第j個節點的閾值。各層的傳遞函數有多種形式，本文采用的為Sigmoid函數，可表示為：

(9)

經傳遞函數的作用，則隱含層的輸出可表示為：

(10)

隱含層向輸出層的函數關系跟輸入層向隱含層的關系類似，函數關系表示為：

(11)

(12)

式中，vjt是隱含層的第j個節點和輸出層的第t個節點之間的權值；γt是輸出層的第t個節點的閾值；lt是第t個輸出結果。

BP神經網絡實現的過程分兩個階段：學習階段和識別階段。學習階段根據輸入的學習樣本，按照初始權值、閾值以及傳輸函數獲得一組輸出結果，這個過程中信號是正向傳遞的；然后通過計算給定的理想結果與實際輸出結果之間的誤差來對權值、閾值進行修改，這個修改信號是從輸出層到輸入層反向傳遞的。反復進行這兩個過程，直至結果收斂為止，這是學習階段。理論上權值、閾值的好壞決定識別效果的好壞，因此研究更優的權值和閾值將是改進方向之一。

2.2BP算法全參數自動調整

在傳統BP算法的基礎上引入學習率自適應系數η、動量因子λ以及坡度因子δ，并且這些引入量可隨BP學習算法的狀態改變而改變。

2.2.1 學習率自適應調整

傳統BP算法中針對權值和閾值的變化量的計算式如下：

(13)

(14)

(15)

(16)

(17)

(18)

vjt(N+1)=vjt(N)+Δvjt

(19)

γt(N+1)=γt(N)+Δγt

(20)

ωij(N+1)=ωij(N)+Δωij

(21)

θj(N+1)=θj(N)+Δθj

(22)

本算法引入學習率自適應系數η，如式(23)、式(24)。

α=η·α

(23)

β=η·β

(24)

若經過一批次權值調整后總誤差變大，則認為此次調整無效，此時取0<η<1的數；若總誤差減小，則認為此次調整有效，取η>1的數。

2.2.2 增加動量項

將T時刻以前的狀態考慮進來，可以減小震蕩，加速收斂。

(25)

(26)

(27)

(28)

動量項可以反應以前積累的調整經驗，對T+1時刻權值和閾值的調整有阻尼作用。當誤差曲面出現很大的起伏時，可減弱振蕩趨勢，從而提高訓練的速度。

2.2.3 引入坡度因子

當調整進入到平緩區時，可以壓縮神經元的凈輸入，使其脫離函數的飽和區，這就可以改變誤差函數形狀，使其退出平坦區。在其原函數中引入坡度因子δ：

(29)

2.3 算法設計

通過對切割好的字符進行特征提取，按照本文的改進獲取7個主要的特征作為BP網絡的輸入。BP網絡結構設計為：輸入層含7個節點，隱含層含179個節點，輸出層7個節點，隱含層節點數計算式如式(30)。

(30)

式中m為輸入層節點數，n為輸出層節點數，P為訓練樣本數。輸出7個節點分別對應于二進制的7位。將0～9、A～Z以及34個字符編碼為0～87的7位二進制數，如‘0’編碼為‘0000000’，‘2’編碼為‘0000010’依此類推，這里由于Sigmoid函數永遠無法達到0或1，所以BP網絡永遠無法收斂，為避免這個問題的出現這里采用‘0.1’代替‘0’、‘0.9’代替‘1’，則‘2’的二進制由‘0.1 0.1 0.1 0.1 0.1 0.9 0.1’，訓練與輸出結果均以7位二進制形式體現。綜合本文對BP網絡參數的改進，對輸入車牌字符的識別的具體流程如圖6所示。

圖6 算法實現流程

3 字符識別結果及分析

本文的實驗環境硬件平臺為Dell5500圖形工作站，其基本配置為IntelCorei7-4710MQ四核處理器、NVIDIAGT940 2GB獨立顯卡、6GBDDR3內存、1TB硬盤，所使用的軟件仿真平臺為MatlabR2014b。實驗中分別用本文方法、基于傳統BP網絡識別算法以及文獻[6]提出的BP網絡識別算法進行對比實驗，下面對實驗過程和結果進行分析。

3.1 字符識別訓練樣本和測試樣本

本文用5套共1 360個分辨率為25×20的單字符訓練樣本，其中每套樣本包含“湘”、“川”、“粵”、“貴”、“京”、“陜”、“遼”等全國32個省和直轄市的簡稱漢字(不包括香港和澳門特別行政區)、0～9數字字符以及大寫A～Z英文字符。測試樣本為自建的數據集，共200副藍底白字小車車牌。部分訓練樣本如圖7所示，自建測試數據集部分樣本如圖8所示。

圖7 部分訓練樣本

圖8 部分測試樣本

3.2BP網絡訓練結果

用傳統BP神經網絡識別算法與改進后的算法對樣本進行訓練，最大迭代次數設置為10 000，最大精度為0.01，訓練誤差結果如圖9所示。從圖中可知，改進后的算法在收斂速度上遠大于傳統BP神經網絡識別算法。由于改進后的算法輸入節點數小于傳統BP網絡識別算法，故初始總體誤差較小。在迭代過程中由于自適應學習率與動量因子的作用，改進后的算法沒有出現起伏狀態。在多次訓練過程中，傳統BP算法偶爾出現無法收斂情況，而改進后的算法由于引入了坡度因子，始終能夠收斂，結果如圖10所示。

圖9 誤差曲線圖

圖10 誤差曲線圖

3.3 單字符識別結果

首先對訓練好的網絡進行單字符識別，從測試車牌中隨機選擇70副車牌進行預處理和字符分割，然后選擇70個漢字字符、200個數字字符、160個字母字符分別輸入到訓練好后的傳統BP網絡、文獻[6]提出的改進BP網絡以及本文改進后BP網絡中，各個字符的識別統計結果分別如表1和表2所示。

表1 漢字識別結果

表2 字母及數字識別結果

實驗結果表明，改進后的算法與基于傳統BP網絡識別算法相比，在漢字字符識別率上提高了4.3%，識別速度上提高近150ms；在字母、數字識別率上提高了4.5%，識別速度上提高近150ms。與文獻[6]的算法相比，在漢字字符識別率上提升了2.8%，識別速度上提高近100ms；在字母、數字識別率上提高了2.5%，識別速度上提高了近50ms。對比前兩種BP識別算法，在單字符的識別上，無論是漢字還是數字和字母，改進后的方法在識別的準確率和速度上有明顯提升，并且隨著樣本的增加，其識別的穩定性更好，具有很好的魯棒性。

3.4 整副車牌識別結果

在單字符識別的基礎上對整副車牌進行了整體識別，采用自建的200副藍底白字的實際拍攝車小車牌照數據集，分別用傳統BP網絡、文獻[6]方法和本文方法進行對比使用，部分車牌的識別結果對比如表3所示。由于實際車牌中部分字符受到污染，所以傳統BP網絡的誤識率明顯增加，文獻[6]在傳統BP網絡基礎上有所提升，但抗干擾的能力依然較低，而本文方法由于采用了參數的自適應調整，因而對污染牌照依然有較好的識別效果，并且識別時間明顯降低，達到實際使用要求。

表3 整副車牌識別結果對比

通過對實驗結果進行統計，本文方法和傳統BP算法及文獻[6]算法的識別準確率和識別速度分別如表4所示。其中本文方法準確無誤識別的車牌有188副，識別準確率達到94%，整副車牌的平均識別時間為1.5s左右。相比前兩種BP網絡算法，車牌整體識別準確率提高了近7個百分點，速度提升了1.3s左右。通過對誤識車牌的分析，識別錯誤的字符均是受到較為嚴重的污染或者車牌拍攝時存在反光、車牌變形嚴重等，因此，通過改善車牌圖像獲取的質量，特別是適當的補光，本文改進后的BP網絡車牌字符識別率將會進一步提高。

表4 整副車牌識別結果

4 結 語

本文在傳統BP神經網絡算法的基礎上，通過對輸入層節點數的優化以及引入學習率自適應系數η、動量因子λ、坡度因子δ，降低了算法結構的復雜度，有效的提升了算法的收斂速度，降低了算法的收斂誤差。改進后的識別算法與傳統BP網絡識別算法相比，在車牌的識別率以及識別速度上均有較高提升。本文目前只針對藍底白字的小車牌照進行實驗，在下一步的研究中將進一步擴大訓練樣本和測試樣本。同時針對漢字字符、字母、數字分開訓練得到3組不同的權值閾值，在識別前對待識別字符進行判斷，對不同的字符調用對應的權值和閾值進行識別，最終實現對各種不同車牌的高效率整體識別。

[1] 萬燕,李曉園,周增剛.基于形狀上下文的低質量車牌字符識別方法[J].計算機應用與軟件,2013,30(5):267-270,310.

[2] 莫林,凌文彪,張福元,等.基于評分模型的車牌字符識別方法[J].計算機應用與軟件,2015,32(5):203-206.

[3]ZahediM,SalehiSM.LicenseplaterecognitionsystembasedonSIFTfeatures[J].ProcediaComputerScience,2011,3:998-1002.

[4] 王桂文,孫涵.基于正交蓋氏矩和SVM的車牌字符識別[J].計算機工程,2012,38(13):192-195,198.

[5] 楊建華,王鵬.一種基于BP神經網絡的車牌字符識別算法[J].軟件工程師,2015,18(1):19-20.

[6]DongJ,SunM,LiangG,etal.TheImprovedNeuralNetworkAlgorithmofLicensePlateRecognition[J].InternationalJournalofSignalProcessing,ImageProcessingandPatternRecognition,2015,8(5):49-54.

[7]YangG,GuC,HuangY,etal.BPneuralnetworkintegrationmodelresearchforhydraulicmetalstructurehealthdiagnosing[J].InternationalJournalofComputationalIntelligenceSystems,2014,7(6):1148-1158.

[8]AiH,GuoS.BridgeHealthEvaluationSystembasedontheOptimalBPNeuralNetwork[J].InternationalJournalofControlandAutomation,2014,7(1):331-338.

RESEARCH ON LICENSE PLATE CHARACTER RECOGNITION METHOD BASED ON IMPROVED BP NEURAL NETWORK

Zhang Guoyun Xiang Canqun Wu Jianhui Guo Longyuan Tu Bing

(CollegeofInformationandCommunicationEngineering,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China)(KeyLaboratoryofOptimizationandControlforComplexSystems,HunanInstituteofScienceandTechnology,Yueyang414006,Hunan,China)

Aiming at the problem that the traditional BP algorithm is slow in the recognition speed of the license plate and the recognition accuracy is low, an improved BP neural network license plate character recognition method is proposed. By optimizing the input feature number of BP algorithm, the number of nodes in the input layer is reduced and the recognition speed is improved without reducing the recognition accuracy. The improved BP algorithm adopts the all parameter automatic adjustment and introduces adaptive learning rate, momentum factor and slope steepness factor, which increases the recognition accuracy of BP algorithm. At the same time, through better use of the license plate character features and BP network features, it reduced the complexity of the algorithm structure, and enhanced the robustness of the algorithm. The experimental results show that the recognition rate of the algorithm is 6.5% higher than that of the traditional BP neural network license plate recognition algorithm based on the self-built license plate data set, and the recognition speed is improved by 1.3 s.

Improved BP neural network License plate Character recognition All parameter automatic adjustment

2016-01-22。湖南省教育廳產業化培育項目(13CY021)；湖南省教育廳開放基金項目(15K051)。張國云，教授，主研領域：機器視覺。向燦群，碩士生。吳健輝，副教授。郭龍源，副教授。涂兵，講師。

TP391

A

10.3969/j.issn.1000-386x.2017.04.041