差分進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別模型

穆日磊

摘 要： 為了提高對(duì)車牌的自動(dòng)識(shí)別和檢測(cè)能力，針對(duì)傳統(tǒng)的邊緣輪廓檢測(cè)方法在車輛距離過緊和車流量過大而產(chǎn)生相互遮擋時(shí)識(shí)別性能不好的問題，提出一種基于差分進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別方法。提取的車輛視頻監(jiān)測(cè)圖像進(jìn)行外接輪廓矩形網(wǎng)格分割，采用差分進(jìn)化算法進(jìn)行車牌測(cè)試樣本圖像的子塊連續(xù)遍歷，實(shí)現(xiàn)車牌圖像的特征分割和信息點(diǎn)增強(qiáng)，采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車牌特征信息分類，實(shí)現(xiàn)車牌識(shí)別。測(cè)試結(jié)果表明，采用該方法進(jìn)行車牌識(shí)別的準(zhǔn)確性較好，識(shí)別模型的可靠度較高。

關(guān)鍵詞： 差分進(jìn)化； 神經(jīng)網(wǎng)絡(luò)； 車牌識(shí)別； 圖像處理

中圖分類號(hào)： TN911.73?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）15?0183?04

Abstract： Since the traditional edge contour detection method has poor recognition performance while the vehicles are shielded due to their close distance and overload traffic， a vehicle license plate automatic recognition method based on differential evolution algorithm and neural network is proposed to improve the vehicle automatic recognition and detection abilities. The extracted vehicle video monitoring image is performed with external contour rectangular grid division. The differential evolution algorithm is used to traverse the sub?block of the license plate test sample image continuously to segment the license plate image feature and strengthen the information point. The neural network algorithm is adopted to classify the information of the license plate feature， and recognize the license plate. The test results show that the method has high recognition accuracy of license plate， and high reliability of model recognition.

Keywords： differential evolution； neural network； license plate recognition； image processing

0 引 言

隨著計(jì)算機(jī)圖像處理技術(shù)的發(fā)展，車牌智能識(shí)別技術(shù)作為計(jì)算機(jī)圖形圖像處理的一個(gè)重要應(yīng)用方向，在進(jìn)行交通視頻監(jiān)控和刑事犯罪偵查等領(lǐng)域受到極大關(guān)注和廣泛應(yīng)用，研究車牌的自動(dòng)識(shí)別算法受到了人們的重視[1]。車牌自動(dòng)識(shí)別主要通過車輛以及車牌上的信息特征提取和圖像信息增強(qiáng)處理技術(shù)進(jìn)行特征檢測(cè)和自適應(yīng)分類，進(jìn)而完成識(shí)別。在極端環(huán)境下還要進(jìn)行車牌圖像的修復(fù)和還原，實(shí)現(xiàn)車牌圖像重構(gòu)[2]，自動(dòng)識(shí)別車牌的數(shù)字信息特征，實(shí)現(xiàn)車牌號(hào)碼識(shí)別和車牌真?zhèn)巫R(shí)別的效能。當(dāng)前較為流行的方法主要有BP神經(jīng)網(wǎng)絡(luò)檢測(cè)方法、局部子空間方法、分割粘連法等，本文針對(duì)傳統(tǒng)的邊緣輪廓檢測(cè)方法在車輛距離過緊和車流量過大而產(chǎn)生相互遮擋時(shí)識(shí)別性能不好的問題，提出一種基于差分進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別方法，提高車牌識(shí)別的準(zhǔn)確度，得出有效性結(jié)論。

1 車牌圖像處理模型的設(shè)計(jì)

1.1 車牌圖像的網(wǎng)格化的圖像采集處理

車牌識(shí)別主要運(yùn)用模式識(shí)別和圖像處理原理，實(shí)現(xiàn)車牌的甄別和判斷，車牌識(shí)別技術(shù)在刑事偵查、交通違法監(jiān)控和車流量管理等領(lǐng)域具有重要的應(yīng)用價(jià)值[3]。在進(jìn)行車牌識(shí)別算法設(shè)計(jì)之前，首先需要進(jìn)行車牌圖像的采集處理，車牌識(shí)別技術(shù)建立在對(duì)車牌圖像采集和特征提取技術(shù)上，通過圖像特征提取，自動(dòng)匹配車牌信息特征，再結(jié)合識(shí)別算法進(jìn)行車牌信息特征分類。當(dāng)前車牌識(shí)別方法對(duì)重疊車牌分離性功能不好，導(dǎo)致對(duì)車流量較大情況下的識(shí)別精度不高，其中很大一部分原因是在進(jìn)行車牌圖像采集時(shí)，沒有很好的處理模糊信息。本文采用去模糊和去重的方法進(jìn)行車牌圖像采集，進(jìn)行重疊車牌的突變信息感知，得到車輛視頻監(jiān)測(cè)圖像外接輪廓矩形網(wǎng)格模型，如圖1所示。

其中分形技術(shù)構(gòu)建車牌圖像的網(wǎng)格分割模型，在整個(gè)重疊車輛區(qū)域進(jìn)行車牌的信息特征分離，通過車牌檢測(cè)視覺采集器，有效感知車牌的幾何特性，得到車牌采集和車牌圖像處理結(jié)果，在車輛的視頻監(jiān)控區(qū)域，車牌圖像采集器件主動(dòng)進(jìn)行視頻捕捉，得到車牌圖像采集輸出質(zhì)量比[4]：

式中：為車牌特征分形變量；參數(shù)值為分形變量。特別是針對(duì)特定的分形技術(shù)結(jié)構(gòu)結(jié)合車牌圖像特征及其方差的統(tǒng)計(jì)得到車牌的相似度變量，將車牌幾種分形結(jié)構(gòu)的主特征相應(yīng)的擴(kuò)大倍，從而使得該結(jié)構(gòu)被整體放大了倍，則重疊車牌分離分形過程表示為：

通過上述處理，把重疊車牌的寬度降為單個(gè)像素寬度，通過統(tǒng)計(jì)概率衡量車牌像素子塊，實(shí)現(xiàn)對(duì)車牌圖像的采集，車牌圖像采集后的特征輸出表示為：

式中：和分別是重疊車牌的亮點(diǎn)特征值在坐標(biāo)點(diǎn)處的出現(xiàn)概率；和分別是車牌圖像的視頻采集空間內(nèi)的對(duì)比度，車牌圖像是視頻采集器以每秒幾十幀甚至幾百幀的速度來捕獲車牌圖像，由此實(shí)現(xiàn)車牌圖像采集。

1.2 車牌圖像的外接輪廓矩形網(wǎng)格分割處理

為了實(shí)現(xiàn)對(duì)車牌圖像的自動(dòng)識(shí)別，對(duì)提取的車輛視頻監(jiān)測(cè)圖像進(jìn)行外接輪廓矩形網(wǎng)格分割，得到車輛的骨架圖像。采用分形結(jié)構(gòu)反向分割方法，分形結(jié)構(gòu)反向分割是車牌圖像分割中最有代表性的一種定義方法，其對(duì)任何結(jié)構(gòu)都適用，適用范圍廣泛，對(duì)于每次檢測(cè)到的車牌圖像，相似性特征是一致的，車牌圖像特征分形用如下的數(shù)學(xué)表達(dá)式描述[5]：

式中：均為實(shí)數(shù)；為一個(gè)分形變換參數(shù)。車牌圖像特征增強(qiáng)表示如下： （7）

在不破壞圖像連通性的情況下，進(jìn)行車牌測(cè)試樣本圖像的全局顯著性特征點(diǎn)標(biāo)定，將當(dāng)前目標(biāo)車牌測(cè)試樣本圖像劃分為個(gè)子塊，得到車牌圖像的外接輪廓矩形網(wǎng)格區(qū)域閾值描述為：

根據(jù)監(jiān)測(cè)圖像的飽和度（Saturation）和亮度（Intensity），進(jìn)行車牌圖像的外接輪廓矩形網(wǎng)格分割[6]，分割后的過程可表述為：

這里取為黑，為白，根據(jù)人的視覺特性進(jìn)行車牌圖像的外接輪廓矩形網(wǎng)格分割的長(zhǎng)寬比和占空比表述，示意圖如圖2所示。

圖2中，設(shè)定劃分后的每個(gè)子塊閾值如果那么該區(qū)域可能存在多臺(tái)車輛的車牌遮擋和覆蓋，需要進(jìn)行去重處理。利用車牌圖像的外接輪廓矩形網(wǎng)格分割結(jié)果，在三維空間坐標(biāo)系統(tǒng)中，利用車牌圖像的色調(diào)（Hue）、飽和度（Saturation）和亮度（Intensity）進(jìn)行閾值處理[7]，實(shí)現(xiàn)車牌圖像的特征提取。

2 車牌自動(dòng)識(shí)別模型優(yōu)化實(shí)現(xiàn)

在進(jìn)行了車牌圖像采集和分割預(yù)處理的基礎(chǔ)上，進(jìn)行車牌的優(yōu)化自動(dòng)識(shí)別，針對(duì)傳統(tǒng)的邊緣輪廓檢測(cè)方法在車輛距離過緊和車流量過大而產(chǎn)生相互遮擋時(shí)識(shí)別性能不好的問題，提出一種基于差分進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別方法。

2.1 基于差分進(jìn)化算法的車牌子塊連續(xù)遍歷處理

為了提高車牌自動(dòng)識(shí)別的準(zhǔn)確度，需要采用差分進(jìn)化算法進(jìn)行車牌測(cè)試樣本圖像的子塊連續(xù)遍歷，實(shí)現(xiàn)車牌圖像的特征分割和信息點(diǎn)增強(qiáng)，差分進(jìn)化（Differential Evolution，DE）是仿生算法的一個(gè)重要分支[8]，假設(shè)對(duì)車牌圖像遍歷的差分迭代函數(shù)為：

選取車牌圖像特征分割相差很小的歐氏距離作為初始值，假設(shè)在這樣一個(gè)穩(wěn)定的周期點(diǎn)進(jìn)行均勻?qū)Ρ龋ㄟ^差分進(jìn)化求得圖像的最大熵，在最大迭代次數(shù)、維數(shù)、迭代次數(shù)給定的情況下，利用圖像的灰度分布密度函數(shù)將擾動(dòng)序列加入種群中，得到灰度像素序列分量：

定義圖像的信息熵，載入到算法中，在一幅灰度范圍內(nèi)求得圖像樣本數(shù)據(jù)的像素終點(diǎn)值在階序列中選出初始最優(yōu)個(gè)體，當(dāng)像素值區(qū)間滿足閾值時(shí)，差分進(jìn)化個(gè)體的目標(biāo)函數(shù)為：

式中：是隨機(jī)產(chǎn)生的一個(gè)灰度級(jí)矩陣，在像素點(diǎn)處圖像亮點(diǎn)出現(xiàn)的概率表示為：

計(jì)算圖像分割后邊緣子塊，進(jìn)行像素值連續(xù)特征提取，提取公式為：

式中：是遍歷圖像分割的平滑參量；是低通濾波信息參量。通過車輛區(qū)域與中心線的連續(xù)檢測(cè)，提取車牌邊緣及兩側(cè)的輪廓，實(shí)現(xiàn)子塊連續(xù)遍歷處理。

2.2 基于神經(jīng)網(wǎng)絡(luò)的車牌分類識(shí)別

在進(jìn)行了車牌圖像特征提取和子塊連續(xù)遍歷的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行車牌的亮點(diǎn)信息分類，實(shí)現(xiàn)車牌自動(dòng)識(shí)別，采用BP神經(jīng)網(wǎng)絡(luò)分類器[9]，BP神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)的迭代方程為：

假設(shè)車牌識(shí)別的學(xué)習(xí)步長(zhǎng)為經(jīng)過步訓(xùn)練和學(xué)習(xí)后，BP神經(jīng)網(wǎng)絡(luò)隱含層至輸出層的權(quán)值變化為：

選取一個(gè)連通區(qū)域，根據(jù)圖像灰度值在神經(jīng)網(wǎng)絡(luò)模型中實(shí)現(xiàn)車牌識(shí)別，識(shí)別的輸出模型為：

遍歷車牌分布的連通區(qū)域，即使車牌的中心線滿足，，綜上處理，采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車牌特征信息分類，實(shí)現(xiàn)優(yōu)化識(shí)別。

3 實(shí)驗(yàn)測(cè)試分析

在Matlab仿真軟件中進(jìn)行車牌自動(dòng)識(shí)別模型的仿真實(shí)驗(yàn)分析，本文對(duì)車牌圖像采集的環(huán)境分別設(shè)定為市區(qū)交通場(chǎng)景和高速公路的交通場(chǎng)景，分別標(biāo)注為場(chǎng)景1和場(chǎng)景2，實(shí)驗(yàn)中進(jìn)行車牌圖像采集的環(huán)境和參數(shù)信息見表1。

根據(jù)上述仿真場(chǎng)景設(shè)定，進(jìn)行車牌識(shí)別仿真實(shí)驗(yàn)，實(shí)驗(yàn)進(jìn)行圖像采集，得到的結(jié)果如圖3所示。

對(duì)上述兩種場(chǎng)景采集的圖像進(jìn)行特征分割和信息點(diǎn)增強(qiáng)處理，實(shí)現(xiàn)車牌識(shí)別，這一過程的仿真實(shí)現(xiàn)如圖4所示。

圖4從左到右的圖像處理分別表示的是原始圖像、網(wǎng)格分割、邊緣檢測(cè)、邊緣輪廓分割以及分割線仿真結(jié)果，在此基礎(chǔ)上實(shí)現(xiàn)車牌識(shí)別，為了定量刻畫識(shí)別的準(zhǔn)確性，表2給出了不同方法進(jìn)行車牌識(shí)別的準(zhǔn)確度和時(shí)間開銷（實(shí)驗(yàn)100次取均值）。

分析上述仿真結(jié)果得知，本文方法進(jìn)行車牌識(shí)別的準(zhǔn)確性高于傳統(tǒng)方法，時(shí)間開銷較小，能自動(dòng)實(shí)時(shí)地實(shí)現(xiàn)對(duì)車牌的準(zhǔn)確識(shí)別。

4 結(jié) 語

本文提出一種基于差分進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)的車牌自動(dòng)識(shí)別方法，對(duì)提取的車輛視頻監(jiān)測(cè)圖像進(jìn)行外接輪廓矩形網(wǎng)格分割，采用差分進(jìn)化算法進(jìn)行車牌測(cè)試樣本圖像的子塊連續(xù)遍歷，實(shí)現(xiàn)車牌圖像的特征分割和信息點(diǎn)增強(qiáng)，采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車牌特征信息分類，實(shí)現(xiàn)優(yōu)化識(shí)別。研究結(jié)果表明，采用本文方法進(jìn)行車牌識(shí)別的準(zhǔn)確性較好，實(shí)時(shí)性較高，相比傳統(tǒng)方法具有優(yōu)越性。

參考文獻(xiàn)

[1] 單家凌.基于無線網(wǎng)絡(luò)車牌識(shí)別系統(tǒng)識(shí)別算法的研究[J].計(jì)算機(jī)測(cè)量與控制，2011，19（1）：124?126.

[2] 申曉磊，周武能.壓縮感知在車牌識(shí)別系統(tǒng)中的應(yīng)用研究[J].科學(xué)技術(shù)與工程，2012，12（19）：4797?4803.

[3] 郭榮艷，胡雪惠.BP神經(jīng)網(wǎng)絡(luò)在車牌字符識(shí)別中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2010，27（9）：299?301.

[4] 劉懷愚，李璟，洪留榮.利用局部特征的子空間車輛識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（30）：156?158.

[5] 魏玉強(qiáng)，王成儒.多車輛跟蹤時(shí)分割粘連車輛的方法[J].電視技術(shù)，2009，33（11）：107?109.

[6] 焦波，閆了了，李偉.實(shí)時(shí)部分遮擋車輛分割及陰影消除[J].小型微型計(jì)算機(jī)系統(tǒng)，2012，33（8）：1825?1829.

[7] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 2776： 154?160.

[8] 張貴軍，陳銘，周曉根.動(dòng)態(tài)小生境半徑兩階段多模態(tài)差分進(jìn)化算法[J].控制與決策，2016，31（7）：1185?1191.

[9] 高紅民，李臣明，周惠，等.神經(jīng)網(wǎng)絡(luò)敏感性分析的高光譜遙感影像降維與分類方法[J].電子與信息學(xué)報(bào)，2016，38（11）： 2715?2723.