基于Lab色彩空間和ANN神經網絡的車牌識別系統

孔祥斌，常 賀，藍浩銘，龔嘉晟，董 娜

（1. 湖北工業大學 太陽能高效利用及儲能運行控制湖北省重點實驗室，湖北 武漢 430068）

(2. 湖北工業大學 太陽能高校利用湖北省協同創新中心，湖北 武漢 430068)

（3. 烽火科技股份有限公司，湖北 武漢 430070）

基于Lab色彩空間和ANN神經網絡的車牌識別系統

孔祥斌1,2，常 賀1,2，藍浩銘1,2，龔嘉晟1,2，董 娜3

（1. 湖北工業大學 太陽能高效利用及儲能運行控制湖北省重點實驗室，湖北 武漢 430068）

(2. 湖北工業大學 太陽能高校利用湖北省協同創新中心，湖北 武漢 430068)

（3. 烽火科技股份有限公司，湖北 武漢 430070）

針對目前車牌識別中車牌區域定位處理過程復雜、車牌字符準確率低等問題，本文采用Lab色彩空間識別結合傳統 sobel算子邊緣檢測的方法對車牌區域進行粗定位，再利用 SVM模型進行精確定位。而在字符識別方面，本文利用ANN人工神經網絡進行車牌字符識別，提高字符識別精度，經測試，該車牌系統對車牌區域識別定位準確，速度較快，字符識別準確度較高，具有較強的魯棒性和實用性。

圖像識別；車牌識別；Lab色彩空間；人工神經網絡

0 引言

隨著汽車工業的迅速發展以及大數據廣泛應用的背景下，車牌識別系統作為智能交通中的一個重要的組成部分，有著更深層次的應用，目前對于車牌識別的研究還涉及計算機視覺、人工神經網絡、模式識別等諸多領域，因此開展此系統的研究有著重要的理論意義及應用價值。

目前車牌定位算法很多[1-4]，傳統的車牌識別技術系統采用邊緣檢測[5-6]結合神經網絡的方法實現車牌識別，但其過程復雜、準確率低，易受背景環境、圖片分辨率等影響，為了增加車牌識別系統應用場景，提升識別系統魯棒性，本文在傳統 sobel邊緣檢測的基礎上加入了 Lab顏色空間識別[7]，模仿人體色彩空間判斷進行車牌區域識別判斷，但相較于文獻[7]，本文對于Lab色彩識別采取單通道提取的方法。在字符識別方面，采用ANN人工神經網絡[8-10]進行識別，提高車牌識別精度，整個車牌識別流程如圖1所示。

圖1 車牌識別流程Fig.1 License plate recognition process

1 車牌定位

1.1 CIE Lab色彩空間

Lab色彩空間是1931年國際照明委員會（CIE）制定的顏色度量國際標準的基礎上建立起來的，1976年，經修改后被正式命名為 CIELab，是一種基于生理特征的顏色系統，這也就意味著是用數字化的方法來描述人的視覺感應，能夠有效地模仿人體識別車牌時的色彩判斷，此外，Lab還具有色域寬闊的特點，能夠最大程度地表示色域之間的色彩的過渡。

Lab色彩空間如圖 2所示。Lab顏色空間的 L分量表示像素的亮度，取值范圍為[0,100]，表示從純黑到純白；a表示綠色到紅色的范圍，取值范圍為[-128,127]；b表示從藍色到黃色的范圍，取值范圍從[-128,127]。

圖2 Lab色彩空間Fig.2 Lab color space

1.2 Lab色彩空間轉換

由于一般圖片輸入的色彩空間為 RGB色彩空間，由RGB色彩空間轉換成Lab色彩空間，需先由RGB轉換成XYZ色彩空間，再由XYZ色彩空間轉換成Lab。

（1）假設 r、g、b為像素的三個通道，利用Gammma函數提升原始圖片對比度：

將優化后的R、G、B分量分別乘以不同的系數轉化為X、Y、Z分量：

（2）利用 XYZ空間轉化 Lab色彩空間的公式直接帶入：

（3）為了提升轉化速度，通常會使用以下簡化算法公式(5)直接帶入：

1.3 基于Lab色彩空間的單通道提取法

目前，國內的車牌分為藍底白字、黃底黑字、黑底白字、白字黑字，其中以民用的藍字白字的車牌適用范圍最為廣泛，所以本文選取藍色車牌為例進行試驗。利用顏色識別車牌時，需要選取適當的色彩空間使其對于顏色的描述準確匹配車牌區域內色彩，同時減少背景色彩的干擾。而目前最常見的顏色空間是基于R、G、B三原色的RGB色彩空間，但RGB空間中的三個分量存在很強的相關性，同時三個分量對光線的強弱較為敏感，所以不適用于車牌區域識別。而 Lab色彩空間色域寬闊，L、a、b三個分量比較獨立，其顏色系統符合人體生理特征，能夠更有效的表達色彩的判斷，故采取Lab色彩空間識別。

由于車牌定位處理圖像中是以車牌區域主的藍色目標，而b分量色域恰好介于藍色與黃色之間，考慮到圖像遍歷匹配操作對圖片處理速度的影響，本文采取提取單一通道的方法提取b通道分量刻畫車牌特征。

由于其中L通道表示圖片的亮度，無法用于色彩識別，故不考慮L通道的提取。而從圖3(a)中可以發現 a通道車牌區域與車燈區域灰度值趨于一致，在灰度直方圖中，各個灰度級在像素點中的頻率集中在一小段區間內，呈現單峰狀，不能有效識別車牌區域。從圖 3(b)中可以看出，圖片內基本區別了背景區域、車燈區域以及車牌區域，灰度直方圖中出現明顯的多峰態，可以有效區分車牌區域與非車牌區域。

圖3 實驗對比圖Fig.3 Experimental contrast chart

將所得到的b通道灰度圖中灰度值閾值設置為150，利用固定閾值化的方法轉化為二值圖片，運用形態學閉操作，矩形模板大小為 17*17，連接車牌內縫隙，得到最終候選區域。實驗圖片處理結果如圖4所示。

1.4 垂直邊緣檢測

由于色彩空間容易受到背景環境的影響，具有一定的局限性，所以本文在色彩識別的基礎上加入了傳統的sobel邊緣檢測，提高系統識別準確率。首先對色彩識別錯誤的圖片重新載入，對原圖像作高斯濾波處理，模板大小為 5*5，去除圖片中的噪聲干擾。隨后將圖片灰度化，利用sobel算子對灰度圖水平方向導檢測車牌垂直邊緣。

圖4 形態學處理結果Fig.4 The result of morphological processing

圖5 sobel水平求導Fig.5 Sobel horizontal derivation

將圖片作二值化處理，使用OTSU閾值化結合固定閾值化處理轉化為二值圖片，運用形態學閉操作連接車牌區域內字符間縫隙，模板大小為20*3，得到結果如圖6所示。

1.5 SVM定位

在載入模型之前，首先對經過色彩識別處理或邊緣檢測處理的二值化圖像提取輪廓，利用提取的輪廓寬高比及面積大小進行第一次篩選。

本文采用的支持向量機為由臺灣林智仁教授開發的libsvm庫，提取正負樣本中的Hog（方向梯度直方圖）特征進行訓練，訓練時SVM使用Liner核函數，迭代次數為10000次，容許誤差為0.0001，車牌區域樣本大小設為144*33，將訓練好的數據生成xml文件，在進行車牌精確定位時直接載入模型。

圖6 sobel邊緣檢測結果Fig.6 The result of sobel edge detection

對篩選后的區域提取Hog特征，輸入進已經訓練好的SVM模型進行比對，得到最終的車牌區域，實驗結果如圖7所示。

圖7 車牌定位圖Fig.7 License plate location

圖8 神經網絡結構圖Fig.8 Neural network structure

2 ANN字符識別

2.1 BP算法

目前較為常見的字符識別方法有基于模板匹配的識別方法、基于字符結構的識別方法以及基于神經網絡的字符識別方法。本文采用ANN神經網絡進行識別，ANN神經網絡設置為三層，分別為輸出入層、輸出層和隱藏層，神經網絡中采用BACKPROP反向傳播訓練方法，神經元激勵函數為 sigmoid，sigmoid函數表達式為：

設輸入層節點數為n，隱含層節點數為l，輸出層節點數 m，初始化輸入層、隱含層和輸出層神經元之間的連接權值ωij和ωjk，初始化隱含層函數閾值φj，輸出層函數閾值θk。

1. 根據輸入 x，輸入層與隱含層間的連接權值ωij，隱含層閾值φj，隱含層輸出為：

2. 根據隱含層輸出hj，連接權值ωjk和閾值θk，輸出層單元的輸出為：

3. 設 Ok為期望輸出，計算實際輸出與期望輸出的誤差：

4. 權值更新。根據誤差δk更新網絡權值ωij和ωjk：

在BP-ANN神經網絡中，首先將input layer中的信息前向傳播送至hidden layer，通過激勵函數進行運算，將輸出信息送至output layer，正向傳播時各網絡權值不變，如果輸出結果與預期值有差異則進行反向傳播同時修改各層網絡權值，反向傳播完成后再次進行正向傳播，直至差異值極小。

2.2 ANN訓練

ANN訓練前，首先將字符進行歸一化處理，統一成大小為20*20的圖像，并進行二值化處理，利用全特征輸入的方法，統計每個字符的水平或垂直直方圖，形成一個120維的特征向量。

訓練ANN模型時，本文采用一個ANN神經網絡識別字母、數字和漢字。輸入層節點數為 120，輸出層按照字符類別數設置為65，隱藏層層數按照n=sqrt（n1+n2）+a設置為40，動量參數設置為0.1，迭代3000次，誤差為0.01，生成xml文件。進行車牌字符識別時，直接載入模型進行比對。

3 實驗結果分析

3.1 HSV色彩空間識別對比

傳統的 HSV色彩空間識別方法無法采用單通道提取的方法，需要遍歷圖像中的每個像素點，將藍色色域所對應的 h，s，v分量與每個像素點中的進行匹配，尋找出符合條件的像素點，將符合條件的像素點置為255，不符合的置為0。

對比兩種方法，從處理效果上分析，HSV中的分量取值范圍很難確定，色域范圍不容易把握，而Lab色彩空間識別在區分度上明顯要更好，結果如圖9；從處理速度上分析，HSV識別中的遍歷圖像的實現方式導致了圖像處理速度的降低，Lab識別中的提取單通道的方法在損失一小部分準確率的情況下極大地提升了車牌定位的處理速度，有效彌補了遍歷匹配檢測時的車牌定位復雜、步驟繁瑣等缺陷，本文隨機選取了三張分辨率不同的圖片進行比對，結果如表1所示。

圖9 HSV結果圖Fig.9 The result of HSV color space

表1 實驗結果對比Tab.1 Comparison of experimental results

3.2 車牌識別結果

車牌識別系統結果如圖10所示。

4 結論

車牌識別系統的設計覆蓋了多個學科領域，涉及數字圖像處理技術和神經網絡研究，通過文獻的對比，本文采用的方法具有明顯的速度及準確優勢，整個車牌系統具有良好的魯棒性及適應性。今后的研究將利用色彩識別技術結合神經網絡直接進行車牌定位，同時簡化字符處理流程，對車牌字符能夠進行整體識別，進一步加速車牌識別速度。

圖10 字符識別結果Fig.10 The result of character recognition

[1] Parasuraman K. An Efficient Method for Indian Vehicle License Plate Extraction and Character Segment. 2010 IEEE International Conference on Computational Intelligence and Computing Research, 2010.

[2] Vishwanath N, Somasundaram S, Jariya Begum A R, et al. A novel 2-row indian LP character segmentation algorithm based on a hybrid approach. IEEE International Conference on Computational Intelligence and Computing Research,2012; (12): 1-4.

[3] 胡峰松, 朱浩. 基于多重特征和SURF算法的車牌定位研究[J]. 計算機工程應用. 2015. 51(17): 182-187.

[4] 郭延祥, 陳耀武. 基于邊緣檢測和顏色紋理直方圖的車牌定位方法[J]. 計算機科學與探索, 2014, 8(6): 719-726.

[5] 王磊, 王瀚漓, 何良華. 基于雙邊緣檢測的車牌識別算法[J]. 計算機工程與應用, 2013, 49(8): 169-173.

[6] 廖曉姣, 李英. 基于邊緣檢測和形態學的車牌定位算法[J].現代電子技術, 2011, 34(10): 17-19.

[7] 楊飚, 楊芩．Lab顏色空間和形態學處理相結合的雙行車牌定位方法[J]. 科學技術與工程, 2014, 14(26): 108-110.

[8] 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): 359-362, 366.

[9] 周科偉. MATLAB 環境下基于神經網絡的車牌識別[D].西安: 西安電子科技大學, 2009.

[10] 董程. 基于改進神經網絡的車牌識別算法的研究及仿真[D]. 哈爾濱: 哈爾濱理工大學, 015.

Efficient License Plate Recognition System Based on Lab Color Space and ANN Neural Network

KONG Xiang-bin1,2, CHANG He1,2, LAN Hao-ming1,2, GONG Jia-sheng1,2, DONG Na3
(1. Hubei Key Laboratory for High-efficiency Utilization And Storage operation control of Scolar Energy, Hubei University of Technology,Wuhan, 430068, China; 2. Hubei Collaborative InNovation Center for High-efficiency Utilization of Scolar Energy, Hubei University of Technology, Wuhan, 430068, China; 3. Fiberhome Telecommunication Technologies Co., Ltd, Wuhan, 430070, China)

Aimed at the problem of license plate recognize processing complex and low accuracy rate of license plate character, a method of Lab color space recognition combined with the traditional Sobel edge detection is proposed to fing rough location of the license plate area.And then using SVM model to find accurate position.As for character recognition, this paper uses the ANN artificial neural network for vehicle license plate character recognition to improve recognition accuracy.Experimental results show that the proposed system recognizes license plate in image with fast speed and high accuracy.And it has strong robustness and practicality in character recognition.

Image recognition; License plate recognition; Lab color space; Artificial neural networks

TP391

A

10.3969/j.issn.1003-6970.2017.12.002

本文著錄格式：孔祥斌，常賀，藍浩銘，等. 基于Lab色彩空間和ANN神經網絡的車牌識別系統[J]. 軟件，2017，38（12）：05-09

國家自然科學基金項目(NO: 61471162)；國家國際科技合作專項項目(NO: 2015DFA10940)；太陽能高效利用湖北省協同創新中心開放基金項目(NO: HBSKFZD2015005, HBSKFTD2016002)；湖北省教育廳科研項目(NO: Q20171401)

孔祥斌(1978-)，男，講師，主要研究方向：通信與信息系統。