基于改進BP算法的語音車牌識別系統?

楊 皓 張 雙 尹福成

（1.成都理工大學工程技術學院 樂山 614000）（2.內江師范學院 內江 641000）

1 引言

隨著電子技術、計算機技術和智能化交通網絡的不斷發展及交叉融合，車牌識別技術正在人們日常交通方面發揮著越來越重要的作用［1～5］。無數的科研人員正努力地研究車牌識別技術［4～7］，使得該技術成為一種積極有效、普及社會大眾造福人類。本文所要論述的車牌識別技術，正是利用Matlab技術對現有車牌識別的一種新的方法——本著實時處理、傻瓜式操作的原則，優化算法的設計理念，提供了一個友好高仿真的控制界面，識別結果通過語音進行播報，從根本上解決目前各類落后、單一、互不兼容的算法設計方式。

2 車牌識別研究基礎

車輛牌照（LP）的自動識別是計算機視覺與模式識別技術在智能交通領域結合應用的重要研究課題之一，是實現交通管理智能化的重要環節。

車牌識別一般分為圖像采集、圖像預處理、車牌定位、字符分割、字符識別五個大步驟。在本文中主要是用Matlab作為工具對車牌照進行識別，整個系統的框圖如圖1所示。

圖1 系統框圖

本設計的主要側重算法的研究，主要工作是軟件設計，對采集到的圖片進行車牌提取，最終實現車牌識別與播報。

3 算法描述

車牌照識別技術，主要包含圖像預處理、車牌定位、車牌切割、車牌識別四個部分，其中圖像二值化、定位、識別是影響整個系統速度的主要算法［6～9］，本文結合目前現狀，對關鍵算法進行了改進，并實現部分改進算法的編程，有效地達到了預想結果。

3.1 改進Otsu偽二值化

圖像偽二值化，指通過選擇兩個閾值對圖像進行二值化處理，將灰度圖像中像素點的灰度值按式（x）計算，得到新的灰度值［10］

式中，f(x)表示經過偽二值化后圖像像素點的灰度值，T1、T2表示偽二值的兩個閾值。偽二值化后的圖像中，像素點分為3類：黑度帶、白度帶和灰度帶。黑度帶對應元圖像中灰度值在[0，T1)內的區域，灰度帶對應灰度值在[T1，T2)內的區域，白度帶對應灰度值在[T2，255]內的區域。

但是基于車牌字符切割時，采用改進的Otsu算法：將圖像像素按照灰度分為(C0，C1)，其中C0和C1分別包含了灰度級別在 {0，1，2，3，...，t} 及{t+1，t+2，t+3，...，L-1}內的像素，分別對應于背景和目標物體。

在圖像每個像素點計算其領域平均灰度值，則領域平均圖像的灰度等級也為L。這就構成了圖像像素點的灰度值和它的領域平均灰度值的二元組，記為 (i，j)。設 (i，j)出現的頻率為fi，j，則其二維聯合概率密度為

其中，i=0，1，2，…，L-1，j=0，1，2，…，L-1，且

圖2 二維Otsu算法閾值求解示意圖

如圖2中所示，對任意給定的一個閾值(s，t)，可以分割成四個區域，分別為：Ⅰ、ⅠⅠ、ⅠⅠⅠ、ⅠV 。其中對角線上的區域I和III分別對應圖像的背景C0與目標物體C1（此處假設目標物體的灰度高于背景物體）。遠離對角線上的區域II和IV則對應圖像的噪點和邊緣。

假設背景對應的概率為p0，目標概率為p1，則：

此時C0與C1對應的灰度值為

圖像總的灰度均值適量為

定義離散度矩陣為

以離散度矩陣的跡作為離散度測量度，得到：

當選擇最大值時，其對應的二值化閾值就是最優的閾值，即最優二值化閾值(s'，t')滿足：

其中，0≤s，t≤L-1。

在二維Otsu算法中，需要對每一個(s，t)的組合計算一個離散度矩陣的跡，然后取離散度矩陣的跡最大時的(s，t)為分割閾值，在原始算法中，需要s和t的雙重循環，而每次計算離散矩陣的跡，需要對(st+(L-s)(L-t))個點做累加運算，故總得累加次數為

假設當L=256時，則A=2147416446，這將是一個耗時間的循環。對此為了解決二維Otsu二值化算法計算量大，運算時間長的問題，進行優化。優化方案按照圖3的方式進行分塊，僅僅只需要計算與對角線平行的f=g+N和f=g-N兩條線段之間的點，將之外的點都視為概率為0的點。這時，只要N足夠大，就可以將所有概率不為0的點都包括進來。

圖3 Otsu算法閾值提高求解示意圖

假設二值化的閾值為(s，t)，以通過點(s，t)且與對角線垂直的直線進行分割。該直線左面的點對應于背景物體，即C0；右面的點對應于目標物體，即C1。直線l的方程為

當l≥s+t-g時，屬于C1，反之屬于C0。由于分類準則只與s+t有關，因此可以將s+t整體作為一個閾值，從而將二維閾值轉換為一維閾值進行計算。

此時，由于判決標準取決于s+t，而非單個的s、t，因此僅僅需要進行2L次循環，每次循環也只需要N(2L-N)個點做累加運算。設N=kL，則總的累加次數為

假設L=256，N=40時，可以將所有的非零點概率都計算在內，此時的A'=966560，效率，可見其計算時間大大提高。

圖4 直接灰度二值化

圖5 改進的Otsu偽二進制

3.2 灰度跳變分析法

首先，進行水平投影［11～13］。對前面初步提取后得到的圖像f(i，j)進行水平一階差分得到g(i，j)，即

其中，i=1，2，3，...，m、j=1，2，3，...，n，m表示圖像的高度，n表示圖像的寬度，將圖像f(i，j)差分后得到的圖像g(i，j)的灰度值沿水平方向累加后做投影得到L(i)。假設圖像的寬度為x，高度為y，設定一個數組L(i)存放水平方向的投影值：

在求得水平投影后，依次從圖像的最上方開始掃描。如果投影滿足L(i)＞mi，對應的最小值M1和最大值M2確定車牌的最上方和最下方位置；m為一可調常數，可根據具體的門牌寬度調整得到。

然后，對二值圖像進行垂直投影。車牌垂直方向的定位運算算法和水平方向上的定位算法類似，首先對車牌的垂直方向進行差分運算，確定車牌的列位置，設定另外一個數組G(j)存放垂直方向的投影值：

式中，M1為門牌區域的開始行；M2為門牌區域的結束行。在求得垂直投影值之后，就可以依次從左向右對圖像進行掃描。如果投影滿足G(j)＞nj，對應的最小值N1和最大值N2就確定了門牌的左右位置，n為一可調常數可根據具體門牌長度調整得到，由此可得門牌在圖像中的位置為，將差分得到的結果用均值方進行平滑，即完成了車牌的定位。

圖6 位置識別結果分析

圖7 位置識別結果灰度轉換分析

基于上述的定位方法，設計采用了一種改進的基于灰度跳變的車牌定位算法。首先，運用改進Ostu偽二值化算法有效地去除路面產生的噪聲，然后采用由粗定位到細定位的方法以提高車牌定位速度，通過濾波除去車標部分柵欄狀物體對車牌粗定位的影響，最后利用形態學閉運算去掉車牌邊框，并且對車牌進行了灰度變換，增強車牌區域字符和背景的對比度。

3.3 優化投影法

應用中常用哈夫（Hough）變換進行水平校正［14］，Radon變換進行垂直校正。

旋轉的角度和方式與車牌傾斜原因有關，其中水平偏移校正的依據是

利用Hough變換查找車牌傾斜角度的方法，最重要的是找到基準線，并且作為基準線的這條直線應該滿足水平直線和垂直直線的要求。在有車牌邊框的圖像中，車牌邊框往往成為了基準線，但是其傾斜的車牌其邊框也是傾斜的，因此計算十分復雜，對此采用一種簡單的優化投影方法來找出車牌的角度。

改進：進行優化投影法

由經驗值，車牌字符的大多分布在牌照的中央，因此采用線性擬合的方法，計算出車牌上邊和下邊圖像值為1的點擬合直線與水平X軸的夾角，從而得到車牌旋轉的角度，具體流程如下：

1）首先求出擬合直線方程：y=ax+b的斜率系數a；

3）求得車牌旋轉角度為β。

圖8 傾斜車牌

圖9 優化投影機傾斜校正

3.4 改進BP算法

BP算法［15～16］主要推導如下：

由梯度下降法對每一個訓練樣本點d，利用關于這個樣本的誤差Ed的梯度來修改權值。換言之，對于每一個訓練樣本點d每個權值wij被增加Δwij：

其中，Ed是訓練樣本d的誤差，通過對輸出層所有單元的求和得到：

其中，A表示輸出層單元的集合，tk表示單元k的目標輸出，ok表示單元k的實際輸出。

注意到權值wij僅能通過ni（表示單元i的凈輸出）影響網絡的其他部分，因此采用復合函數的求導法則導出一個的表達式：

對于單元i是一個輸出層單元，由于ni僅能通過oi影響網絡，所有可再次利用復合函數的求導法則得：

考慮到上式中的第一項：

當k≠i時，因此：

接下來考慮表達式第二項：

得到輸出單元的權值更新法則：

令δi=(ti-oi)oi(1-oi)則推導出單元i的權值更新法則為

同理，輸出層單元是隱藏層單元i的權值更新法則也為：Δwi，j=ησixij。

BP算法在解空間中尋找能夠最小訓練誤差的網絡權值，但是對于含有非線Sigmoid單元的多層網絡，誤差曲面可能含有多個不同的局部極小值，梯度下降有可能陷入到這些局部的極小值中。因此，BP算法僅能夠保證收斂到誤差E的某個局部極小值，而不一定收斂到全局最小誤差。

人工神經網絡BP算法改進，BP算法的改進目的大致分為三個方面：第一，提高網絡訓練的精度；第二，提高神經元的訓練速度；第三，避免落入局部極小值點。改進方法為

1）優化初始權重法

如果把網絡權值初始化為接近于0的值［-0.05，0.05］之間的任意一個數，則作為Sigmoid單元凈輸入的n也必然接近于0，因此在早期的梯度下降步驟中，網絡表現為一個非常平滑的函數，近似為輸入的線性函數。

2）增加沖量項法

增加沖量項可以帶動梯度下降搜索沖過狹窄的局部極小值而不陷入其中，同時在梯度不變的區域逐漸增大搜索步長，從而可以加快收斂的作用。

3）使用隨機的梯度下降代替真正的梯度下降

梯度下降的隨機近似于對于每個訓練例沿一個不同的誤差曲面有效下降，它依靠這些梯度的平均來近似對于整個訓練集合的梯度，這些不同的誤差曲面通常有不同的局部極小值，這使得下降過程盡可能的減小了陷入某一個局部極小值。

本設計采用有動量的梯度下降法對神經網絡進行改進，提高學習速度并增加算法的可靠性，改進算法為

其中，D(k)表示K時刻的負梯度，D(k-1)表示K-1時刻的負梯度，η為學習率，a∈[0，1]是動量因子。當a=0時，權值修正只與當前負梯度有關系，當a=1時，修正權值就完全取決于上一次循環的負梯度了。這種方法加入的動量項實際上相當于阻尼項，它減小了學習過程的振蕩趨勢，從而改善了收斂性。

4 實現流程

圖10 處理系統

5 結語

結合對車輛牌照特征的分析以及對各種定位方法的比較，本系統采用改進Ostu二值化算法，基于行掃描灰度跳變分析的車牌定位方法，該方法綜合了基于紋理特征分析和基于邊緣檢測分析方法的特點，具有速度快和準確性高的優點。BP改進算法字符切割。

從Matlab運行結果來看，該系統可以很好地完成車牌的定位、字符的分割和字符的識別，與傳統的編程語言相比，明顯縮短了開發周期，牌照識別系統的識別率，通過改進的BP算法，系統的識別能力有效提高。通過對本課題的研究，筆者認為神經網絡算法的研究及編程實現必將是車牌識別的一個重點，本課題還可以繼續對BP算法進行研究和編程實現。

［1］S.Al-Shami，A.El-Zaart，A.Zekri，K.Almustafa and R.Zantout，Number Recognition in the Saudi License Plates using Classification and Clustering Methods［J］.Applied Mathematics and Information Sciences（AMIS）.2017，11（1）：123-135.

［2］H.Kwasnicka and B.Wawrzyniak，License Plate Localiza?tion and Recognition in Camera Pictures［R］.Artificial In?telligence Methods，November，Gliwice，Poland，2002：13-15.

［3］L.Hammandi，Khaled Almustafa，R.Zantout and H.Obeid，Using Character Recognition for Plate Localization［J］.The International Journal of Multimedia&Its Appli?cations（IJMA），2012，4（5）：39-49.

［4］N.Otsu，A threshold selection method from gray level his?tograms［J］.IEEE Transactions on Systems，Man，and Cy?bernetics，1979，9：62-66

［5］H.Balasubramanian，P.K.Mitikiri and K.R.Namuduri，Image registration in low resolution visual sensor networks［C］//International Conference on Information Processing in Sensor Networks，2008.

［6］P.A.Viola and M.J.Jones，Rapid object detection using a boosted cascade of simple features［C］//IEEE Confer?ence on Computer Vision and Pattern Recognition，2001，1：511-518.

［7］J.Frigo，V.Kulathumani，S.Brennan，E.Rosten and E.Raby，Sensor network based vehicle classification and li?cense plate identification system［C］//Sixth International Conference on Networked Sensing Systems（INSS），2009：17-19.

［8］Book：H.M.A.Fahmy，Wireless Sensor Networks：Con?cepts，Applications，Experimentation and Analysis［R］，Originally published：March 2，2016.

［9］K.Almustafa，On the Automatic Recognition of Saudi Li?cense Plate［J］.International Journal of Applied Informa?tion Systems（IJAIS），2013，5（1）：34-44.

［10］M.Al-Bayati and A.El-Zaart，Automatic Thresholding Techniques for Optical Images［J］.International Journal of Signal and Image Processing，Signal&Image Process?ing：An International Journal（SIPIJ），2013，4（3）：1-15

［11］S.Saxena，N.Sharma and S.Sharma，Image Processing Tasks using Parallel Computing in Multi core Architec?ture and its Applications in Medical Imaging［J］.Interna?tional Journal of Advanced Research in Computer and Communication Engineering，2013，2（4）：1896-1900

［12］A.Krishnamurthy，J.Nehrbom，J.C.Chaves and S.Sam?si，Survey of Parallel MATLAB Techniques and Applica?tions to Signal and Image Processing［C］//IEEE Interna?tional Conference on Acoustics，Speech and Signal Pro?cessing，2007.ICASSP 2007，IV-1181-1184.

［13］C.Neubauer，J.Tyan and L.Goganovic，License plate recognition with an intelligent camera［C］//Proc.SPIE 3838，Mobile Robots XIV，1999，29.

［14］G.M.Amdahl，Validity of the single processor approach to achieving large scale computing capabilities［C］//In Proceedings of the April 18-20，1967，Spring Joint Computer Conference，AFIPS'67（Spring）.ACM，New York，NY，USA，1967：483-485.

［15］G Ramponi，P Fontanot.Enhancing document imageswith aquadratic filter［J］.Signal Process，1993，33（8）：30-34.

［16］Kyun JUNG，Simon LACROIX．A robust interest points matching algorithm［J］.IEEE，2001（2）：538-543.