基于BP神經網絡的智能車牌識別系統

顧秀秀　朱明亮　吳瓊　史洪瑋

摘要：車牌識別是智能交通中信息化管理車輛的重要環節，對構建智慧城市具有重要意義。針對國內車牌的結構特點，設計了一種基于BP神經網絡的智能車牌識別系統。系統利用去噪算法及數學形態學方法對車牌照片中的車牌位置進行定位，針對國內車牌特征分割字符，然后基于白像素點提取13維特征并將車牌不同位置的字符分別輸入到不同的BP神經網絡進行分類。系統的平均識別正確率為96.4%，可廣泛應用于城市道路 、智慧停車場等多個領域的車輛自動化信息管理。

關鍵詞： 車牌識別;BP神經網絡;邊緣檢測;字符識別;特征提取

中圖分類號： TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）03-0019-04

Abstract： License plate recognition is an important part of information management of vehicles in intelligent transportation， and is very important for the construction of smart cities. According to the structural characteristics of domestic license plates， an intelligent license plate recognition system based on BP neural network is designed. The system uses the denoising algorithm and mathematical morphology to locate the license plate position in the license plate photo， segment the characters for the domestic license plate features， and then extract 13-dimensional features based on the white pixel points and input the characters at different positions of the license plate to different BP neural. network classification. The average accuracy rate of the system is 96.4%， which can be widely used in vehicle automation information management in many fields such as urban roads and smart parking lots.

Key words：license plate recognition; BP neural network; edge detection; character recognition; feature extraction

1 引言

隨著智慧城市的概念越來越普及，智能交通作為智慧城市重要的一環，其相關技術也在飛速發展。智能車牌識別技術作為促進智能交通信息化、自動化的重要手段，基于圖像識別技術，可應用于智慧停車場、高速公路收費、交通違法違章處理等多個領域[1-2]。國外車牌識別技術已經發展的比較成熟，但國外的車牌形狀、顏色、編碼方式與國內車牌均有較大不同[3]。因此，針對我國常見的車牌主要為藍底、7字符、矩形的特點[4]，設計了一種基于BP神經網絡的智能車牌識別系統。系統分為車牌圖像預處理、特征提取及BP神經網絡分類三部分，可對國內常見的車牌進行快速、簡單、高效的自動識別。

2 車牌識別系統設計與實現

車牌識別系統主要分為三部分：車牌圖像預處理、特征提取以及基于BP神經網絡對特征進行訓練和分類，流程圖如圖1所示。

2.1 車牌圖像預處理

車牌圖像預處理是對車牌進行智能識別的基礎，處理結果直接影響后續車牌識別的精度。車牌圖像預處理過程主要包括車牌定位和字符分割，作用是將車牌從復雜的背景中分割出來，并按照國內車牌的設計規則，將其分割為7個字符塊，以便進行后續的特征提取及字符識別[5]。

2.1.1 車牌定位

車牌定位主要采用圖像處理中的一些去噪算法及數學形態學方法，流程圖如圖2所示。

主要步驟包括：

1）將圖像灰度化以增強圖像效果，如圖3所示;

2）采用均值濾波平滑圖像，去除圖像中的噪聲;

3）利用Sobel算子對圖像進行邊緣提取[3]，將圖片中的車牌邊緣保留，如圖4所示;

4）利用HSV模型和RGB模型中的藍色區域取交集，得到疑似藍色區域位置，如圖5所示;

5）利用[1 5]的矩形結構元素對圖像先進行膨脹，再進行腐蝕，并和Sobel算子提取到的邊緣信息取交集，去掉無用的邊緣信息，選出豎向紋理復雜的疑似車牌區域，如圖6所示;

6）利用結構元素為[10 40]的矩形對疑似車牌區域進行閉運算，得到一些內部填充較為完整的區域，如圖7所示;

7）刪除連通區域小于1300的小區域，如圖8所示;

8）通過計算矩形區域的長寬比，去除長寬比低于2.5或大于3.8的區域[6]，得到真正的車牌區域，并將車牌區域剪切出來，如圖9所示。

2.1.2 字符分割

根據《中華人民共和國機動車號牌》行業標準，國內普通汽車車牌寬度為44 cm，高度為14 cm，字符寬度為4.5 cm，高度為9 cm[7]。對車牌定位后得到的剪切后的車牌區域首先進行灰度化，再進行二值化，如圖10所示。對圖10中二值化后的車牌圖像進行垂直方向像素統計，根據車牌字符的寬度和高度、字符間距離等特征，將車牌分為七個區域，最后歸一化為32×40像素的統一格式，如圖11所示。

2.2? 車牌字符特征提取

對分割后的每個車牌字符二值圖像進行基于白像素的特征提取，共提取13維特征。以上述字符分割后的第5個字符為例，將單個字符按照兩行兩列分為8塊小區域，統計每個小區域中白像素的個數，得到第1-8維特征，如圖12所示。在水平方向畫兩條橫線，將單個字符在水平方向上分為三部分，統計兩條橫線上的白色像素個數，得到第9-10維特征，如圖13所示。在垂直方向上畫兩條豎線，將單個字符在垂直方向上分為三部分，統計兩條豎線上的白色像素個數，得到第11-12維特征，如圖14所示。最后，統計整個字符圖片上白色像素的總點數，作為第13維特征。

2.3? BP神經網絡訓練與分類

神經網絡是由多輸入、單輸出或多輸出的神經元連接而成的網絡，能通過學習外界環境中的知識不斷優化自身的網絡參數，從而提高自身性能[8]。由于神經網絡可以采用并行方式大規模、高速地處理大型問題，目前已經被廣泛應用在車牌識別領域[9]。

BP神經網絡是一種基于最速下降法的多層前饋神經網絡，由輸入層、隱含層、輸出層三部分構成，其拓撲結構如圖15所示。BP神經網絡的激活函數通常采用非線性轉移函數，即S型函數-Sigmoid函數。BP神經網絡主要通過來自每個神經元信息的前向傳播和誤差的反向傳播來不斷調整自身網絡的權重和閾值，從而使整個網絡的平方誤差之和最小化。

基于BP神經網絡的車牌字符識別算法主要分為以下三個步驟：建立BP神經網絡、利用字符特征對BP神經網絡進行訓練、對輸入車牌的字符特征進行分類。

2.3.1 建立BP神經網絡

根據國內普通車牌字符內容的特點，基于MATLAB平臺建立了三個BP子網分別識別不同位置的字符。其中第一個BP子網用于識別車牌的第一個漢字字符（由于數據采集局限性，選取6個漢字字符進行訓練和測試），第二個BP子網用于識別車牌的第二個英文字母字符，第三個BP子網用于識別車牌的第3-7個字符，這5個字符為英文字母+數字組合形式。在數據進入神經網絡之前，首先采用premnmx函數對數據進行歸一化，防止出現較大誤差。

對于第一個BP子網，建立13個輸入、4個隱含層、6個輸出的BP神經網絡;對于第二個BP子網，建立13個輸入、6個隱含層、24個輸出的BP神經網絡;對于第三個BP子網，建立13個輸入、10個隱含層、34個輸出的BP神經網絡。三個BP子網的第一層神經元的激活函數均為logsig，第二層均為purelin，學習方法均采用traingdx。

2.3.2 訓練BP神經網絡

對于三個BP子網，分別輸入其對應種類字符的13維特征值進行訓練。對于第一個BP子網，收集了“滬”“京” “閩”“蘇”“粵”“浙”六種漢字字符，共計1249幅字符圖片進行13維特征提取，并輸入BP子網進行訓練，部分訓練樣本如圖16所示。

對于第二個BP子網，由于車牌號中不含有字母“I”和“O”，收集了除這兩種字母之外的24種英文字母字符，共計3198幅字符圖片進行13維特征提取，并輸入BP子網進行訓練，部分訓練樣本如圖17所示。

對于第三個BP子網，收集了上述24種英文字母字符以及數字0-9共34種字符，共計4285幅字符圖片進行13維特征提取，并輸入BP子網進行訓練，部分訓練樣本如圖18所示。

2.3.3 BP神經網絡分類結果

對于每個測試字符，將提取到的13維特征輸入訓練好的BP神經網絡進行分類，輸出BP神經網絡識別結果。對于上述車牌號為“京PKR676”的原圖，識別結果正確顯示為“京PKR676”，如圖19所示。

實驗收集了37個漢字字符、112個英文字母字符及157個數字字符共306個車牌字符，對這些字符分別進行識別，漢字識別正確率為94.6%，英文字母識別正確率為96.4%，數字識別正確率為96.8%，平均識別正確率為96.4%，結果如表1所示。

3? 結 論

本文針對智能交通場景下的車輛信息化管理要求，設計了基于BP神經網絡的智能車牌識別系統。系統能夠對車牌照片進行車牌定位、字符分割，并提取13維特征輸入到BP神經網絡進行分類。經測試，系統的漢字識別正確率為94.6%，英文字母識別正確率為96.4%，數字識別正確率為96.8%，平均識別正確率為96.4%，簡單高效，具有較強的實用性。

參考文獻：

[1] 張帆，王曉東，郝賢鵬.基于邊緣特征的智能車輛字符識別[J].自動化與儀器儀表，2020（6）：11-14，20.

[2] 朱鳳霞.基于神經網絡和圖像識別的車牌識別技術[J].電子設計工程，2020，28（2）：130-133，138.

[3] 張晨.最大似然分類的國內車牌字符識別方法研究[J].延安職業技術學院學報，2020，34（2）：88-91.

[4] 高強.基于MATLAB的車牌智能識別設計[J].電腦知識與技術，2020，16（5）：194-196.

[5] 吳林輝，楊晨耀，張文龍，等.基于OpenCV與深度學習的車牌識別軟件的設計與開發[J].電腦知識與技術，2020，16（1）：203-204，212.

[6] 馬志遠，余粟.基于改進K近鄰算法的小型汽車號牌識別系統[J].軟件導刊，2020，19（6）：231-234.

[7] 曾泉，譚北海.基于SVM和BP神經網絡的車牌識別系統[J].電子科技，2016，29（1）：98-101.

[8] 咼潤華，蘇婷婷，馬曉偉.BP神經網絡聯合模板匹配的車牌識別系統[J].清華大學學報（自然科學版），2013，53（9）：1221-1226.

[9] 張旭蘭.基于BP人工神經網絡的車牌字符識別優化算法[J].計算機工程與應用，2012，48（35）：182-185.

【通聯編輯：唐一東】