基于BP神經網絡的車牌識別方法研究

李潔，李登剛，曾文亮

（湖南工業大學軌道交通學院，湖南株洲，412007）

0 引言

隨著經濟發展及生活水平的進步，大量汽車的出現帶來了許多交通問題，如交通擁堵、肇事逃逸等。為解決上述問題，智能交通、車牌識別已成為近年來的發展熱點[1-3]。目前在停車場、高速公路，交通路口等領域隨處可見車牌識別的應用。我國的普通車牌主要由7個字符的藍底矩形牌照框構成，根據車牌的特點，設計了一種基于BP神經網絡的車牌自動識別算法。該算法由以下幾部分構成：車牌圖像預處理，車牌區域定位，字符分割，字符識別。可以對國內普通的藍底7字符車牌進行簡單快速有效的識別。

1 車牌識別系統的方案設計

車牌識別算法的流程主要分為四個部分：1）圖像預處理，2）車牌定位，3）字符分割，4）字符識別。其中圖像預處理、車牌定位和字符分割的目的是為了獲取車牌的各個字符，然后將得到的車牌字符送入后續模塊中進行字符識別，從而得到車牌號碼信息，各步驟如圖1所示。

圖1 車牌識別系統總體方案

1.1 圖像預處理

圖像預處理是整個車牌識別算法中的最基礎的一步，預處理后的圖像結果將關系到后面字符識別部分的準確度。車輛圖像預處理[4]的主要作用是突出車牌的主要特征，以及去除圖像在成像、傳輸過程中的噪聲等，本文的車輛圖像預處理方式如圖2所示。

圖2 圖像預處理

1.2 車牌定位

車牌定位是使用圖像處理中的去噪算法和數學形態學方法從給定的圖像中找到車牌所在的部分，將其他部分進行區分并成功提取出來。本文設計了車牌區域粗-細兩級定位方式，各步驟如圖3所示。

圖3 車牌定位流程圖

1.2.1 粗定位

粗定位就是對車牌區域輪廓進行粗略定位。首先將原始圖像進行直方圖均衡化處理用于增強圖像中的信息，再將圖片進行灰度化處理增強圖像效果，然后對圖像進行濾波操作減少圖像中噪聲，使用Sobel算子邊緣檢測[5]提取出結構特征，最后使用閉運算等形態學處理方法得到粗定位圖像，粗定位過程如圖4所示。

圖4 車牌圖像粗定位過程

1.2.2 細定位

精細定位主要是為了獲得完整、準確的車牌信息。本文使用HSV色彩空間提取車輛牌照區域，主要是為了找出圖像中的藍色像素。在得到HSV色彩空間所提取的車輛牌照區域后，算法將其轉換為RGB圖像從而定位得到藍色車牌區域圖像，如圖5所示。

圖5 車牌圖像細定位過程（提取藍色車牌區域）

在得到藍色車牌區域之后，將圖5.c進行灰度化處理，并且將圖像進行二值化，然后通過將二值化圖（圖6.c）與粗定位結果（圖4.f）使用形態學方法進行取交集運算，從而得到準確的車牌位置，如圖6所示。

圖6 定位車牌區域

確定車牌位置之后，對目標區域進行長寬比篩選，從而得到目標車牌圖像，再通過Radon算法[6]對獲取的車輛牌照進行傾斜校正，從而得到精細定位結果，如圖7所示。

圖7 精細定位結果

1.3 字符分割

《中國人民共和國機動車號牌》行業標準規則[7]，我國現行的車輛牌照號碼由7個字符組成。因此需要把定位后的車牌圖片中的7個字符，分割開來。在對圖7.b進行灰度化處理后，再對其進行二值化操作并去除噪聲點，如圖8所示。根據每個字符的高度和寬度以及各字符之間的間距等幾何規律，采用垂直投影分割法[8]對圖8進行字符分割，把車牌分割為7個小區域，并且調整各個區域的大小為32×40的格式，調整后的字符如圖9所示。

圖8 車牌區域二值圖像

圖9 車牌字符分割

1.4 字符識別

字符識別是對分割出來的字符圖像（包括漢字、數字和字母）進行特征識別，從而得到相對應的車牌信息，也是整個車牌識別流程中最核心部分。本文在總結各方法的基礎上，采用了BP（BackPropagation）神經網絡技術進行字符識別。

BP神經網絡[9-10]的網絡結構如圖10所示。從圖中可以看出，該網絡模型分為三部分：輸入層、隱藏層、輸出層。

圖10 BP神經網絡結構圖

BP神經網絡的工作原理是根據各個信號的前向傳播以及誤差的反向傳播，從而調節自身網絡的權重和閾值，利用梯度下降法，使整個網絡的平方誤差的和為最小值。基于BP神經網絡的車牌識別算法流程以下：1）構建BP神經網絡，2）訓練BP神經網絡，3）根據字符特征進行車牌的識別和分類。

1.4.1 構建BP神經網絡

根據我國普通車牌的主要特點，建立了兩個子網去識別不同類型的字符。第一個子網用來識別車牌號碼中的第一個漢字字符，第二個子網用來識別車牌號碼中的第2-7個字符，這六個字符除第二個為英文字符外，其余五個均為英文和數字的混合。

第一個子網，構建擁有10個輸入層、10個隱含層、14個輸出層的BP神經網絡；而第二個子網，構建44個輸入、10個隱含層、34個輸出層的BP神經網絡。兩個子網第一層神經元激活函數都采用logsig，第二層均為sigmode，學習方法均采用trainlm。

1.4.2 訓練BP神經網絡

將各個字符的特征值輸入到兩個BP子網進行訓練。第一個子網收集了中國大陸31個省份簡稱的漢字字符，一共3108張字符圖片。然后將上述圖片進行特征值提取，輸入到BP子網進行訓練，部分漢字字符的訓練樣本如圖11所示。

圖11 部分漢字訓練樣本

對于第二個BP子網，因為車牌號碼中沒有字母“I”和字母“O”，所以采集了除“I”和字母“O”之外的其它 24個大寫英文字母字符和“0”到“9”這10個數字的字符，共4297張字符圖片。然后對這些圖片進行特征提取，輸入到BP子網進行訓練，部分數字和英文字符的訓練樣本如圖12所示。

圖12 部分英文數字字符訓練樣本

1.4.3 BP神經網絡分類結果

完成BP神經網絡訓練之后，把圖9中已分割字符的特征值提取出來之后輸入到已經訓練完成的BP神經網絡中進行識別和分類。實驗結果顯示：輸出字符識別結果為“川A7HN79”，與真實的車牌號碼一致，如圖13所示。

圖13 車牌識別結果

實驗共收集了停車場出入口、高速公路等不同場景下的30幅車牌圖片，共有漢字字符30個，英文字符73個，數字107個。將這些車牌信息輸入系統并進行車牌識別，識別的結果如表1所示。從表中可以看出，漢字的識別正確率為96.7%，英文字符的識別正確率為95.9%，數字識別的正確率為95.3%，所有字符的平均識別正確率為95.7%，取得了比較好的識別結果。

表1 各個字符識別正確率情況

2 結論

本文設計了一種BP神經網絡的汽車車牌自動識別算法。該方法首先通過對車牌圖像進行預處理，以獲得車牌的主要特征。其次通過粗細二級定位的方式對車牌區域進行了精準定位，并對車牌區域可能出現的傾斜進行了校正。然后通過字符分割，分割出了漢字、字母、數字等7個字符，最后通過構造BP神經網絡對分割出來的7個字符，進行了逐個識別。實驗結果表明，該算法可以準確地識別出車輛的車牌信息。