两种神经网络在车牌识别中的运用.docVIP

两种神经网络在车牌识别中的运用 摘要：车牌自动识别系统是一个车牌号码系统在许多领域停车场,私人公共入口,边境管制,盗窃和性的Hopfield法和多层感知器MLP。通过比较，结果显示其能够成功的识别车牌。实验结果证明Hopfield网络Hopfield方法不好的一点就是处理时间。 关键字：车牌识别，图像处理，车牌定位，图像分割，特征提取，字符识别，人工神经网络 简介 　[1], [2]中的模式识别。更令人着迷的是，问题的多样性（不同的语言集合）将被解决，以及先进机械智能技术的整合。因此，一定数量的应用已经出现（参见[3], [4]）。 车牌识别技术的步骤包括图像获取，车牌定位，字符分割和字符识别。在这个区域中有一批文字。一些相关的工作如下：文献[3]开发了一种传感系统，这种系统用两个电荷耦合器件Hopfield网络作为每个字符的维度。这个网络记住了所有的实验数据（36个字符数）。为了验证网络的可行性，我们将建立一个可以读取字符顺序，分离字符并能识别它的项目，并最后能在一个记事本编辑器上显示出来。 与另一种形式的神经网络相比，多层感知器MLP更依赖于评估每一个网络的表现。本文其他的内容大体如下：在第二部分，我们提出了应用在我们试验中的真实数据库。在第三部分我们提出了将字符从车牌中分离的算法。第四部分提出了用两种神经网络方法识别字符的实验结果。第四部分做出了总结。 2.数据库 数据库（350张带有车牌的图片）包括了汽车正面的高质量图片（1280×960像素到120×180像素的高分辨率），不远不近，停在街上或者停车场，略带可以忽略的倾斜。 我们要注意到的是，在我们的系统里我们将任意把数据库的单位分成以下两种： 实验中我们尽可能的调节所有的参数和阈值已取得最好的结果。 我们将测试我们所有的项目。 被提供的图片的一些特性局限了我们的方法。此外，这些图片是灰白的，这就排除了彩色拍照用这种方法的可能。 3.车牌字符提取 我们的算法是基于文字所在区域的灰度级的强烈反差，这取决于文本区域与所在背景之间的对比，反之亦然。因此通过定位所有被这样强烈对比所标记且在上一步中被按照轴分割的的部分，我们加上一定的限制条件（表面，宽，高，宽度与高度比），进而找到文字候选区域，这些图片中的区域有可能就是车牌区域。 我们将每一块区域进行数学处理，我们计算出白色像素和黑色像素之间的关系（最小值/最大值）。这个比例与文字在图片背景上的比例相一致，这个比值应该大于0.15。（文本所占比例超过整个区域的15％）。 首先，将灰色的车牌区域转换成二进制代码，并构建一个与区域大小相同的矩阵。然后我们建造一个直方图以显示白色和黑色性质的变化。 通过以下的步骤，可以滤除噪音：我们逐行计算像素的总数，我们计算出代表黑色和白色变化的最小值min_sumbc和最大值max_sumbc。所有变化小于max_sumbc*0.08的都被认为是噪音。这些噪音将被取消以方便字符的分割。 为了检测每一个字符，我们通过最小变化值（和min_sumbc相同）来完成区域的检测。第一个检测到的从小数值的较大变化表明是一个字符的开始。然后我们通过另一个最小值的变化来找到这个字符的结束。至此，我们为每一个字符的检测构建了一个模型。 被检测出的字符中的首字被当做是噪音被去除。因此，我们将每一个字符旋转90°然后重复前面所说的步骤来移动这些白色区域。 在这一步中，可以利用二级滤波器像从黑白列中消除噪声一样来消除小框里面的噪声。 最后，我们将图像旋转3次以便回到正常的状态。然后，我们将字符转换成黑色，并将提取出的字符改成合适大小，以适应我们的识别系统（神经网络形式Hopfield 和MLP）。 4.用神经网络法识别字符 车牌上的字符排列都对应一辆汽车。利用人工神经网络来识别车牌字符是合适的，将他们的特性考虑成一个联想的记忆。利用神经网络具有现实关联和统计模版技术优势，可以稳定噪音并允许车牌上字符一些位置的改变。 我们的方法是通过识别车牌来确定车辆的身份，Hopfield网络带有42×24个神经元来作为每一个字符的维数。这个网络必须记住所有的备选字符（共36个）。为了使网络生效我们建立了一个项目用来读取字符串的长度，将每一个字符分割开并改变大小，最后在文本中显示出来。与一个MLP网络相比较，更能估计出每一个网络的性能。 4.结果 Hopfield网络在光学领域要比MLP网络好87％。而不好的一点事Hopfield网络的运行时间，在42×24像素的图片里面（平均需要90s，而在21×12像素的照片里面却对应的只需要3s）。同时可以注意到的是，“HOP1008”和“HOP252”没有表现出一个可观的不同期望值。 对应于“MLP1008”有一个奇怪的情况，那就是MLP性能更差，MLP可以减少隐层神经元的数目以便我们能