基于神经网络的车牌字符识别系统研究.docxVIP

?

?

基于神经网络的车牌字符识别系统研究

?

?

刘滨

车辆牌照识别（VehicleLicensePlateRecognition，VLPR）技术作为交通信息服务系统的重要手段，主要任务是分析处理汽车图像，自动识别汽车牌照。一个好的VLPR系统，能够从一幅图像中自动提取车牌图像，自动分割字符图像，进而对字符进行正确识别。随着计算机视频技术和模式识别技术的发展，车牌自动识别系统已成为智能交通系统的重要组成部分。

一、字符网格特征的提取

构造一个高性能的识别系统，最主要的是如何选择有效的特征。任何一个特征都是从某个角度刻画图像的，不可能十全十美，因此，必须用多种特征互相补偿，才能达到良好的效果。选取字符特征应满足如下条件：①所选特征必须足以区分各字符，特征应该稳定，受字形影响越小越好。②所选特征应便于提取，便于用计算机实现，特征维数应尽可能少。③所选特征之间应具有补偿性，即各种特征能从不同角度描述一幅图像，以达到全面反映图像信息的目的。

依据以上原则，本文选取改进的字符粗网格特征作为所识别字符的特征。

设f（i，j）是汉字规一化后N×N大小的二值化点阵图像：

黑像素1表示该点有笔画，白像素0表示该点没有笔画。

粗网格特征提取方法是指先把待识别字符进行大小和位置规一化，再等分为N×N个网格，然后依次统计各网格内的黑像素（或白像素）的数量，取得一个以数值表示的N×N维的网格特征。粗网格特征属于统计特征中的局部特征，又称局部灰度特征，反映了字符的整体形状分布，但抗位置变化能力较差，即字符的倾斜、偏移等导致对应网格之间的错位，会大大降低字符识别的正确率。考虑到车牌字符识别属于小分类问题，为了同时保留字符的整体结构特征和细节特征，本文充分利用神经网络所具有的并行处理能力及其隐藏层所具有的提取特征的能力，将归一化后字符点整的每个像素点作为一个网格，即提取字符的原始特征，将其直接输入神经网络分类器，再对该字符进行分类的粗网格特征提取方法。

待识别的数字字符“0”如图1所示，按32×16的比例尺寸归一化后字符“0”点阵如图2所示，字符“D”点阵如图3所示。

在车牌字符识别时，这种字符图像不可避免会存在噪声环境，对于形如0和D这种形状极其相似的字符，有时仍会发生混淆。根据车牌字符规范，设计字母数字神经网络分类器，对9个数字和除I以外的25个英文大写字母进行分类识别。经过初步测试，字母数字神经网络分类器对字母O、B、C、D、U识别时经常混淆。因此，可将字母数字神经网络分类器设计为2级神经网络分类器，即在原字母数字神经网络分类器的下一级增加一个细分类器，完成字母O、B、C、D、U的分类。最后对被识别为O和D的识别样本，提取左上角和左下角的粗网格特征加以区别。通过对粗网格特征提取方法加以改进，数字字母神经网络分类器的正确识别率非常高。

二、BP神经网络结构的设计

BP神经网络是采用误差反向传播算法对网络权值进行训练的多层前向网络（如图4所示）。BP神经网络设计的最大特点是网络的权值是通过使网络输出与样本输出之间的误差平方和达到期望值而不断调整网络的权值训练出来的。进行神经网络设计的首要任务是网络结构的确定，包括输入/输出神经元个数、隐含层个数、隐含层中神经元数目以及每层传递函数的确定。一般情况下，神经网络的输入层与输出层的神经元数目由问题本身的性质决定，隐含层的层数及各隐藏层的神经元数目需要由设计者根据问题的性质和对神经网络的性能要求决定。

一般的车牌共有7个字符，其中第一个字符是省份（自治区、直辖市）的汉字简称，第二个字符是字母，第三至第七位字符是字母或汉字。实验表明，BP神经网络对小类别字符集有较高的识别率，因此在车牌字符识别系统中分别设计汉字网络、字母网络和数字字母网络，可实现对字符的分类。

输入层神经元个数由待识别字符所取得的网格像素特征的维数大小确定。在本系统中，对归一化为32×16点阵大小的字符，以每一个像素点为一个网格，故输入层神经元个数取512。

神经网络输出层神经元个数由设计网格时所采用的输出表示和决策规则所确定。以模式样本和它的类别标记做训练，采用“M中取1”的方式表示目标向量。因此，网络输出层神经元的数目即为待识别的类別数M，输出层的每一个神经元代表一个目标种类。神经网络均使用Logistic函数作为激活函数，各网络输出层神经元个数如表1所示。

以数字网络为例，其期望输出值表示如表2所示。

本系统的神经网络所处理的都是小类别的分类问题，采用具有一个隐藏层的三层BP神经网络。

隐藏层神经元数目太多，计算复杂度增加，网络训练收敛速度降低，网络训练时间过长。隐藏层神经元数目太少，训练网络时可能陷入局部极小点。在本系统的研制过程中，先后采用下面三个公式确定隐藏层神经元个数：

式中，h_num表示隐藏层神经元个数，i_num表