基于MATLAB車牌字符識別的算法研究

馬晨

摘要：智能交通系統(tǒng)廣泛應用在控制服務、制造車輛、道路交通等領域。而在智能交通系統(tǒng)中最關鍵的技術之一就是車牌字符識別技術。文中采用神經(jīng)網(wǎng)絡技術來實現(xiàn)車牌字符識別。人工神經(jīng)網(wǎng)絡，可較好的自組織自學習能力、較大規(guī)模并行處理、分布式信息存儲等。BP算法是人工神經(jīng)網(wǎng)絡中的一種監(jiān)督式的學習算法，是非線性變化單元構成的，并且非線性映射能力十分強，在理論上能逼近任意函數(shù)，可以依據(jù)實際情況設定網(wǎng)絡的學習系數(shù)、網(wǎng)絡的中間層數(shù)以及各層的處理單元等參數(shù)。

關鍵詞：車牌字符識別；MATLAB；神經(jīng)網(wǎng)絡

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2017）09-0121-03

1 引言

智能交通系統(tǒng)將先進的信息技術、傳感器技術、數(shù)據(jù)傳輸通信技術、計算機技術以及電子控制技術等高效率地應用其中，覆蓋范圍廣、準確性高、實時性好。而圖像處理和模式識別技術也是現(xiàn)今研究熱點，在公共安全、交通管理及軍事部門有著極其重要的應用價值。車輛牌照識別技術，要求通過車牌提取、圖像預處理、特征提取、車牌字符識別等技術，辨別車輛牌號、顏色等信息，能夠將汽車牌照從復雜的背景中并且是在運動狀態(tài)中提取并識別出來。由于我國車牌種類繁多，拍攝時所處的環(huán)境條件各異，使得車牌字符識別的過程存在一定的困難。

典型的車牌自動識別主要由圖像采集、圖像預處理、圖像二值化、車牌定位、字符定位、字符分割、字符識別等部分組成，本文主要就字符識別技術進行研究，基于MATLAB數(shù)據(jù)處理平臺，采用BP神經(jīng)網(wǎng)絡對漢字、字母、數(shù)字進行識別，最終實現(xiàn)車牌字符識別目標。

2 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡[2]（Artificial Neural Networks，簡寫為ANN）也簡稱為神經(jīng)網(wǎng)絡（NN）或稱作連接模型，是一種高度模仿生物伸進網(wǎng)絡行為特點，能處理分布式并行信息的一種數(shù)學模型算法，一般分為生物的神經(jīng)網(wǎng)絡和人工的神經(jīng)網(wǎng)絡這兩類。在人臉識別，汽車的自動駕駛，光學字符識別（OCR）等很多實際問題中取得了驚人的成功。其工作原理是可根據(jù)系統(tǒng)復雜的程度來調(diào)整內(nèi)部多數(shù)節(jié)點間互相接連的關系。人工神經(jīng)網(wǎng)絡在順利工作之前要先按照事先規(guī)定好的一系列學習準則進行學習，一般來說人工神經(jīng)網(wǎng)絡有兩種學習訓練的方法，一種是利用已經(jīng)給好的樣本標準來模仿或是學習，被稱為有導師或者有監(jiān)督的學習；還有一種就是光指定好某些規(guī)則或學習的方法，但是具體的內(nèi)容要根據(jù)系統(tǒng)的所在環(huán)境的不同而改變，系統(tǒng)能憑借自身主動探索環(huán)境的規(guī)律和特點，這樣的訓練方法與人腦的功能更加相似，被稱為無導師或者無監(jiān)督的學習。

3 BP神經(jīng)網(wǎng)絡

3.1 BP神經(jīng)網(wǎng)絡[3]概念

BP神經(jīng)網(wǎng)絡是現(xiàn)在最普遍運用的一種神經(jīng)網(wǎng)絡模型，它是能按照誤差反向傳播算法學習的一種多層前饋網(wǎng)絡。BP神經(jīng)網(wǎng)絡不用提前準備敘述表示映射關系的數(shù)學方程式，它本身就能通過訓練兵儲存非常多的輸入—輸出的映射關系，能通過逆向傳播一直根據(jù)需要改變網(wǎng)絡的閾值和權值，因此網(wǎng)絡的誤差平方和就能達到最低，也即是BP神經(jīng)網(wǎng)絡的訓練規(guī)則——梯度下降法[8]。

3.2 BP神經(jīng)網(wǎng)絡[4]算法的計算過程

一個單層網(wǎng)絡和單元，含有的隱層為1。網(wǎng)絡共有6個單元，0用于表示閾值，1、2為輸入層，3、4為第一隱層，也是唯一隱層，5為輸出層單元。網(wǎng)絡接收兩個輸入，發(fā)送一個輸出。每個單元接收一組輸入，發(fā)送一個輸出。為權值，為當前層單元，為上一層單元，為下一層單元。為0時，權值為閾值。其具體計算過程如下：

（1）初始化。

選擇網(wǎng)絡拓撲結構。權值和閾值置為均勻分布的較小值。選擇學習因子。

（2）前向計算。

（4）權值修正。

設為上述過程的計算次數(shù)，那么權值修正公式為：

（5）判定計算是否完成。

令，取新樣本，返回第二步。對樣本集合中，每個樣本學習一次，稱為一個。BP神經(jīng)網(wǎng)絡算法的完成標準：對樣本集合中，每個樣本學習一次、計算一次期望輸出和實際輸出的2-范數(shù)，并將其累計到累積范數(shù)，如下：

一個完成后，每個樣本都進行了一次學習，同時累積范數(shù)也計算完成。此時可對進行判定，如果小于可接受的最大誤差，那么計算完成?；蛘呖蓪Υ螖?shù)進行判定，如果大于可接受的最少次數(shù)，那么計算完成。

4 神經(jīng)網(wǎng)絡算法的實現(xiàn)

4.1 神經(jīng)網(wǎng)絡算法的設計思路

采用人工神經(jīng)網(wǎng)絡應用于車牌字符識別的分類任務[5]時，需完成以下設計：

第一：輸入編碼，即待識別的圖像中的字符圖像，包括：漢字、數(shù)字、英文字母，并提取特征，可對圖像進行處理，分解出邊緣、區(qū)域等局部圖像特征，然后把這些特征作為ANN的輸入。

第二：圖像的重新采樣。特征向量編碼是圖像的高與寬像素的乘積，高維度特征也意味著大量的輸入權值，原始圖像將增加處理難度，為了降低處理復雜度、提高計算速度和識別率，需重新采樣圖像。

第三：數(shù)據(jù)歸一化[7]處理，目的是將輸入特征的個屬性縮放至一個統(tǒng)一的區(qū)間[0，1]內(nèi)從而使各個屬性在分類中的具有相同的貢獻。

第四：輸出編碼。使用同類別數(shù)目n相等的輸出單元數(shù)目，每個輸出對應于1種類別標號，訓練時對于第i個輸出單元置一個高值，而其他單元置低值作為目標輸出，測試時取具有最高值的輸出單元編號作為網(wǎng)絡的預測值，這就是常說的n取1輸出編碼。

第五：確定隱藏層單元數(shù)目，由于在解一般問題時1個隱藏層就可以解決問題，因此設計過程中是分別采用1個、2個隱藏層，通過實驗發(fā)現(xiàn)，更多隱藏單元數(shù)目意味著更多的權值，在訓練時收斂更快。但是，隱藏層數(shù)目的增加在大大增加訓練時間時并不會顯著地提高泛化精度。

第六：網(wǎng)絡其他參數(shù)的設定，迭代次數(shù)epochs設置為5000，訓練模式采用的是RProp。endprint

4.2 神經(jīng)網(wǎng)絡的車牌字符識別[6]的軟件設計

本文中，根據(jù)車牌上不同信息的特征，把分類器分為漢字網(wǎng)絡、英文字母網(wǎng)絡、數(shù)字和字母混合網(wǎng)絡這三種，該設計可以使計算時間大幅減少，是神經(jīng)網(wǎng)絡結構的設計更加簡單，識別的準確率與效率也會大幅提高。以MATLAB R2010b 為實驗平臺，根據(jù)所研究的基于神經(jīng)網(wǎng)絡的車牌字符識別方法，將流程圖設計如圖1。

5 實驗結果與分析

在MATLAB[1]測試環(huán)境下，其中一幅圖像的神經(jīng)網(wǎng)絡車牌字符識別過程如圖2。

該圖像的字符識別結果如圖3。

實驗結果表明，隨著迭代次數(shù)的增加，訓練越來越接近目標所需要的數(shù)據(jù)，這就要求設置適當?shù)膮?shù)才能滿足較好的要求。對于字符相近的情況，如“8”、“B”在識別的過程中有可能出現(xiàn)錯誤，也表明，神經(jīng)網(wǎng)絡在小樣本的情況下，會影響字符識別率。神經(jīng)網(wǎng)絡的優(yōu)點是自學能力，隨著樣本不斷增加，識別率逐步提高，通過對樣本的識別和學習，調(diào)整網(wǎng)絡中的參數(shù)，從而達到優(yōu)化網(wǎng)絡的效果。然而神經(jīng)網(wǎng)絡也存在一定問題，在開始時必須對網(wǎng)絡進行訓練，在沒有初始訓練時，網(wǎng)絡無法進行識別，另外，訓練也增加了額外的識別時間，所以該方法的識別時間略長。

參考文獻

[1]劉衛(wèi)國.MATLAB程序設計教程[M].北京：中國水利水電出版社，2010.10：100-120.

[2]郭榮艷，胡雪惠.BP神經(jīng)網(wǎng)絡在車牌字符識別中的應用研究[J].計算仿真，2010，（09）：72-75.

[3]劉濱.基于神經(jīng)網(wǎng)絡的車牌字符識別研究[D].武漢大學，2004：10-12.

[4]梁曉龍.基于BP神經(jīng)網(wǎng)絡的車牌字符識別算法研究[D].西安電子科技大學，2010：20-21.

[5]劉紅艷，高麗清，王連明.基于宇符組合特征及BP神經(jīng)網(wǎng)絡的車牌漢宇識別田東北師大學報（自然科學版），2012，44（09）：60-64.

[6]陳學保.車牌字符識別算法的研究[D].重慶大學，2013：7-9.

[7]蘇澤.基于彩色數(shù)字圖像的車牌識別系統(tǒng)的設計與實現(xiàn)[D].吉林大學，2014：11-13.

[8]王健.基于Matlab的車牌識別系統(tǒng)[D].吉林大學，2015：8-10.endprint