BP神经网络联合模板匹配的车牌识别系统
本文关键词：BP神经网络联合模板匹配的车牌识别系统，由笔耕文化传播整理发布。
清华大学学报（自然科学版）２０１３年第５３卷第９期 ／），１１２２２３Ｎ ＪＴｓｉｎｈｕａＵｎｉｖ（Ｓｃｉ＆Ｔｅｃｈｎｏｌ２０１３，Ｖｏｌ．５３，Ｎｏ．９ＣＮ － ｇ／１２６
１２２１２２１－６
ＢＰ神经网络联合模板匹配的车牌识别系统
呙润华， 苏婷婷， 马晓伟
（）清华大学土木工程系，北京１０００８４
摘 要：车牌识别是智能交通系统的重要部分，对实时自动监控具有重要的意义。用科学的方法识别字符，同时提高识别准确率是改善车牌识别系统的核心问题。由于采集的车牌图像会存在噪音和干扰，现有方法存在识别效率低下的问题。本文基于Ｍ联合应用Ｂａｔｌａｂ平台，Ｐ（ｂａｃｋ）神经网络和模板匹配方法优化车牌字符识别ｒｏａａｔｉｏｎｐｐｇ方法，在神经网络收敛的情况下嵌入模板匹配方法精确识别。针对车牌的特点提出一种高效的神经网络字符特征提取方法，从单字符的８００个像素特征中仅提取２１１个特征、识别时间短（单字符０．向量。该方法识别率高（９７．２％））、抗干扰和容错性强。在理论创新的０２ｓ和全车牌０．３９ｓ基础上设计了Ｌ可应用于实际交ＰＲ２０１１车牌识别系统， 通管制。
关键词：交通管制；车牌识别；字符识别；ＢＰ（ｂａｃｋｒｏａ －ｐｐ
）神经网络；模板匹配；特征提取ａｔｉｏｎｇ
中图分类号：Ｕ４９１．４
（）文章编号：１０００００５４２０１３０９１２２１０６－－－
文献标志码：Ａ
；Ｂ）ｎ；ｒｅｃｏｎｉｔｉｏｎＰ（ｂａｃｋｒｏａａｔｉｏｎｅｕｒａｌｎｅｔｗｏｒｋ ｇｐｐｇ
；ｔｅｍｌａｔｅｍａｔｃｈｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ ｐｇ
车牌识别是计算机视觉与模式识别在智能交通是智能化道路监管系统的重要组领域的重要应用，
成部分。超速、占道等不规范行驶行为的自动监控信息需要通过车牌识别系统处理和辨识。车牌识别
１］
。系统的关键是字符识别子系统［
中国大陆车牌字符中含一位汉字且汉字结构复识别困难，出错率高，杂，２００２年张忻中基于模板
２］
。２匹配理论提出相应的汉字识别方法［００３年曾
宪贵等根据车牌的组成字符是有限的这一特点，提取字符特征作为模板进行匹配，有效减少了像素点提高了识别效率，但是模板匹配法对于相似的个数，
字符区分能力差，同时受制于光线和天气等复杂情
３］
。２况，在特征数据维数过大时效率较低［００３年
Ｌｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｓｓｔｅｍｕｓｉｎａｌａｔｅ ｐｇｙｇ
ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｅｍｌａｔｅｍａｔｃｈｉｎ ｐｇ
，，ＭＧＵＯＲｕｎｈｕａＳＵＴｉｎｔｉｎＡＸｉａｏｗｅｉ ｇｇ
（，，ＤｅａｒｔｍｅｎｔｏｆＣｉｖｉｌＥｎｉｎｅｅｒｉｎＴｓｉｎｈｕａＵｎｉｖｅｒｓｉｔ ｐｇｇｇｙ
）Ｂｅｉｉｎ１０００８４，Ｃｈｉｎａｊｇ
：ＡｂｓｔｒａｃｔＬｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｉｓａｎｉｍｏｒｔａｎｔｏｆｉｎｔｅｌｌｉｅｎｔｌａｔｅａｒｔ ｇｐｇｐｐｔｒａｎｓｏｒｔａｔｉｏｎｓｓｔｅｍｓｗｉｔｈｒｅａｔｓｉｎｉｆｉｃａｎｃｅｆｏｒｒｅａｌｔｉｍｅａｕｔｏｍａｔｉｃ － ｐｙｇｇｒｏａｄｍｏｎｉｔｏｒｉｎ．Ｔｈｅｒｅｃｏｎｉｔｉｏｎａｃｃｕｒａｃｒａｔｅｉｓｔｈｅｃｏｒｅｉｓｓｕｅｏｆ ｇｇｙ ｔｈｅｓｓｔｅｍ．Ｅｘｉｓｔｉｎｍｅｔｈｏｄｓａｒｅｎｏｔｅｆｆｅｃｔｉｖｅｄｕｅｔｏｎｏｉｓｅａｎｄ ｙｇ ｉｎｔｅｒｆｅｒｅｎｃｅ．Ｔｈｉｓｅｓｅａｒｃｈｅｓｃｒｉｂｅｓｉｃｅｎｓｅｌａｔｅｅｃｏｎｉｔｉｏｎ ｒ ｄ ｌ ｐ ｒｇ）ｍｅｔｈｏｄｔｈａｔｃｏｍｂｉｎｅｓａＢＰ（ｂａｃｋｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｒｏａａｔｉｏｎ ｐｐｇｔｅｍｌａｔｅｍａｔｃｈｉｎ．Ｔｈｅｍｅｔｈｏｄｅｍｂｅｄｓｔｅｍｌａｔｅｍａｔｃｈｉｎｉｎｔｈｅ ｐｇｐｇ ｃｏｎｖｅｒｅｎｔｎｅｕｒａｌｎｅｔｗｏｒｋｆｏｒｆｕｒｔｈｅｒｉｄｅｎｔｉｆｉｃａｔｉｏｎ．Ｔｈｅａｌｏｒｉｔｈｍ ｇｇｕｓｅｓａｎｅｆｆｉｃｉｅｎｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｆｏｒｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ ｗｈｉｃｈｅｘｔｒａｃｔｓｏｎｌ２１１ｆｅａｔｕｒｅｓｏｕｔｏｆ８００ｐｉｘｅｌｓ．Ｔｈｅｍｅｔｈｏｄ ｙ ａｃｈｉｅｖｅｓａｈｉｈｒｅｃｏｎｉｔｉｏｎｒａｔｅｏｆ９７．２％ｗｉｔｈｒａｉｄｒｏｃｅｓｓｉｎ ｇｇｐｐｇ
（），０．０２ｓｆｏｒｓｉｎｌｅｃｈａｒａｃｔｅｒａｎｄ０．３９ｓｆｏｒａｎｅｎｔｉｒｅｌｉｃｅｎｓｅｌａｔｅ ｇｐｒｅｓｉｓｔｓｉｎｔｅｒｆｅｒｅｎｃｅａｎｄａｓｔｏｌｅｒａｎｔｔｏｖａｒｉｏｕｓｆａｕｌｔｓ．Ｔｈｅｓｓｔｅｍｃａｎ ｙｂｅａｌｉｅｄｔｏａｃｔｕａｌｔｒａｆｆｉｃｃｏｎｔｒｏｌ． ｐｐ
：；ｌ；ｃＫｅｗｏｒｄｓｔｒａｆｆｉｃｏｎｔｒｏｌｉｃｅｎｓｅｌａｔｅｅｃｏｎｉｔｉｏｎｈａｒａｃｔｅｒ ｃ ｐ ｒｇｙ
具有良Ｋｏｖａｌ等根据神经网络可以学习不利因素、
将神经网络法应好的自学习性和存储知识的能力，
用于识别字符，但网络复杂，需要大量样本，在训练学习后期算法的收敛速度慢，可能出现假饱和现象，即在一定的时间范围内，误差并不随着学习次数的
４］
。２增多而下降［００５年ＰａｎＸｉａｎ ｇ通过设计４种分
类器，使结构识别的过程通过二值化分类，提高了识
５］
。别效率［
６］
，本研究基于一定前处理技术［先通过神经网
络筛选出字符范围，再根据模板匹配精确确定，，整合这２种方法的优势。并提出一种新的适合神经网络结构的特征提取方式，以降低提取特征维度，满足车牌识别准确性、鲁棒性和实时性要求。
收稿日期：２０１２０４２３－－
）基金项目：国家自然科学基金资助项目（５１００８１６９，男（，北京，副教授。作者简介：呙润华（汉）１９７５—）
：Ｅ－ｍａｉｌｕｏｒｈ＠ｍａｉｌ．ｔｓｉｎｈｕａ．ｅｄｕ．ｃｎｇｇ
１ 神经网络与模板匹配联合识别设计
联合识别过程主要包括３个方面：识别前处理、神经网络设计和后续模板匹配设计。１．１ 识别前处理
识别前处理的过程即为车牌单字符的识别提供前期准备，分为定位前处理、车牌定位、字符切割、归
６］
，目的是对实际拍一化和标准化处理这４个过程［
ＢＰ神经网络在理论上能够以任意精度逼近连续非
４］
，线性函数［但前提是网络要足够复杂，同时也需要大量样本，由此不可避免地增大了计算量。因此，合理进行网络设计和各项参数的选取显得尤为重要
。
摄的车牌图像处理为可以导入程序后形成输入矢量和目标矢量的图像。每个过程的具体内容如表１所示。
表１ 车牌识别前处理流程
识别过程定位前处理车牌定位字符切割归一化和标
准化处理
流程操作
灰度处理、二值化、均值滤波处理、膨胀腐蚀处理，去噪声边缘检测定位法，提取颜色灰度信息，避免周围图像干扰
搜寻单个字符边缘，切割外矩形轮廓，排除无效信息
导入程序图像增强处理，
图１ 前馈型网络模型原理示意图
１．２．１ 分类器设计
］，对于普通标准车牌，根据文［待识别的字符８可分为以下３类：汉字、英文字母和阿拉伯数字。本系统设计４类神经网络分类器：汉字网络识别第一个字符，英文字符网络识别第二个字符，英文、数四、五、六个字符，数字网络识字结合网络识别第三、
可以简化神别第七个字符。通过分类识别的方法，经网络的结构，提高处理速度。１．２．２ 库单元尺寸设计
——训练在Ｂ需要产生２类库—Ｐ神经网络中，库和识别库，前者用于对神经网络进行训练，以获得网络中用到的各项参数值，后者用于容纳识别对象。对于每个库需要明确的库单元尺寸。库单元太大，计算工作量太大，浪费内存和时间；库单元太小，不能有效反映出不同字符的特征。
］，字符高度为９根据文［８０ｍｍ，车牌每个字符的宽度为４５ｍｍ，字符的高宽比为２∶１。对于训练（库，选择４高×宽）像素的图像；而对于识别０×２０库，选择高宽比２并不严格要求为４∶１的图片，０像素×２而在程序中归一化为４０像素，０×２０大小。１．２．３ 神经网络特征提取设计
字符统计特征是从原始数据中提取最相关的信
９］
。一般的使类内差距极小化，类间差距极大化［息，
１０］
。本文在进网络特征提取选择向特定方向投影［
１．２ 神经网络设计
神经网络是由大量神经元（处理单元）广泛连接而成的网络，不仅可以通过从外部环境中学习并获而且其内部神经元具有存储知识的能力。取知识，
神经网络可以在外界环境的刺激作用下调整网络自由参数，并以新的方式来响应外部环境。能够从环境中学习并在学习中提高自身性能是神经网络最有意义的性质。常见的复杂环境干扰有拍摄角度造成的几何变形、阴影及光照影响，车速过快或夜间造成的噪声及模糊的抗干扰能力强。
前馈型ＢＰ网络的神经元可以实现输入和输出之间的任意非线性映射。如图１所示的原理示意图，隐含层和输出层组成单向传ＢＰ网络由输入层、播前向网络，相邻层之间的神经元以映射的关系完同一层内的神经元之间无连接。误差反向全相连，
传播（模型是的学习的过程分为正向传播和反ＢＰ）
７］
，向传播［正向传播过程信息从输入层经隐含层传
向输出层。如果没有得到期望输出，则计算输出层将误差信号原路反传，误差变化值并转向反向传播，
以修改各层神经元的权值使之满足要求。网络映射的能力是通过隐节点的权值调整实现，隐层节点可以从样本中提取特征，并存储和学习其内在的规律。
行识别的过程中，针对车牌特点，高效地提出了如图２所示的神经网络字符特征：
总体密度 将车牌字符预处理为４０×２０大小
分段线性特征 对字符的每一行（列）计算分段（）数，得到６维的分段线性特征。０２０＋４０＝６０
（）共得到２个特征１１１＋６０＋５０＋４０＋６０＝２１１向量。该特征向量提取方法能准确地表达不同字符的差别，相对于单纯以像素向量（共４０×２０＝８００个特征向量）为特征的网络训练，大大简化了网络的数据处理量，缩短了识别时间，提高了识别效率。１．２．４ 神经网络构建设计
通过预处理，将提取的字符特征输入神经网络利用测试集测试训练结果。在本神经的训练网络，
网络程序中设计输入神经元１隐层神经元２９２个、５个，输出神经元１个。由于具有多隐层的网络容易
１１］
，使网络运行陷入局部极小值［故采用单隐层网
络。隐节点数量少会导致网络学习信息能力差，隐节点数量多会导致缺乏记忆主要信息的能力，混入大量非规律性的次要信息。隐层节点的个数与训练
１２］
。一的样本数和噪声等多方面的信息综合确定［
般取经验公式：
＋ｍ＋ａ．ｐ＝（）１
其中：ｎ为输入层神经元个数，ｍ为输出层神经元个数，一般取ａ为修正常数，ｐ为隐层神经元个数，１～１００之间的整数。本研究选择隐层神经元
２５个。
取学习率为０．０１，目标误差小于０．０００１，训 练样本取２测试样本取１符合２比１０００个，０００个， 的有效比例。利用Ｍ程序主要参数ａｔｌａｂ进行模拟，
设定如图３。
图２ 神经网络特征提取设计
的图片，提取白像素占总像素的百分比作为字符的第一个特征；
像素统计 分为水平方向和竖直方向，输入图）…，像水平方向投影Ｈ＝｛和竖直ｘ（ｉｉ＝１，２，４０｝｜…，，）方向投影Ｖ＝｛和ｙ（２，２０｝ｘ（ｉ｜ｙ（ｊ）ｊ＝１，ｊ）分别是第ｉ行和第ｊ列黑色像素点的个数，得到６０（）个相互独立的投影特征（程序中预处４０＋２０＝６０；理为百分比）
分块密度 将输入图像分成边长为４像素的小方块，单个字符块包含１通过０行５列这样的小块，计算每一小块的密度（黑色像素点的个数）得到５０个相互独立的分块特征；
左轮廓特征 自左向右扫描字符图像，共扫描计算第一个黑色像素点与左边界的距离，得４０行，到４０维左轮廓特征；
图３ 模拟参数设置
网络学习率的一般有效范围为０．０１～０．８，这
里选择较小值０．０１。虽然小的学习率的训练时间收敛慢，但是能保证误差最终趋于最小值，对维长，
持系统的稳定性具有重要作用。系统随着循环过程达到自适应的学习率，在８０４次循环时当前学习率为０．５６７８８。学习率变化如图４。
图４ ＬＰＲ系统学习率变化图
系统梯度下降反向传播的过程如图５。在８０４次循环时梯度下降为０．００２
。
图７ 循环过程的有效性检验
１３］
。现存的模程序实现，同时存在效率低下的问题［
板匹配识别方法通常会采用一些特殊手段处理该问题，如特征区域模板匹配法，将相似字符划分为多个
１４］
，区域进一步提取特征识别［但这一方法会导致程
降低工作效率。本研究的处理过程可以很序复杂，
好的解决这一问题，由于Ｂ在系统进程中处理为２６，而８处理为８，较远的处理结果可以避免错误
识别。
１．３ 神经网络联合模板匹配设计
在神经网络处理的基础上，进行模板匹配的
图５ 循环过程中梯度下降反向传播图
识别处理。模板匹配技术是一种用相关匹配原理确定的匹配函数进行决策的技术。每个字符有一与待识别字符的点阵距离最小的模板所个模板，
对应的字符即为所求。特征向量的确定同于ＢＰ神经网络的字符特征提取方法，即每个字符向量为２１１维。
模板匹配过程采用形函数：
Ｍ
Ｎ
ｉｊ
神经网络处理后期算法收敛，图６为在学习率设定为０．经过８算法收敛０１的情况下，０４次循环，时目标误差趋于０．０００１
。
，Ｅ（ｉｊ）＝
ｍ＝１ｎ＝１
｜Ｓ
（）ｍ，ｎ）ｍ，ｎ）２－Ｔ（｜．（
ｉｊ（，）其中：Ｓｍｎ为模板字符图像的特征向量，ｉｊ（，）Ｔｍｎ为待识别字符图像的特征向量。其中
、横方向值，ｍ、ｎ分别为模板Ｔ的纵、ｉｊ分别为
模板Ｔ在被搜索图Ｓ中距离原点的纵坐标值和横坐标值。
图６ ＬＰＲ系统程序网络收敛图
设定容许误差为±１．５，由于待识别字符和其相邻字符的差别非常明显，如６和７（间距为＋１，，在第二阶段嵌入模板匹配在容许值＋１．５之内）
１５］，的过程不存在干扰问题。规定Ｅ（阈值［为ｉｊ）
系统处理进程中的有效性检验如图７。在８０４次循环过程中无效数一直为０，系统有效性良好。
本方法的一大优势在于可以区分相似的字符，如Ｂ和８，
这在模板匹配识别方法需要非常复杂的
，大于３，则拒绝识别。原理如３，即如果Ｅ（ｉｊ）
图８。
五星文库wxphp.com包含总结汇报、考试资料、旅游景点、出国留学、党团工作、教学教材、外语学习、专业文献、工作范文、办公文档以及BP神经网络联合模板匹配的车牌识别系统_呙润华 (1)_图文等内容。
本文共2页12
本文关键词：BP神经网络联合模板匹配的车牌识别系统，由笔耕文化传播整理发布。
本文编号：103655
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/103655.html
