本文關鍵詞：BP神經網絡聯(lián)合模板匹配的車牌識別系統(tǒng)，由筆耕文化傳播整理發(fā)布。

清華大學學報（自然科學版）２０１３年第５３卷第９期�。�），１１２２２３Ｎ�。剩裕螅椋睿瑁酰幔眨睿椋觯ǎ樱悖椋Γ裕澹悖瑁睿铮欤玻埃保�，Ｖｏｌ．５３，Ｎｏ．９ＣＮ�。�　　　ｇ／１２６

１２２１２２１－６

ＢＰ神經網絡聯(lián)合模板匹配的車牌識別系統(tǒng)

咼潤華，　蘇婷婷，　馬曉偉

（）清華大學土木工程系，北京１０００８４

摘　要：車牌識別是智能交通系統(tǒng)的重要部分，對實時自動監(jiān)控具有重要的意義。用科學的方法識別字符，同時提高識別準確率是改善車牌識別系統(tǒng)的核心問題。由于采集的車牌圖像會存在噪音和干擾，現(xiàn)有方法存在識別效率低下的問題。本文基于Ｍ聯(lián)合應用Ｂａｔｌａｂ平臺，Ｐ（ｂａｃｋ）神經網絡和模板匹配方法優(yōu)化車牌字符識別ｒｏａａｔｉｏｎｐｐｇ方法，在神經網絡收斂的情況下嵌入模板匹配方法精確識別。針對車牌的特點提出一種高效的神經網絡字符特征提取方法，從單字符的８００個像素特征中僅提�。玻保眰�特征、識別時間短（單字符０．向量。該方法識別率高（９７．２％））、抗干擾和容錯性強。在理論創(chuàng)新的０２ｓ和全車牌０．３９ｓ基礎上設計了Ｌ可應用于實際交ＰＲ２０１１車牌識別系統(tǒng)，　通管制。

關鍵詞：交通管制；車牌識別；字符識別；ＢＰ（ｂａｃｋｒｏａ�。�ｐｐ

）神經網絡；模板匹配；特征提取ａｔｉｏｎｇ

中圖分類號：Ｕ４９１．４　

（）文章編號：１０００００５４２０１３０９１２２１０６－－－

文獻標志碼：Ａ

；Ｂ）ｎ；ｒｅｃｏｎｉｔｉｏｎＰ（ｂａｃｋｒｏａａｔｉｏｎｅｕｒａｌｎｅｔｗｏｒｋ　�。纾穑穑�

；ｔｅｍｌａｔｅｍａｔｃｈｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ　　ｐｇ

車牌識別是計算機視覺與模式識別在智能交通是智能化道路監(jiān)管系統(tǒng)的重要組領域的重要應用，

成部分。超速、占道等不規(guī)范行駛行為的自動監(jiān)控信息需要通過車牌識別系統(tǒng)處理和辨識。車牌識別

１］

。系統(tǒng)的關鍵是字符識別子系統(tǒng)［

中國大陸車牌字符中含一位漢字且漢字結構復識別困難，出錯率高，雜，２００２年張忻中基于模板

２］

。２匹配理論提出相應的漢字識別方法［００３年曾

憲貴等根據車牌的組成字符是有限的這一特點，提取字符特征作為模板進行匹配，有效減少了像素點提高了識別效率，但是模板匹配法對于相似的個數，

字符區(qū)分能力差，同時受制于光線和天氣等復雜情

３］

。２況，在特征數據維數過大時效率較低［００３年

Ｌｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｓｓｔｅｍｕｓｉｎａｌａｔｅ　　　�。穑纾�ｇ　

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｅｍｌａｔｅｍａｔｃｈｉｎ　　　　　ｐｇ

，，ＭＧＵＯＲｕｎｈｕａＳＵＴｉｎｔｉｎＡＸｉａｏｗｅｉ　　�。纾�

（，，ＤｅａｒｔｍｅｎｔｏｆＣｉｖｉｌＥｎｉｎｅｅｒｉｎＴｓｉｎｈｕａＵｎｉｖｅｒｓｉｔ　　　�。穑纾纾纾�

）Ｂｅｉｉｎ１０００８４，Ｃｈｉｎａｊｇ　

：ＡｂｓｔｒａｃｔＬｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｉｓａｎｉｍｏｒｔａｎｔｏｆｉｎｔｅｌｌｉｅｎｔｌａｔｅａｒｔ　　　　　　　�。纾穑纾穑穑簦颍幔睿螅铮颍簦幔簦椋铮睿螅螅簦澹恚螅鳎椋簦瑁颍澹幔簦螅椋睿椋妫椋悖幔睿悖澹妫铮颍颍澹幔欤簦椋恚澹幔酰簦铮恚幔簦椋恪　　　　　。��。穑�ｇｇｒｏａｄｍｏｎｉｔｏｒｉｎ．Ｔｈｅｒｅｃｏｎｉｔｉｏｎａｃｃｕｒａｃｒａｔｅｉｓｔｈｅｃｏｒｅｉｓｓｕｅｏｆ　　　　　　　　ｇｇｙ�。簦瑁澹螅螅簦澹恚�Ｅｘｉｓｔｉｎｍｅｔｈｏｄｓａｒｅｎｏｔｅｆｆｅｃｔｉｖｅｄｕｅｔｏｎｏｉｓｅａｎｄ　　　　　　　�。�ｇ�。椋睿簦澹颍妫澹颍澹睿悖澹�Ｔｈｉｓｅｓｅａｒｃｈｅｓｃｒｉｂｅｓｉｃｅｎｓｅｌａｔｅｅｃｏｎｉｔｉｏｎ　ｒ�。洹。臁。稹。颍纾�ｍｅｔｈｏｄｔｈａｔｃｏｍｂｉｎｅｓａＢＰ（ｂａｃｋｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｒｏａａｔｉｏｎ　　　　　　�。穑穑纾簦澹恚欤幔簦澹恚幔簦悖瑁椋睿�Ｔｈｅｍｅｔｈｏｄｅｍｂｅｄｓｔｅｍｌａｔｅｍａｔｃｈｉｎｉｎｔｈｅ　　　　　�。穑纾穑纭。悖铮睿觯澹颍澹睿簦睿澹酰颍幔欤睿澹簦鳎铮颍耄妫铮颍妫酰颍簦瑁澹颍椋洌澹睿簦椋妫椋悖幔簦椋铮睿�Ｔｈｅａｌｏｒｉｔｈｍ　　　　　�。纾纾酰螅澹螅幔睿澹妫妫椋悖椋澹睿簦妫澹幔簦酰颍澹澹�ｔｒａｃｔｉｏｎｍｅｔｈｏｄｆｏｒｔｈｅｎｅｕｒａｌｎｅｔｗｏｒｋ　　　　　　　　�。鳎瑁椋悖瑁澹�ｔｒａｃｔｓｏｎｌ２１１ｆｅａｔｕｒｅｓｏｕｔｏｆ８００ｐｉｘｅｌｓ．Ｔｈｅｍｅｔｈｏｄ　　　　　　ｙ�。幔悖瑁椋澹觯澹螅幔瑁椋瑁颍澹悖铮睿椋簦椋铮睿颍幔簦澹铮妫梗罚�２％ｗｉｔｈｒａｉｄｒｏｃｅｓｓｉｎ　　　　　　　�。纾纾穑穑�

（），０．０２ｓｆｏｒｓｉｎｌｅｃｈａｒａｃｔｅｒａｎｄ０．３９ｓｆｏｒａｎｅｎｔｉｒｅｌｉｃｅｎｓｅｌａｔｅ　　　　　　　�。纾穑颍澹螅椋螅簦螅椋睿簦澹颍妫澹颍澹睿悖澹幔睿洌幔螅簦铮欤澹颍幔睿簦簦铮觯幔颍椋铮酰螅妫幔酰欤簦螅�Ｔｈｅｓｓｔｅｍｃａｎ　　　　　　　　　ｙｂｅａｌｉｅｄｔｏａｃｔｕａｌｔｒａｆｆｉｃｃｏｎｔｒｏｌ．　　　　�。穑�

：；ｌ；ｃＫｅｗｏｒｄｓｔｒａｆｆｉｃｏｎｔｒｏｌｉｃｅｎｓｅｌａｔｅｅｃｏｎｉｔｉｏｎｈａｒａｃｔｅｒ�。恪。稹。颍纾�　

具有良Ｋｏｖａｌ等根據神經網絡可以學習不利因素、

將神經網絡法應好的自學習性和存儲知識的能力，

用于識別字符，但網絡復雜，需要大量樣本，在訓練學習后期算法的收斂速度慢，可能出現(xiàn)假飽和現(xiàn)象，即在一定的時間范圍內，誤差并不隨著學習次數的

４］

。２增多而下降［００５年ＰａｎＸｉａｎ�。缤ㄟ^設計４種分

類器，使結構識別的過程通過二值化分類，提高了識

５］

。別效率［

６］

，本研究基于一定前處理技術［先通過神經網

絡篩選出字符范圍，再根據模板匹配精確確定，，整合這２種方法的優(yōu)勢。并提出一種新的適合神經網絡結構的特征提取方式，以降低提取特征維度，滿足車牌識別準確性、魯棒性和實時性要求。

收稿日期：２０１２０４２３－－

）基金項目：國家自然科學基金資助項目（５１００８１６９，男（，北京，副教授。作者簡介：咼潤華（漢）１９７５—）

：Ｅ－ｍａｉｌｕｏｒｈ＠ｍａｉｌ．ｔｓｉｎｈｕａ．ｅｄｕ．ｃｎｇｇ

１　神經網絡與模板匹配聯(lián)合識別設計

聯(lián)合識別過程主要包括３個方面：識別前處理、神經網絡設計和后續(xù)模板匹配設計。１．１　識別前處理

識別前處理的過程即為車牌單字符的識別提供前期準備，分為定位前處理、車牌定位、字符切割、歸

６］

，目的是對實際拍一化和標準化處理這４個過程［

ＢＰ神經網絡在理論上能夠以任意精度逼近連續(xù)非

４］

，線性函數［但前提是網絡要足夠復雜，同時也需要大量樣本，由此不可避免地增大了計算量。因此，合理進行網絡設計和各項參數的選取顯得尤為重要

。

攝的車牌圖像處理為可以導入程序后形成輸入矢量和目標矢量的圖像。每個過程的具體內容如表１所示。

表１　車牌識別前處理流程

識別過程定位前處理車牌定位字符切割歸一化和標

準化處理

流程操作

灰度處理、二值化、均值濾波處理、膨脹腐蝕處理，去噪聲邊緣檢測定位法，提取顏色灰度信息，避免周圍圖像干擾

搜尋單個字符邊緣，切割外矩形輪廓，排除無效信息

導入程序圖像增強處理，

圖１　前饋型網絡模型原理示意圖

１．２．１　分類器設計

］，對于普通標準車牌，根據文［待識別的字符８可分為以下３類：漢字、英文字母和阿拉伯數字。本系統(tǒng)設計４類神經網絡分類器：漢字網絡識別第一個字符，英文字符網絡識別第二個字符，英文、數四、五、六個字符，數字網絡識字結合網絡識別第三、

可以簡化神別第七個字符。通過分類識別的方法，經網絡的結構，提高處理速度。１．２．２　庫單元尺寸設計

——訓練在Ｂ需要產生２類庫—Ｐ神經網絡中，庫和識別庫，前者用于對神經網絡進行訓練，以獲得網絡中用到的各項參數值，后者用于容納識別對象。對于每個庫需要明確的庫單元尺寸。庫單元太大，計算工作量太大，浪費內存和時間；庫單元太小，不能有效反映出不同字符的特征。

］，字符高度為９根據文［８０ｍｍ，車牌每個字符的寬度為４５ｍｍ，字符的高寬比為２∶１。對于訓練（庫，選擇４高×寬）像素的圖像；而對于識別０×２０庫，選擇高寬比２并不嚴格要求為４∶１的圖片，０像素×２而在程序中歸一化為４０像素，０×２０大小。１．２．３　神經網絡特征提取設計

字符統(tǒng)計特征是從原始數據中提取最相關的信

９］

。一般的使類內差距極小化，類間差距極大化［息，

１０］

。本文在進網絡特征提取選擇向特定方向投影［

１．２　神經網絡設計

神經網絡是由大量神經元（處理單元）廣泛連接而成的網絡，不僅可以通過從外部環(huán)境中學習并獲而且其內部神經元具有存儲知識的能力。取知識，

神經網絡可以在外界環(huán)境的刺激作用下調整網絡自由參數，并以新的方式來響應外部環(huán)境。能夠從環(huán)境中學習并在學習中提高自身性能是神經網絡最有意義的性質。常見的復雜環(huán)境干擾有拍攝角度造成的幾何變形、陰影及光照影響，車速過快或夜間造成的噪聲及模糊的抗干擾能力強。

前饋型ＢＰ網絡的神經元可以實現(xiàn)輸入和輸出之間的任意非線性映射。如圖１所示的原理示意圖，隱含層和輸出層組成單向傳ＢＰ網絡由輸入層、播前向網絡，相鄰層之間的神經元以映射的關系完同一層內的神經元之間無連接。誤差反向全相連，

傳播（模型是的學習的過程分為正向傳播和反ＢＰ）

７］

，向傳播［正向傳播過程信息從輸入層經隱含層傳

向輸出層。如果沒有得到期望輸出，則計算輸出層將誤差信號原路反傳，誤差變化值并轉向反向傳播，

以修改各層神經元的權值使之滿足要求。網絡映射的能力是通過隱節(jié)點的權值調整實現(xiàn)，隱層節(jié)點可以從樣本中提取特征，并存儲和學習其內在的規(guī)律。

行識別的過程中，針對車牌特點，高效地提出了如圖２所示的神經網絡字符特征：

總體密度　將車牌字符預處理為４０×２０大小

分段線性特征　對字符的每一行（列）計算分段（）數，得到６維的分段線性特征。０２０＋４０＝６０

（）共得到２個特征１１１＋６０＋５０＋４０＋６０＝２１１向量。該特征向量提取方法能準確地表達不同字符的差別，相對于單純以像素向量（共４０×２０＝８００個特征向量）為特征的網絡訓練，大大簡化了網絡的數據處理量，縮短了識別時間，提高了識別效率。１．２．４　神經網絡構建設計

通過預處理，將提取的字符特征輸入神經網絡利用測試集測試訓練結果。在本神經的訓練網絡，

網絡程序中設計輸入神經元１隱層神經元２９２個、５個，輸出神經元１個。由于具有多隱層的網絡容易

１１］

，使網絡運行陷入局部極小值［故采用單隱層網

絡。隱節(jié)點數量少會導致網絡學習信息能力差，隱節(jié)點數量多會導致缺乏記憶主要信息的能力，混入大量非規(guī)律性的次要信息。隱層節(jié)點的個數與訓練

１２］

。一的樣本數和噪聲等多方面的信息綜合確定［

般取經驗公式：

＋ｍ＋ａ．ｐ＝（）１

其中：ｎ為輸入層神經元個數，ｍ為輸出層神經元個數，一般�。釣樾拚�常數，ｐ為隱層神經元個數，１～１００之間的整數。本研究選擇隱層神經元

２５個。

取學習率為０．０１，目標誤差小于０．０００１，訓　練樣本�。矞y試樣本�。狈�合２比１０００個，０００個，　　的有效比例。利用Ｍ程序主要參數ａｔｌａｂ進行模擬，

設定如圖３。

圖２　神經網絡特征提取設計

的圖片，提取白像素占總像素的百分比作為字符的第一個特征；

像素統(tǒng)計　分為水平方向和豎直方向，輸入圖）…，像水平方向投影Ｈ＝｛和豎直ｘ（ｉｉ＝１，２，４０｝｜…，，）方向投影Ｖ＝｛和ｙ（２，２０｝ｘ（ｉ｜ｙ（ｊ）ｊ＝１，ｊ）分別是第ｉ行和第ｊ列黑色像素點的個數，得到６０（）個相互獨立的投影特征（程序中預處４０＋２０＝６０；理為百分比）

分塊密度　將輸入圖像分成邊長為４像素的小方塊，單個字符塊包含１通過０行５列這樣的小塊，計算每一小塊的密度（黑色像素點的個數）得到５０個相互獨立的分塊特征；

左輪廓特征　自左向右掃描字符圖像，共掃描計算第一個黑色像素點與左邊界的距離，得４０行，到４０維左輪廓特征；

圖３　模擬參數設置

網絡學習率的一般有效范圍為０．０１～０．８，這

里選擇較小值０．０１。雖然小的學習率的訓練時間收斂慢，但是能保證誤差最終趨于最小值，對維長，

持系統(tǒng)的穩(wěn)定性具有重要作用。系統(tǒng)隨著循環(huán)過程達到自適應的學習率，在８０４次循環(huán)時當前學習率為０．５６７８８。學習率變化如圖４�！�

圖４�。蹋校蚁到y(tǒng)學習率變化圖

系統(tǒng)梯度下降反向傳播的過程如圖５。在８０４次循環(huán)時梯度下降為０．００２

。

圖７　循環(huán)過程的有效性檢驗

１３］

�，F(xiàn)存的模程序實現(xiàn)，同時存在效率低下的問題［

板匹配識別方法通常會采用一些特殊手段處理該問題，如特征區(qū)域模板匹配法，將相似字符劃分為多個

１４］

，區(qū)域進一步提取特征識別［但這一方法會導致程

降低工作效率。本研究的處理過程可以很序復雜，

好的解決這一問題，由于Ｂ在系統(tǒng)進程中處理為２６，而８處理為８，較遠的處理結果可以避免錯誤

識別。

１．３　神經網絡聯(lián)合模板匹配設計

在神經網絡處理的基礎上，進行模板匹配的

圖５　循環(huán)過程中梯度下降反向傳播圖

識別處理。模板匹配技術是一種用相關匹配原理確定的匹配函數進行決策的技術。每個字符有一與待識別字符的點陣距離最小的模板所個模板，

對應的字符即為所求。特征向量的確定同于ＢＰ神經網絡的字符特征提取方法，即每個字符向量為２１１維。

模板匹配過程采用形函數：

Ｍ

Ｎ

ｉｊ

神經網絡處理后期算法收斂，圖６為在學習率設定為０．經過８算法收斂０１的情況下，０４次循環(huán)，時目標誤差趨于０．０００１

�！�

，Ｅ（ｉｊ）＝

ｍ＝１ｎ＝１

�丢叮�Ｓ

（）ｍ，ｎ）ｍ，ｎ）２－Ｔ（｜．（

ｉｊ（，）其中：Ｓｍｎ為模板字符圖像的特征向量，ｉｊ（，）Ｔｍｎ為待識別字符圖像的特征向量。其中

、橫方向值，ｍ、ｎ分別為模板Ｔ的縱、ｉｊ分別為

模板Ｔ在被搜索圖Ｓ中距離原點的縱坐標值和橫坐標值。

圖６�。蹋校蚁到y(tǒng)程序網絡收斂圖

設定容許誤差為±１．５，由于待識別字符和其相鄰字符的差別非常明顯，如６和７（間距為＋１，，在第二階段嵌入模板匹配在容許值＋１．５之內）

１５］，的過程不存在干擾問題。規(guī)定Ｅ（閾值［為ｉｊ）

系統(tǒng)處理進程中的有效性檢驗如圖７。在８０４次循環(huán)過程中無效數一直為０，系統(tǒng)有效性良好。

本方法的一大優(yōu)勢在于可以區(qū)分相似的字符，如Ｂ和８，

這在模板匹配識別方法需要非常復雜的

，大于３，則拒絕識別。原理如３，即如果Ｅ（ｉｊ）

圖８。

五星文庫wxphp.com包含總結匯報、考試資料、旅游景點、出國留學、黨團工作、教學教材、外語學習、專業(yè)文獻、工作范文、辦公文檔以及BP神經網絡聯(lián)合模板匹配的車牌識別系統(tǒng)_咼潤華 (1)_圖文等內容。

本文共2頁12

  本文關鍵詞：BP神經網絡聯(lián)合模板匹配的車牌識別系統(tǒng)，由筆耕文化傳播整理發(fā)布。

本文編號：103655