（计算机应用技术专业论文）车牌识别系统的设计与开发.pdf

车牌识别系统的设计与开发摘要 论文题目 专 业 硕士生 指导教师 车牌识别系统的设计与开发 计算机应用技术 黄海琪 朝红阳教授 摘要 车牌识别是智能交通系统 i t s 的重要组成部分 本文以汽车牌照自动识 别技术作为研究背景 以静态车辆图像为主要对象 深入研究了计算机图像处理 人工智能 模式识别等背景知识 探索了用数字图像知识处理车牌识别的方法 本文主要针对车牌自动识别系统涉及到的一些关键技术进行了研究 重点探 讨了在较为复杂背景下的车牌定位 倾斜校正 字符分割以及神经网络识别字符 的算法 在车牌定位方面 本文根据s c w s 1 i d i n gc o n c e n t r i cw i n d o w s 方法和数 学形态学方法提出了一种新的车牌定位方法 与其它方法相比 该方法对车牌在 图像中的位置 拍摄的角度 距离 光照 车牌的背景没有太严格的限制 并能 一次定位出图像中的多幅车牌 另外 算法的处理时间也满足实时性要求 基于 该方法写成的论文已被i e e ei n t e r n a t i o n a lc o n f e r e n c eo nf u z z ys y s t 鲫a n d k n o w l e d g ed is c o v e r y2 0 0 8 接收 在车牌字符的分割方面 本系统使用了有效的方法进行车牌倾斜矫正 图像 的二值化操作以及噪音的消除 并通过对车牌的灰度投影图的分析有效准确地把 车牌字符分割出来 而在车牌字符识别上 本系统采用了b p b a c kp r o p a g a t i o n 神经网络做识 别 通过了在输入特征 网络结构 训练样本上的学习与实验 在识别上取得了 不错的效果 本文用了1 2 0 幅实地拍摄的图片作实验 通过实验表明 该系统能有效地识 别复杂背景中的车牌 识别成功率达到8 0 以上 关键词 车牌定位 车牌识别 s c w 数学形态学 车牌识别系统的设计与开发摘要 论文题目 专 业 硕士生 指导教师 车牌识别系统的设计与开发 计算机应用技术 黄海琪 朝红阳教授 摘要 车牌识别是智能交通系统 i t s 的重要组成部分 本文以汽车牌照自动识 别技术作为研究背景 以静态车辆图像为主要对象 深入研究了计算机图像处理 人工智能 模式识别等背景知识 探索了用数字图像知识处理车牌识别的方法 本文主要针对车牌自动识别系统涉及到的一些关键技术进行了研究 重点探 讨了在较为复杂背景下的车牌定位 倾斜校正 字符分割以及神经网络识别字符 的算法 在车牌定位方面 本文根据s c w s 1 i d i n gc o n c e n t r i cw i n d o w s 方法和数 学形态学方法提出了一种新的车牌定位方法 与其它方法相比 该方法对车牌在 图像中的位置 拍摄的角度 距离 光照 车牌的背景没有太严格的限制 并能 一次定位出图像中的多幅车牌 另外 算法的处理时间也满足实时性要求 基于 该方法写成的论文已被i e e ei n t e r n a t i o n a lc o n f e r e n c eo nf u z z ys y s t 鲫a n d k n o w l e d g ed is c o v e r y2 0 0 8 接收 在车牌字符的分割方面 本系统使用了有效的方法进行车牌倾斜矫正 图像 的二值化操作以及噪音的消除 并通过对车牌的灰度投影图的分析有效准确地把 车牌字符分割出来 而在车牌字符识别上 本系统采用了b p b a c kp r o p a g a t i o n 神经网络做识 别 通过了在输入特征 网络结构 训练样本上的学习与实验 在识别上取得了 不错的效果 本文用了1 2 0 幅实地拍摄的图片作实验 通过实验表明 该系统能有效地识 别复杂背景中的车牌 识别成功率达到8 0 以上 关键词 车牌定位 车牌识别 s c w 数学形态学 论文原创性声明 本人郑重声明 所呈交的学位论文 是本人在导师的指导下 独立进行研究 工作所取得的成果 除文中已经注明引用的内容外 本论文不包含任何其他个人 或集体已经发表或撰写过的作品成果 对本文的研究作出重要贡献的个人和集 体 均已在文中以明确方式标明 本人完全意识到本声明的法律结果由本人承担 学位论文作者签名 荔邃彰 日期 2 0 0 8 年5 月8 日 学位论文使用授权声明 本人完全了解中山大学有关保留 使用学位论文的规定 即 学校有权保留 学位论文并向国家主管部门或其指定机构送交论文的电子版和纸质版 有权将学 位论文用于非赢利目的的少量复制并允许论文进入学校图书馆 院系资料室被查 阅 有权将学位论文的内容编入有关数据库进行检索 可以采用复印 缩印或其 他方法保存学位论文 学位论文作者签名 荔逝彩毒 日期 2 0 0 8 年5 月8 日 导师签名 日期 2 0 0 8 年 伽 知堋 分月柏钥 车牌识别系统的设计与开发第1 章引言 第1 章引言 1 1课题背景及意义 随着经济的发展 汽车已经逐渐地进入大多数人的家庭 使人们的出行更加 方便 但是汽车数量的急剧增加也严重加大了城市交通的负担 城市交通的拥挤 和堵塞引起人们的很多不满 如何有效地进行交通管理 越来越成为各国政府和 有关部门所关注的焦点问题 针对交通迅速发展所引起的一系列问题 欧美国家 首先提出了智能交通系统 i t s 这一概念 期望以信息技术来解决交通管理中 的问题 自这一方法提出以来 获得了很大的发展 各国政府也纷纷制定本国的 智能交通系统发展战略 目前智能交通系统已成为世界交通二十一世纪的重要发 展方向 1 随着近年城市交通智能化的深入 智能交通系统正向系统化方向发 展 目前的i t s 系统不再是简单的车辆处理系统 而是涵盖道路监控 车辆记录 违章处理 高 快速路管理 智能停车管理等多个方面的综合化系统 作为核心技术之一 车辆牌照识别 h c e n s ep l a t er c c o g 磕i o n l p r 技术是 公安执法系统 高速公路自动收费系统 城市道路监控系统 智能停车场管理系 统等诸多i t s 相关应用系统的重要一环 可以大大简化人的劳动 消除人为干扰 减少乃至杜绝出错的可能 相对于射频信号识别和条形码识别技术 有两大优点 1 不需要在汽车上安装专门的条形码或射频识别标识 2 l p r 系统本身是 基于视频技术的识别系统 可方便地进行图像回放 检索 1 目前 车牌识别技术的用途主要有以下五个方面 1 1 城市交通 交通路口流量统计 智能交通违章监摄管理 电子警察 2 高速公路 自动收费 自动车辆登记 违章记录 3 公安系统 肇事 失窃 犯罪车辆监测 4 军事要塞 机关 宾馆 车辆自动化管理 5 停车场及居民小区 进出车辆管理 自动计费 车牌识别系统的设计与开发第1 章引言 1 3研究内容 图卜2 车牌识别流程 智能交通系统是当今研究的热门方向 而车牌识别系统作为当中的核心技术 也引起学者的广泛研究 本文的主要贡献在于提出了一种新的有效的车牌定位方 法 该方法针对于文章 2 中所提出的用s c w s l i d i n gc o n c e n t r i cw i n d o w s 算法定位车牌的方法 提出了自己的改进意见 经过改进后的方法不仅处理速度 有了明显提升 而且定位的效果也比原方法要好 与其它方法相比 该方法对车 牌在图像中的位置 拍摄的角度 距离 光照 车牌的背景等没有太严格的限制 并能一次定位出图像中的多幅车牌 另外 算法的处理时间也满足实时性要求 基于该方法所写的一篇论文 a ne f f i c i e n tm e t h o do f1 i c e n s ep l a t e1 0 c a t i o n inn a t u r a l 一s c e n ei m a g e 已被i e e ei n t e r n a ti o n a lc o n f e r e n c eo nf u z z ys y s t e m a n dk n o w l e d g ed is c o v e r y2 0 0 8 接收 为了实现一个完整的系统 除了车牌定位方法外 本文还深入研究了倾斜校 正 字符分割以及神经网络识别字符的算法 并找到一种有效的方法对定位出来 的车牌做识别 识别的准确率达到8 0 以上 本文的工作主要包括 1 结合了s c w 方法和数学形态学方法提出了一种新的快速有效的车牌定位 方法 2 根据实际需要 提出了有效的倾斜度矫正和字符分割算法 3 详细学习了b p b a c kp r o p a g a t i o n 神经网络 并把它成功应用到字符识 3 车牌识别系统的设计与开发第1 章引言 别上 4 在v c 环境中实现上述算法 1 4本文结构 本文第2 章综述了当前已有文献中所提出的一些主要的车牌定位方法 字符 分割方法以及字符识别方法 第3 章研究并提出了一种新的有效的车牌定位方法 第4 章则介绍了本系统中所用到的字符分割方法以及字符识别方法 第5 章是总结和展望 4 车牌识别系统的设计与开发第2 章车牌识别方法综述 第2 章车牌识别方法综述 本章分别从车牌识别算法的三个主要部分 车牌定位 字符分割和字符识别 来对当前车牌识别方法的国内外研究现状作一个综合性的整理和描述 并对各类 方法进行了分析比较 2 1 车牌定位方法 车牌识别系统主要包括车牌定位 字符分割和字符识别三个部分 车牌定位 作为车牌识别系统中第一步和最重要一步 引起很多学者对它进行研究 目前车 牌定位的算法主要是根据车牌区域的纹理特征或颜色特征来对车牌进行定位 按 照它们处理图像的种类不同可将这些方法分为基于灰度图像的车牌定位方法和 基于彩色图像的车牌定位方法两种 目前大多数的算法都是基于灰度图像 原因 是灰度图像的处理比较简单 基于灰度图像的处理算法较多且比较成熟 而彩色 图像不仅表示比较困难而且容易受光线作用影响造成色彩的改变 针对彩色图像 的车牌识别以前很少有人问津 但彩色图像由于包含着丰富的图像信息 近年来 也引起一些学者的注意 实验表明也是可行的 在基于灰度图像的车牌定位方法中 大部分是根据车牌的纹理特征来对车牌 进行定位 但是也有是根据车牌的频率特征来对车牌进行定位的 对于车牌定位 方法一个简单的分类可参见图2 1 所示 在针对车牌纹理特征的方法中 我们还 可以把它分为基于边的方法 基于区域的方法和基于模板匹配的方法三种 本系 统所提出的车牌定位方法可归类于基于区域的方法 但同时也运用了车牌的颜色 信息 5 车牌识别系统的设计与开发第2 章午牌识别方法综述 图2 1 车牌定位方法的分类 2 1 1 基于灰度图像的车牌定位 2 1 1 1 基于边的方法 车牌的纹理特征是 车牌区域内含有高度相等的多个字符 边缘丰富 纹理 规则且集中在一个矩形区域 穿过车牌的水平直线 其灰度呈现连续的峰一谷一 峰分布 针对于车牌的这种纹理特征 一种方法是基于边的方法 通过确定车牌 的上下与左右边界来定位出车牌 在文章 3 1 中 作者通过隔行扫描图像来确定车牌的区域 在扫描图像时 计 算边的条数 当边的条数大于设定的闽值时 表明车牌区域很有可能在这个地方 如果第一次扫描没有找到车牌 则把阈值调低重复地扫描自至找到车牌为止 这 种方法由于只需扫描某些行 所以它的运行的速度很快 但该方法对于背景图像 比较复杂的图像则显得过于简单 因为背景中的线条可能比车牌的线条更多 同 时 该方法对于车牌的大小和拍摄的距离也有严格的限制 文章 4 则是利用图 6 车牌识别系统的设计与开发第2 章车牌识别方法综述 像的水平和垂直直方图来定位车牌区域 作者发现车牌区域在直方图中往往比背 景突出 通过分析图像的直方图可以很快地定位出车牌区域 但这种方法对于复 杂背景图像同样显得过为简单 不能把背景中同样具有高边缘特征的区域区分开 来 2 1 1 2 基于区域的方法 基于区域的方法是当前用得最多的方法 该类方法对本文提出的车牌定位方 法影响也最大 在这些方法中 文章 5 使用s o b e l 算子提取图像的垂直边缘 然 后通过数学形态学的方法把这些垂直边缘连接成区域 最后从这些区域中定位出 车牌 作者还提到从低分辨率的图像开始识别 然后逐渐提高图像的分辨率直至 最终定位出车牌 这样做可以大大地降低定位所用时间 在文章 6 中 作者对图像进行了四次二值化操作 每次二值化都是对图像分 块去取阈值 其阈值的计算为 r m c 2 1 其中 m 为n 宰n 大小区域的灰度均值 而c 为一参数 每次二值化所用的n 和c 的值都不同 不像之前方法 该方法不对二值化后的图像作数学膨胀操作 而是 直接寻找字符区域 寻找出字符区域后 构造一个矩形把这些字符框起来 当框 起来的区域其字符间隔 字符数目 重叠区域 角度都符合车牌的特征时认为该 区域就是车牌区域 在文章 2 中 提出一种鲁棒性更好的方法 作者根据车牌 区域的纹理特征比其他区域明显的特点 提出一种s c w 的方法 该方法是用一 大 一小两个矩形对图像进行扫描 当外面较大矩形区域的灰度均值与里面较小 矩形区域的灰度均值的比值小于一个固定闽值时 两个矩形中间点的灰度值设为 1 否则设为o 然后用得到的图像与原图像作 与 操作 再对操作后图像作 二值化 经过这些处理后车牌区域由于具有丰富的纹理特征被连成了一个区域 然后对整幅图画作连通域分析 筛选出车牌的区域 筛选的方法使用了宽高比 角度以及连通域的欧拉点数作为车牌的特征 如果筛选出车牌区域数目为零则把 原图像的灰度值反转 再重复进行一次操作 这种方法不仅适用于不同距离 不 同角度 不同大小的图像 而且可以同时定位出一幅图像中的多块车牌 但这种 7 车牌识别系统的设计与开发第2 章 乍牌识别方法综述 方法处理速度较慢 本系统所提出的车牌定位方法主要是对该方法的改进 2 1 1 3 基于模板的方法 基于模板匹配的方法也被应用到车牌定位中 m i c h a c o n 等在文章 7 提出 一种基于模板匹配的方法 它的方法是是建立在一定的特定条件下的 就是大量 样本在同一位置 同一摄像机 同一角度拍摄的停靠位置是大致相同的 在这种 条件下 图像中相同位置的车牌宽度是大体一致的 仅因为车头的长度不同而略 有误差 且该宽度是与图像中高度的变化成正比 根据这一特征 作者以图像 的高度确定车牌模板的宽度范围 以模板宽度为单位从下往上扫描图像每一行 计算该模板内灰度变化大于设定阈值的震荡点的数目 当有连续多行的灰度震荡 点数目明显大于其它行时 认为该区域就是车牌区域的上下边界 而模板宽度内 的投影值总和最大的区域则为车牌区域的左右边界 kkl i m 等 8 1 提出的基于 模板匹配的方法是 首先对图像进行灰度拉伸 使图像上下边缘更加凸显 车牌 区域的笔画特征更明显 然后对图像进行边缘检测 最后用用已知的模板扫描图 像 并和原图像中同样大小的一块区域去匹配 匹配所用特征的是模板里前后相 邻两个像素点灰度误差的绝对值的累加和 当这个和为最大时该区域就是车牌所 在区域 在 9 1 中 作者首先对图像进行增强 然后利用s o b e l 算子提取出垂直边 缘 这时图像中会存在比较多的噪音 需要去除长度不合要求的边 最后 作者 以一个比车牌区域略大的矩形从上到下 从左到右扫描图像 计算出现在矩形中 的边数 如果该数目大于一个阈值 则认为该矩形为可能的车牌区域 当图像分 辨率很高时 基于模板匹配的搜索空间会变得很大 这时可以利用遗传算法来加 速搜索 在 1 0 中 ga d o m i 等利用遗传算法来进行模板匹配也取得很好的定位 成功率 他们的方法是 对图像进行预处理以及二值化操作 然后用遗传算法来 对车牌位置进行搜索 作者使用的遗传算法的编码采用像素点位置的二维实数编 码 适应度函数选用待定区域的纹理特征向量与车牌的纹理特征向量的差值 文 中采用多尺度的滤波技术来计算图像的纹理特征向量 首先用三个一维滤波器提 取图像的纹理特征 这三个一维滤波器的设计如公式 2 2 到公式 2 4 所示 l 1 1 o 1 l 2 一1 1 1 1 2 8 2 2 2 3 车牌识别系统的设计与开发第2 章乍牌识别方法综述 的颜色特征是 车牌底色和字符具有特定的颜色 而且颜色的对比和变化也很明 显 根据车牌的这种特征 李文举 梁德群等提出一种基于边缘颜色对的车牌定 位方法 1 3 该方法首先对图像进行彩色边缘检测 检测的方法是以p x y 为中 心取一个 2s 1 2s 1 的窗口 其中 s 为大于等于1 的整数 在窗口内过 p x y 做一与垂直方向所成夹角为b o b 丌 的线段l 并将窗口划分为w 1 和w 2 两部分 计算这两部分的平均色彩函数值 计算的方法如公式 2 5 到 2 7 所示 气 砖缸专弘专扣哏 仁5 同理 k t 专誊r 毗 专耋g 屹 专萋b 心卜怛m g m 口屹 2 6 定义w 1 和w 2 之间的平均色彩距离 d 一 氏一 2 瓯一吼 2 氓一 2 2 7 1 当这个值大于一个阈值时 该点被认为是一个边缘像素点 得到边缘图像后 求 取边缘点上的边缘颜色对 颜色的确定是通过b p 神经网络来判断 通过边缘颜 色对可以去除边缘图像中非车牌区域的绝大多数的边缘 接着使用数学形态学的 闭操作把边缘膨胀成连通区域 利用车牌的形状特征剔除不合适的区域即得到车 牌所在的区域 在 1 4 中 作者同样利用了图像的颜色边缘信息 它进行颜色边 缘提取的方法要简单很多 首先把像素点的r g b 值单位化 r 刚2 5 5 g g 尼5 5 b b 2 5 5 然后作者观察到黑色与白色的边界点其相邻点相减的值只能为 f 1 1 1 或 一1 一1 1 即它们的符号都相同 最后通过计算相邻点的差值 如果它 们符号都相同时认为是黑色和白色的边界 红色和白色边界的确定必须满足以下 条件 1 它们的符号都相同 2 r b 且 f g r 为红色分量的差值 b 为绿色分量的差值 b 为蓝色分量的差值 类似的 绿色和白色边界也必 须满足以下条件 是必须满足以下条件 1 它们的符号都相同 2 g r 且 g 0a n db g 2 1 3 同理 把黄色定义为 佬l l o wi st r u ei fr g 一2 b 6 0 这里 r g b 分别为像素点的红色 2 1 4 绿色和蓝色分量 这种定义颜色的方法 虽然简单 但确定颜色的效果很好且处理的速度极快 所以本文提出的方法中也 采用了这样一种定义颜色的方法 在文章 1 6 中 作者使用了与 1 5 类似的方法 不过该文章对颜色的定义不像 1 5 这么简单 它首先把r g b 图像转化为h s i 图 车牌识别系统的设计与开发第2 章车牌识别方法综述 像 转化的方法是 一 g 6 3 s 1 3 里型 墨 尘 g d 但 1 5 h a 圮 s i i 笔与手兰喘 当g o 龇l db g 3 5 同理 采用公式3 6 定义黄色 1 娓u o wi s 仃u ei f r g 一2 b 6 0 3 6 这里 r g b 分别为像素点的红色 绿色和蓝色分量 接下来我们需要把之前定位出来的区域映射回原来高分辨率的彩色图像中 映射的方法是 耐百m 峨c t 1 e r 删 1 e f t 耐酉l l a l w i d 吐l 舢拙 3 7 o r i g i 舰瓜e c t 啦m 删 r i g h t o r i 酉n a l 聃d t b 删d m 3 8 o f i 昏n a 瓜e c t 白0 p r e c t t o p o r i 百舰m e i 西l t h e i 出 3 9 o r i g i n a l r e c t b o t t o m r e c t b o t t o i n o r i 百m m e i 西l 坩e i g h t 3 一lo 这里 o r i 舀i l a l r e c t 是映射回原来高分辨率的彩色图像中的坐标 l e r r i 出 协p b o t t o m 分别是左边界 右边界 上边界和底边界 r e c t 是之前定位的区域 的坐标 o r i 百l 谢w i d t l l 耐西豫l h e i g h t 分别是原来高分辨率的彩色图像的宽度和 高度 w i d 血 h e i g h t 分别是低分辨率灰度图像的宽度和高度 在经过映射后的区域中寻找用上面方法定义的蓝色或黄色构成的区域 如果 该区域符合车牌的结构特征 如高度h 在4 0 到1 6 0 之间 宽度w 在8 0 到2 0 0 车牌识别系统的设计与开发 第3 章本文提出的车牌定位方法 之间 宽高比w m 在2 到5 之间 倾斜度k 在2 到6 之间 这块区域就是车牌 所在区域 接下来所要做的就是利用所得位置信息把该区域提取出来做下一步的 处理 图3 1 1 是车牌定位后的结果 3 4实验结果 本文用了1 2 0 幅图片做测试 这些图片有些是从网上下载的 但大部分是笔 者实地拍摄的 这些图片的背景 拍摄距离 光照等都没有太严格的控制 图 3 1 l 是对两幅光照 拍摄角度不同的图片的定位结果 表3 2 是对1 2 0 幅实验 图片做测试得出的实验结果 图3 1 1 不同光照 拍摄角度下得出的定位结果 车牌识别系统的设计与开发第3 章本文提出的车牌定位方法 表3 2 车牌定位结果 定位准确定位错误 检测的图像数 1 1 19 百分比 9 2 5 7 5 由于本文的灵感来源于文章 2 笔者实现了文章 2 中的车牌定位方法 并与 本方法作对比 对比的结果如表3 3 所示 这里所用的机器的环境是1 7 3 gh z 双核c p u l g 内存 w i n d o w s 操作系统 表3 3 与文章 2 中方法的对比结果 实验结果平均实验时间 文章 1 中的方法 9 6 12 0 8 0 6 4 2 瞄 本文的方法 1 11 1 2 0 9 2 5 3 4 0 1 1 1 s 由结果可见 本文的方法对比文章 2 中的方法不仅是时间上的改进 同时在 识别结果上也有了提高 出现定位错误的图片中 大部分是因为车牌出现污损 或拍摄时出现了抖动 画面比较模糊 图3 1 2 是可以正确定位的图片 而图3 1 3 则由于图片不清晰不 能准确定位出车牌 车牌识别系统的设计与开发第3 章本文提出的车牌定位方法 图3 1 2 可以正确定位的图片 图3 1 3 定位出现错误的图片 3 2 车牌识别系统的设计与开发第4 章字符分割与识别方法 第4 章字符分割与识别方法 4 1预处理 在提取出车牌的彩色图片后 必须把图片转变成灰度图并进行二值化操作和 去噪音操作 在进行二值化操作时 如果使用普通的阈值法进行简单的二值化 效果不是 很理想 如图4 1 本文采用的是s c w 方法 2 有别于车牌定位中所用s c w 方法 本文把s c w 方法中矩形的大小设成3 3 和6 6 阈值t 设成o 9 9 经 过二值化后的图片如图4 2 所示 鐾罡一 目apx99 2 图4 2s c w 法二值化后效果 为了去除噪音 本文对二值化操作后的图片作连通域分析 c c a 计算出 每个联通域的像素点数目 宽度和高度 然后把像素点数目小于2 0 0 宽度大于 1 0 0 高度小于3 0 的区域去除 3 3 车牌识别系统的设计与开发第4 章字符分割与识别方法 错误划分 而有些方法引入m r f 模型虽然取得很好的划分效果 但所耗费的时 间太多 不适合实际需要 本文采用了一种较为折中的方法 首先对车牌图片进 行垂直扫描 找出字符的上下边界 然后再对车牌图片进行水平扫描分割出字符 在对车牌图片进行垂直扫描的时候 首先从上往下扫描 在发现第一个像素 点时记录下来 在扫描完整幅图片后 把像素点中最高点的纵坐标作为字符的上 边界 然后对车牌图像进行水平扫描 通过设立一个标志位表明一列中是否有像 素点 最终把图像中的字符切分开来 在截取出字符图片后 还需对所有字符进行标准化操作 使每个字符的大小 都相等 这样做有利于后面的字符识别 4 4车牌字符识别 4 4 1 人工神经网络介绍 人工神经网络 a n i f i c i a ln e u r a ln e t w o f k 触蝌 也称为神经网络 n e u r a l n e t w o f k s n n 是从生物学神经系统的信号传递而抽象发展而成的一门学科 在 神经网络中 最基本的单元就是神经元 神经元由三部分组成 树突 细胞体和 轴突 树突是树状的神经纤维接受网络 它将电信号传递给细胞体 细胞体对这 些输入信号进行整合并进行阀值处理 轴突是单根长纤维 它把细胞体的输出信 号导向其他的神经元 神经元的排列拓扑结构和突触的连接强度确立了神经网络 的功能 形象的说 神经网络是由大量处理单元 神经元 广泛连接而成的网络 是对人脑的抽象 简化和模拟 反映人脑的基本特性 它能够通过学习过程从外 部环境中获取知识 并且它内部的很多的神经元可以用来存储这些已经学到的知 识 3 7 神经网络经过多年的发展 产生了许多的分支 其中最经典的是b p 神经网 络 它在图像识别 数据挖掘上已经得到广泛的应用 下面关于b p 网络的很多 介绍都参考了文献 3 7 1 中的描述 b p 神经网络一般由输入层 隐藏层 输出层三层组成 如图4 4 每一层 包含若干个神经元 层与层的神经元之间都相互连接且每个连接都包含一个权 值 每个神经元都接收若干个输入 这些输入通过权值加权以后通过激活方程 车牌识别系统的设计与开发第4 章字符分割与识别方法 产生一个新的输出 b p 神经网络主要包括工作信号正向传播和误差信号反向传播两个过程 1 工作信号正向传播 输入信号从输入层经过隐含层 传向输出层 在输 出端产生输出信号 在信号传递的过程中网络的权值是固定不变的 每 一层神经元的状态只影响下一层神经元的状态 如果在输出层得到的输 出和期望输出的偏差比较大 则转入误差信号的反向传播 2 误差信号反向传播 网络的实际输出和期望输出的差值就是误差信号 误差信号的反向传播就是误差信号从输出端传向输入端 在这个过程当 中 网络的权值由误差反馈进行调节 通过不断的修改网络权值从而使 得网络的输出不断的逼近期望值 图4 4b p 神经网络的结构 4 4 1 1 人工神经网络的激励函数 激励函数将输出信号压缩在一个允许的范围内 使其成为有限值 通常神经 元输出的范围在 o 1 或者 一1 1 的闭区间上 常用的基本激励函数有阈 值函数 分段线性函数 s i 鲫o i d 函数 其中s i g m o i d 函数也称为s 型函数 它是人工神经网络中用得最多的激励函数 s 型函数的定义如公式 4 3 所示 车牌识别系统的设计与开发第4 章字符分割与识别方法 j f x l厂 0 0 5 x o 图4 5s i g m o i d 函数图像 4 4 1 2 人工神经网络的学习规则 4 3 a n n 中的核心问题就是如何决定网络连接的加权系数 w e i g h t 在b p 神经 网络中通常采用的是6 学习规则 也称为误差校正规则或者梯度方法 该规则 通过不断地调整每一层的权值使输出的误差逐渐减小 对输出的误差的计算通常采用平方型误差函数 其定义如公式 4 4 所示 乓2 壹荟 y 七吼 2 4 4 其中y 为网络之实际输出 y 是期望输出 通过所得误差值 从输出层开始反向对神经网络各个层的权值进行调整 1 输出层权值的调整 如图4 6 所示 输出层权值w p q 的调整公式为 2 w 阳 口6 y 七 口六 q 甜 y t y 七 虼 口儿 1 一y 七 y 七一y 七 y 七 一一 4 5 3 7 车牌识别系统的设计与 j f 发第4 章字符分割与识别方法 效的方法应用于b p 神经网络进行字符识别 4 4 2 1 特征提取 图像经过一系列的预处理之后 原来大小不同 分布不规则的各个字符变成 了一个个大小相同 排列整齐的字符 接下来需要在分割出来字符中 提取最能 体现这个字符特点的特征向量 将提取出训练样本中的特征向量作为神经网络的 输入 特征向量的提取方法多种多样 有逐像素特征提取法 骨架特征提取法 垂 直方向数据统计特征提取法 1 3 点特征提取法 弧度梯度特征提取法等很多方 法 3 7 本系统选择的是逐像素特征提取法 逐像素特征提取法是一种最简单的特征提取法 对图像进行逐行逐列的扫描 当遇到黑色像素时取其特征值为1 遇到白色像素时取其特征值为0 这样当扫 描结束以后就形成了一维的特征向量矩阵 该特征向量则作为字符的特征作为神 经网络的输入 假设设定的字符标准归一化的宽度为9 高度为1 8 那么对于每 个字符就有1 6 2 维的输入特征 这种特征提取方法的特点是算法简单 运算速度快 可以使b p 网络很快地 收敛 训练效果好 缺点是适应性不强 但可以通过加大训练样本数目的方法来 增强其适应性 4 4 2 2b p 神经网络结构 b p 神经网络的输入层的结点个数为图像预处理后所输出的特征的维数 例 如 采用了9x1 8 的字符图像做输入 特征提取采用的是逐像素特征提取法 则 对于每一个输入样本来说 就有9 1 8 1 6 2 个特征 所以可以确定 输入层的 结点数为1 6 2 对于隐藏层的结点数 没有什么硬性规定 一般来说 隐藏层神经元的数目 越多 b p 网络也就越精确 训练时间也越长 但要注意 隐藏层神经元不宜选 取太多 否则会造成识别率的急剧下降 同时也会降低网络的抗噪声能力 在本 3 9 车牌识别系统的设计与开发 第4 章字符分割与识别方法 图4 9 分类神经网络 在数字识别 数字和字母混合识别的过程中 d 和 o 6 和 8 2 和 z a 和 4 等字符极易混淆 为了进一步提高识别精度 本文采用了 由多级神经网络集成的识别方案 多级神经网络是指在第一层神经网络识别后 如果识别的结果是上面所说那些极易混淆的字符 则进入下一级神经网络再次识 别 本文对数字识别和数字与字母混合识别两种情况设计了两种不同的分级情 况 4 4 2 4 1 数字多级识别 数字多级识别的过程如下所示 1 首先把数字 1 分开来识别 若字符有较大的宽度比 笔画垂直 没有 环圈 字符中心线方差小 则将该字符识别为1 若识别结果不为1 则转入第 2 步 2 应用数字神经网络识别 3 若识别结果为 6 或 8 转到第4 步 否则 记录识别结果 4 2 车牌识别系统的设计与开发第4 章字符分割与识别方法 4 应用 6 8 专用的神经网络识别 记录识别结果 图4 1 0 数字多级识别流程图 4 4 2 4 2 数字与字母混合多级识别 数字与字母混合多级识别的过程如下所示 1 首先把数字 1 分开来识别 若字符有较大的宽度比 笔画垂直 没有 环圈 字符中心线方差小 则将该字符识别为1 若识别结果不为1 则转入第 2 步 2 应用英文 数字混合识别网络识别 3 若识别结果为 6 和 8 或 d 和 0 或 2 和 z 或 a 和 4 转到第4 步 否则 记录识别结果 4 应用专用的神经网络识别 记录识别结果 4 3 车牌识别系统的设计与开发 第5 章总结及展望 5 1总结 第5 章总结及展望 车牌识别系统主要包括车牌定位 字符分割 字符识别三大块 本文在这三 个方面都做了深入的研究 并用程序实现了一个相对完整的车牌识别系统 在车牌定位中 本文提出了一种新的有效方法 通过把s c w 方法和数学形 态学方法结合 可以使本系统在较短的时间内定位到车牌 并且对背景复杂度 拍摄角度 光照等都没有太大的限制 另外 车牌的颜色信息也被用在定位中 使定位的结果更准确 并在定位的时候同时获知车牌的颜色信息 基于该方法所 写的一篇论文 a ne f f i c i e n tm e t h o do fl i c e n s ep l a t el o c a t i o ni n n a t u r a l s c e n ei m a g e 刀已被i e e ei n t e r n a t i o n a lc o n f e r e n c eo nf u z z ys y s t e m a i l dl n 0 w 1 e d g ed i s c o v e r y2 0 0 8 接收 车牌字符的分割方面 本系统使用了有效的方法进行车牌倾斜矫正 车牌的 二值化操作以及噪音的消除 并通过对车牌的扫描有效准确地把车牌字符分割出 来 而在车牌字符识别上 本系统采用了b p 神经网络做识别 b p 神经网络是图 像识别中的一种经典算法 b p 神经网络的输入特征 网络结构 训练样本选择 等方面的不同对神经网络的识别效果有很大影响 本文通过大量的学习与实验 在识别上取得了不错的效果 通过实验表明 该系统能有效地识别复杂背景中的车牌 识别率达到8 0 以 e 5 2未来展望 作为一个实验性项目 本文仅仅是对车牌识别技术做研究 其所做工作距离 实际运用还相距较远 主要表现在考虑实际问题的情况还不够充分 例如目前只 车牌识别系统的设计与开发参考文献 参考文献 1 广东省交通厅交通管理局 车牌识别技术 h n p 价哪w g d g 确 c o m 店t 均 删圻s j t 2 0 0 3 1 0 2 20 6 7 8 h t m 2 0 0 8 4 1 5 2 c a n a g s t o p o l l l o s i e 八雏dv le 酝y a 加 al i c 即 p l a t et e 鲥t i 伽a l g o r i t h mf o r i n t e u i g e n tt r 锄s p o r t a t i o ns y s t c ma p p l i c a t i o 璐 i e 王范t r 锄s a c t i o n 仰i n t e u i g c n tt r a 删矾i o n s y s t e m s 2 0 0 6 7 3 3 7 7 3 9 2 3 八b m u m a n d n i a 柚dm f a t h y a p p l i c a t i o no fp a t t c m 托c 0 垆i t i i f o rf a r s il 妣n p l a t e r o c o g n n i o n p r o e d i n g so fi n t e m a t i o n a l n f e r e n c eo n 伊a p h i 伪 v i s i o na n di m a g ep m c c 鼹i n g 2 0 0 5 2 5 3 1 4 h j l e c s yc l l e na n ds z w a n g e x t r a c t i 蚰a n dr e c o g n i t i o fl i c c n p l a t e so f 枷 0 t o r c y c l c s a n dv e h i c k so nh i g h w a y s p r o c c e d i n g so fi n t e m a t i o n a lc o n f e r e n c eo fp a t t 锄r e c o g n i t i o n 2 0 0 4 3 5 每 3 5 9 5 h m a h i n i s k a s a e i f d o r f i a ne l n c i e n tf e a t u r c s b 弱e dl i c e n p l a t el o c a l i z a t i o nm e t h o d p r o c e i e d i i l g so fi n t e m a t i o n a lc o n f c f e n c eo fp a t t e mr e c o g n i t i o n 2 0 0 6 1 4 6 d u o r e n s 八e m vp a l a z 叩a n dj m a r c 打l i c c n p l a t e se x t m c t i a n dr e c o 印i t i o nb a d o nc o 衄e c t e dc o m p o n e n t sa 衄l y s i s 柚dh m m d e c o d i i l g b e r l i nh e i d e l b c r g s p r i n g e 卜v e d a g 2 0 0 5 5 7 1 5 7 8 7 m i c h a c o na n daz i m m e m 吼n l i c c n p l a t e1 0 c a t i o nb a do nad y n a m i cp c n ns c h e m c p r o c e c d i n g so fi n t e r n a t i o n a lj o i n tc o n f e r e n c e n e 町a ln e m o r l 2 0 0 3 1 1 9 5 1 2 0 0 8 kk m k i 1 i m j b 1 i ma n dh j 1 i m k 缸n i n g b a da p p f o a c hf o rl 眈n s ep l a t c 托c 0 印i t i o n p r o c e e d i n g s0 fi e e es i 印a lp r o c c s s i n gs o c i e t yw o t k s h o p 2 0 0 0 6 1 4 6 2 3 9 d z h e n g yz j w h n g a ne e i c i e n tm e t h o do fl i c e n p l a t el o c a t i o n p a t t e mr e c o g n i t i o nk t t e r s 2 0 0 5 2 6 2 4 3 1 2 4 3 8 1 0 ga d o m i s c a g 田o n i m g o r i 姐dm m o r d o n i n i a c c e s sc o n t r o ls y s t e mw i t hn e u r 0 f 吆z y s u p e r v i s i p r o c e e d i i 垮0 fc o n f e 删l c eo ni n t e u 谵e n tt r a n s p 研a t i 彻s y s t e m 2 0 0 1 4 7 2 4 7 7 1 1 l d l a 卸e k o v i n l i c e n p l a t ed e t e c t i u s i i l ga d a b o o s t h t i p 伽m m c u c s d e d u c l a 路e s f a 叫 c s e 2 5 2 i p r o j e c t s l o u k a p d f 2 0 0 8 3 车牌识别系统的设计与开发参考文献 1 2 c t h s i e h ys j u a na n dl m h 蚰g m u l t i p l cl 妇n p l a t ed e t e c t i o nf o rc o m p l e xb a c k g m u n d p r o e d i n g so fi n t e m a t i o n a lc o n f 色r e n o na d v a n di n f b 姗a t i o nn c t 0 r l i i l ga n da p p l i c a t i o n s 2 0 0 5 3 8 争 3 9 2 1 3 李文举 梁德群 张旗 樊鑫 基于边缘颜色对的车牌定位新方法 计算机学报 2 0 0 4 2 7 2 2 0 4 2 吣 1 4 s l 曲a n g ls c yc c h u n g 柚ds w c h e n a u t o m t i cl i c e n p l a t e 托 鲥t i o n i e 髓 仃a n s a c t i o n i n t e u i g c n tt r 椰p o n a t i o ns y s t e 瞄 2 0 0 4 5 1 4 2 5 3 1 5 z w e i h g 柚dj x i n g as t u d yo f1 0 c a l i n gv e h i c l el i n s cp l a t eb a d 彻c o l o rf e a t w ca n d m a t h e m a t i c a lm o r p h 0 1 0 9 y p r o c d i l l g so f6 t hi n t e m a t i o n a lc o n f b r e n c eo ns i g 舱lp r o c e s s i n g 2 0 0 2 7 4 8 7 5 1 1 6 gu r z a n dl l r e a r c h v e h i c l el i c e n p l a t el o c a t i o nb 批do nn e u r a ln c t w o f l s p r o c c e d i n g so fi n t e m a t i o m lc o n f e r e n c e 伽i n v a t i v ec o m p u t i n g i n f b 珊a t i o na n dc o n t r o l 2 0 0 6 1 7 4 1 7 7 1 7 s m y o u s 辩f s b 八 as m a na c c e s sc o n t r o lu s i n ga ne f e i c i e n tl i c c n p l a t el o c a t i 蚰柚d r e c o 萨i t i o na p p f o a c h e x p e ns y s t e m sw i t ha p p l i c a t i o n s 2 0 0 6 3 4 1 1 1 0 1 8 樊孝宏 戚飞虎 一种基于纹理和颜色综合特征的车牌定位新方法 计算机工程 2 0 0 4 3 0 1 3 1 2 5 1 2 7 1 9 王卫 陈继荣 徐璩业 基于颜色特征的车牌快速定位 计算机工程与应用 2 0 0 6 4 2 1 2 2 6 2 2 9 2 0 杨文霞 黄樟灿 汪斌 基于车体对称及颜色聚类的车牌自动定位方法 计算机应用研究 2 0 0 5 2 2 1 1 2 2 5 2 2 8 2 1 s m 町a ky a m 姐a k a o k a t a i h 跏k a m i柚dt s h i o an o v c la d a p t i v e m d r p h 0 1 0 酉 la p p r o hf o fd e 伊a d e dc h a r a c t c ri m a g es