基于BP神经网络的智慧车牌识别系统

基于BP神经网络的智慧车牌识别系统摘要：车牌识别系统在我国智慧交通系统中起着重要作用。为解决识别不精准、易受环境影响等问题，本文设计一种基于BP神经网络的智慧车牌识别系统，该系统主要包含车牌图像预处理模块、BP神经网络模块和GUI用户界面模块。通化用户界面进行数字图像的可视化操作。关键词：车牌识别BP神经网络图像处理GUI界面随着机器视觉与模式识别等技术的迅速发展，智慧车牌识别技术在现代智慧交通中发挥了重要作用。车牌识别技术包括模式识别技术、信号处理技术以及图像处理技术等，,广泛应用于智慧停车场、违章检测、车流监控等方面。但目前车牌识别技术仍存在准确度低，易受环境影响等问题。神经网络具有容错率低和适应性强的特点，并具备良好的建模和数据分析能力，为解决这一难题提供了出口。系统包括车牌图像预处理模块、BP神经网路模块以及GUI用户界面模块，通过样本图像的搜集和数据库的建立，在对目标图像进行图像预处理等操作的基础上，通过与样本图像库的比对，得到车牌识别结果。1车牌图像预处理1.1车牌灰度化在图像处理中，将真彩色图像通过RGB的三种分量进行显示(R:Red,G:过一系列处理后变换成单通道的灰度图像。在车牌识别中处理的颜色信息比较少，为了提高识别的快速性，一般都会将彩色车牌图像进行灰度化，根据如下公式计算由于黑暗条件下环境影响等问题，图像拍摄的清晰度不高，因此需要图像增强技术提高图像的清晰度。通过调整图像的亮度、对比度、色彩等属性，可以突出显示感兴趣的特征，降低噪声，提高图像的清晰度、对比度和可读性。本文通过直方图均衡化实现图像的增强。直方图均衡化的基本原理是：通过对在同一视觉画面中像素数量多的灰度值(即对视觉画面起作用的灰度值)加以展宽，而对像素数量少的灰度值(即对视觉画面不起作用的灰度值)加以归并，以便提高反差，从而使视觉画面更加清晰，起到强化的目的。而通过调整直方图均衡后的视觉画面明暗对比得到了明显提高，质量得以增强。边缘提取在车牌识别系统中对车牌位置的检测有着非常重要的作用，常用的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、log算子和Canny算子等。Canny算子相比于Sobel,Prewitt,Laplacian算子，根据边缘梯度方向实现了非极大值的抑制，同时解决了双阈值的滞后问题[3],是图像边缘检测算法中最为典型，先进的算法之一。据实验分析，Canny算子对弱边缘的检测相对精确，能更多地保留车牌区域的特征信息，因此本文采用Canny算法实现边缘检测。Canny算子在边缘检测中有信噪比和定位精度两个判别指标。信噪比越大，1.4车牌定位及分割使车牌区域具有明显的特征，因此根据车牌颜色和字符颜色的知识，用先膨胀后腐蚀的开运算数字形态学滤波，统计面积分布，显示区域总数，从而确定车牌边界，准确定位车牌区域。同时，选取常见的蓝底白字白框线车牌，通过蓝色车牌阈值进行车牌的分割。由于拍摄角度以及车辆位置不同而造成拍摄图片倾斜等差异，车牌水平方向投影和垂直方向投影不能正常运行。因此，在车牌分割后，调用拉东(radon)变换进行水平方向的投影，令R为拉东变换算子，则Rf(x,y)=R(s,α)的定义如下[4]:由于狄拉克δ函数的限制，沿着直线xcosα+ysina=s进行积分。CT扫描可以沿任意法方向α、与原点成任意距离s的直线[5]。通过拉东变换得到车牌的倾斜角度，调用imrotate函数对车牌图像进行旋转校正。1.6字符分割将7个字符分别从车牌图像中分割出来。按照图像的大小，设定阈值，通过字符宽度和阈值相同则切割的方法，设置图像y轴，检测图像x轴，将7个字符逐一分离出来。分割出来的字符尺寸需要与样本图像中的字符尺寸相匹配，以便后续通过BP神经网络进行字符识别。2BP神经网络进行字符识别BP(BackPropagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一[6]。本文将通过BP神经网络进行字符识别。BP神经网络包括两个过程，分别是信号前向传播和误差反向传播。通过前向传播得到预测结果，反向传播对权重和偏置进行调整。本文的神经网络模型如图2所示，将数字图像的像素值输入。由于图像的尺寸是24×12,因此将输入层单元设置为288个(不包含始终输出+1的额外偏置单位),隐藏层单元设置为30个。通过对所有样本的代价进行求和，实现前馈计算。运用正规化神经代价函数进行逻辑回归，利用fmincg函数和sigmoid函数分别进行最优化参数的求解和梯度下降。在训练神经网络时，随机初始化神经网络的参数，本次采用epsilon_init=0.12,此值范围可确保参数保持较小并提高学习效率。反向传播时，通过最小化代价函数对参数进行梯度检验。同时，为了获得更高的训练精度，将MaxIter设置为500,随着迭代次数的增加，样本代价逐渐降低，神经网络模型与为了提高车牌字符识别的准确性和效率，将对图像进行了一系列预处理操作。这包括将彩像转换为灰度图像，以便减少后续处理的复杂性并突出必要的特征。紧接着，进行了图像增强，以改善图像质量，增强对比度，为边缘检测创造更有利的条件。在完成上述基础步骤后，我们采用了边缘检测算法来识别和突出车牌区域的边缘，这是字符分割和识别的关键步骤。下面给出部分车牌图像识别结果。在摆放和布局，包括车牌原始图片、灰度化、图像增强、边缘检测、车辆定位、车牌预处理、字符分割等窗口。在程序运行及训练后，可实现通过功能按钮在数字图像本文设计了一个基于BP神经网络的汽车车牌识别系统。从图像采集到车牌定位，再到字符分割和识别，每个环节都采用了有效的技术和方法。在进行字符识别的过程中，随着迭代时间的增长，系统误差逐步降低并趋于稳定，识别结果也越来越精确，可以实现在不同环境影响下准确进行车牌识别。同时，通过样本图像数据库的不断完善，进行大量测试后的结果证明该车牌识别系统功能良好。大学，2018.[2]鲁扬.基于BP神经网络的车牌识别算法研究[D].大庆：东北石油大学，[3]陈超.基于Linux的手持式电子助视器软件系统设计和开发[D].浙江：浙江工业大学，2020.