编辑: 麒麟兔爷 | 2015-09-05 |
8 No.10
2008 年10 月China Water Transport October
2008 收稿日期:2008-07-21 作者简介:陈颖(1980-) ,男,湖南株洲人,煤炭科学研究总院煤化工研究分院科研管理办副主任,助理工程师,从 事煤化工技术研究与科研项目管理以及自动化方面的研究. 基于改进的 BP 神经网络的车牌识别研究 陈颖1,赵绪彬
2 ,何平1,李培霖
1 (1 煤炭科学研究总院 煤化工研究分院,北京 100013;
2 济南热电有限公司 南郊热电厂,山东 济南 250021) 摘要:车牌识别作为目标自动识别技术之一应用非常广泛,本文研究了字符特征提取方法,利用神经网络的方法 构建一种改进的 BP 神经识别网络,最后此基础上对识别系统进行了改进优化,实验结果表明系统具有良好的鲁棒 性,系统满足实时车牌识别的要求. 关键词:车牌识别;
特征提取;
神经网络 中图分类号:TP183 文献标识码:A 文章编号:1006-7973(2008)10-0120-03 汽车牌照识别 (License Plate Recognition System, LPR)作为目标自动识别的一种重要形式,可用于电子收 费、出入控制、车流监控等众多场合,从而提高交通管理 自动化的程度,它的相关技术的研究正逐渐受到人们的重 视[1] . 本文采用一种改进的神经网络算法作为识别方法,以车 牌字符作为识别对象, 主要研究复杂环境下的车牌识别问题, 以提高车牌识别系统的整体识别性能.
一、字符预处理及特征提取 在实际获取到的车牌中,由于各种原因使得车牌中的字 符在分割后的象素可能会不同,这样就可能对后面的识别造 成影响,因此必须对字符进行归一化处理[2] ,本文归一化为 36*20 的点阵.又因为实际的车牌号码中没有字母"I"和"O",所以在字符库和训练样本中没有列出.图1给出部 分预处理过的训练样本. 图1字母和数字训练样本 在构造一个高性能车牌识别系统时,特征的选取是一个 关键的问题,这关系到字符能否准确识别.任何一个特征往 往是从某个方面来刻画图像的,因此没有完全通用的特征提 取方法.考虑到系统的实际情况,系统采用了粗网格特征和 纹理线特征相结合的特征提取办法. 以字母"A"为例, 提取 字符特征的步骤为: 首先将字母"A"归一化为 36*20 的比 例尺寸,然后再分为 9*5 个网格,如图
2 所示,依次统计 每个网格内的黑象素,形成一个 9*5 的特征向量,表1给出了字母"A"的粗网格象素统计数, 最后分别对网格进行行 扫描和列扫描,记录水平和垂直笔画数目,形成一个
56 维 的向量.经过上述处理最终得到一个
101 维的特征向量.需 要指出的是,还需对特征归一化处理,否则会造成识别网络 收敛速度放慢甚至不收敛.
0 2
10 2
0 0
7 25
8 0
0 8
25 13
0 0
14 25
17 0
0 18
18 21
1 1
21 12
24 5
5 25
13 22
9 9
24 20
23 13
6 10
0 7
9 图29*5 的网格特征示意图
二、BP 神经网络设计 1.网络设计 目前,在人工神经网络的实际应用中,绝大部分的神经 网络模型是采用 BP 网络和它的变化形式[4]~[7] ,它也是前向 网络的核心部分,并体现了人工神经网络精华的部分.系统
4 个子模块都设计为图
4 所示的
3 层BP 网络. 图4BP 网络结构图 表1 字母"A"网格象素统计数 第10 期陈颖等:基于改进的 BP 神经网络的车牌识别研究
121 每个网络选取