基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識別

1、基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識別文章摘要：本文介紹了字符識別的各種方法，重點討論了用神經(jīng)網(wǎng)絡(luò)方法對車牌照字符的識別，用matlab完成了對車牌照數(shù)字識別的模擬，最后給出實驗結(jié)果。關(guān)鍵詞：bp神經(jīng)網(wǎng)絡(luò)模式識別matlab引言字符識別是模式識別領(lǐng)域的一項傳統(tǒng)的課題，這是因為字符識別不是一個孤立的問題，而是模式識別領(lǐng)域中大多數(shù)課題都會遇到的基本問題，并且在不同的課題中，由于具體的條件不同，解決的方法也不盡相同，因而字符識別的研究仍具有理論和實踐意義。這里討論的是用神經(jīng)網(wǎng)絡(luò)識別數(shù)字的問題. 人工神經(jīng)網(wǎng)絡(luò)模式識別方法是近些年提出的新方法，為字符識別研究提供了一種新手段，它具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點：良好的

2、容錯能力、分類能力強、并行處理能力和自學(xué)習(xí)能力。因而，采用神經(jīng)網(wǎng)絡(luò)識別方式是一種很好的選擇。一、模式識別方法的比較針對模式特征的不同選擇及其判別決策方法的不同，可將模式識別方法大致分為5大類。這5種識別方法均可實現(xiàn)字符識別，但它們特點不同，必須根據(jù)條件進行選擇。1 統(tǒng)計模式法：對已知類別的模式樣本進行各種特征的提取和分析，選取對分類有利的特征，并對其統(tǒng)計均值等按已知類別分別進行學(xué)習(xí)，按貝葉斯最小誤差準(zhǔn)則，根據(jù)以上統(tǒng)計特征設(shè)計出一個分類誤差最小的決策超平面，識別過程就是對未知模式進行相同的特征提取和分類，通過決策平面方程決定該特征相應(yīng)的模式所屬的類別。此方法比較成熟，能考慮干擾、噪聲等的影響，識

3、別模式基元能力強。但對結(jié)構(gòu)復(fù)雜的模式抽取特征困難；不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)；難以從整體角度考慮識別問題。2 句法結(jié)構(gòu)方法：分為訓(xùn)練過程和識別過程：訓(xùn)練過程就是用已知結(jié)構(gòu)信息的模式作為訓(xùn)練樣本，先識別出基元和它們之間的連接關(guān)系，并用字母符號表示它們，然后用構(gòu)造句子的方法來描述生成這些場景的過程，并由此推斷出生成該場景的一種文法規(guī)則；識別過程就是對未知結(jié)構(gòu)的模式進行基元識別及其相互關(guān)系分析，然后用訓(xùn)練過程中獲得的文法對其作句法分析，如果它能被已知結(jié)構(gòu)信息的文法分析出來，則該模式具有與該文法相同的結(jié)構(gòu)，否則就可判定不是這種結(jié)構(gòu)。此方法識別方便，可從簡單的基元開始，由簡至繁；能反映模

4、式的結(jié)構(gòu)特征，能描述模式的性質(zhì)，對圖像畸變的抗干擾能力較強，但當(dāng)存在干擾及噪聲時，抽取基元困難，且易失誤。3 邏輯特征法：就是其特征的選擇對一類模式識別問題來說是獨一無二的，即在一類問題中只有1個模式具有某1種（或某1組合的）邏輯特征，此方法建立了關(guān)于知識表示及組織，目標(biāo)搜索及匹配的完整體系；對需通過眾多規(guī)則的推理達到識別目標(biāo)的問題，有很好的效果，但當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義時，效果不好。4 模糊模式方法：就是在模式識別過程中引入了模糊集的概念，由于隸屬度函數(shù)作為樣品與模板相似程度的量度，故能反映整體的、主要的特性，模糊模式有相當(dāng)程度的抗干擾與畸變，從而允許樣品有相當(dāng)程度的

5、干擾與畸變，但準(zhǔn)確合理的隸屬度函數(shù)往往難以建立。目前有學(xué)者在研究，并將其引入神經(jīng)網(wǎng)絡(luò)方法形成模糊神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)。5 神經(jīng)網(wǎng)絡(luò)方法：就是使用人工神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)模式識別?？商幚硪恍┉h(huán)境信息十分復(fù)雜，背景知識不清楚，推理規(guī)則不明確的問題，允許樣品有較大的缺損、畸變，神經(jīng)網(wǎng)絡(luò)方法的缺點是其模型在不斷豐富完善中，目前能識別的模式類還不夠多，神經(jīng)網(wǎng)絡(luò)方法允許樣品有較大的缺損和畸變，其運行速度快，自適應(yīng)性能好，具有較高的分辨率。二、神經(jīng)網(wǎng)絡(luò)字符識別系統(tǒng)神經(jīng)網(wǎng)絡(luò)的字符識別系統(tǒng)是神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)的一種，原理是一致的。一般神經(jīng)網(wǎng)絡(luò)字符識別系統(tǒng)由預(yù)處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類器組成。預(yù)處理就是將原始數(shù)據(jù)中的

6、無用信息刪除，平滑，二值化和進行幅度歸一化等。神經(jīng)網(wǎng)絡(luò)字符識別系統(tǒng)中的特征提取部分不一定存在，這樣就分為兩大類：（1）有特征提取部分的：這一類系統(tǒng)實際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗來獲取模式特征以及神經(jīng)網(wǎng)絡(luò)分類能力來識別字符。特征提取必須能反應(yīng)整個字符的特征。但它的抗干擾能力不如第2類。（2）無特征提取部分的：省去特征抽取，整個字符直接作為神經(jīng)網(wǎng)絡(luò)的輸入（有人稱此種方式是使用字符網(wǎng)格特征），這種方式下，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度大大增加了，輸入模式維數(shù)的增加導(dǎo)致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是網(wǎng)絡(luò)的抗干擾性能好，識別率

7、高。構(gòu)造神經(jīng)網(wǎng)絡(luò)分類器首先要選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)分類器的輸入就是數(shù)字字符的特征向量；神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點應(yīng)該是字符數(shù)。10個數(shù)字輸出層就有個10個神經(jīng)元，每個神經(jīng)元代表一個數(shù)字；隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當(dāng)?shù)膶W(xué)習(xí)算法，這樣才會有很好的識別效果。在學(xué)習(xí)階段應(yīng)該用大量的樣本進行訓(xùn)練學(xué)習(xí)，通過樣本的大量學(xué)習(xí)對神經(jīng)網(wǎng)絡(luò)的各層網(wǎng)絡(luò)的連接權(quán)值進行修正，使其對樣本有正確的識別結(jié)果，這就像人記數(shù)字一樣，網(wǎng)絡(luò)中的神經(jīng)元就像是人腦細(xì)胞，權(quán)值的改變就像是人腦細(xì)胞的相互作用的改變，神經(jīng)網(wǎng)絡(luò)在樣本學(xué)習(xí)中就像人記數(shù)字一樣，學(xué)習(xí)樣本時的網(wǎng)絡(luò)權(quán)值調(diào)整就相當(dāng)于人

8、記住各個數(shù)字的形象，網(wǎng)絡(luò)權(quán)值就是網(wǎng)絡(luò)記住的內(nèi)容，網(wǎng)絡(luò)學(xué)習(xí)階段就像人由不認(rèn)識數(shù)字到認(rèn)識數(shù)字反復(fù)學(xué)習(xí)過程是一樣的。神經(jīng)網(wǎng)絡(luò)是按整個特征向量的整體來記憶數(shù)字的，只要大多數(shù)特征符合曾學(xué)習(xí)過的樣本就可識別為同一字符，所以當(dāng)樣本存在較大噪聲時神經(jīng)網(wǎng)絡(luò)分類器仍可正確識別。在字符識別階段，只要將輸入進行預(yù)處理，特征提取后的特征向量作為神經(jīng)網(wǎng)絡(luò)分類器的輸入，經(jīng)過網(wǎng)絡(luò)的計算，分類器的輸出就是識別結(jié)果。三、bp神經(jīng)網(wǎng)絡(luò)這里我們采用bp神經(jīng)網(wǎng)絡(luò)來進行車輛字符的識別。bp網(wǎng)絡(luò)是采用widrow-hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。一個典型的bp網(wǎng)絡(luò)采用的是梯度下降算法，也就是widrow-hoff算法所規(guī)定

9、的。backpropagation就是指的為非線性多層網(wǎng)絡(luò)計算梯度的方法。一個典型的bp網(wǎng)絡(luò)結(jié)構(gòu)如圖所示：我們將它用向量圖表示如下： 其中：對于第k個模式對，輸出層單元的j的加權(quán)輸入為 ，該單元的實際輸出為 ，而隱含層單元i的加權(quán)輸入為 ，該單元的實際輸出為 ，函數(shù)f為可微分遞減函數(shù) 。其算法描述如下：（1）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等。（2）提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。（3）前向傳播過程：對給定訓(xùn)練模式輸入，計算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行（4）；否則，返回（2）。（4）后向傳播過程：a.計算同一層單元的誤差；b.修正權(quán)值和閾值；

10、c.返回（2）四、車牌數(shù)字識別我采用matlab來模擬用神經(jīng)網(wǎng)絡(luò)進行車牌照數(shù)字識別這一過程。作為對比，一種采用提取特征部分的方法，一組采用無特征部分提取的方法。提取特征法采用投影-變換系數(shù)法進行特征提取。設(shè)為圖形尺寸，（）和（）分別是圖形在軸和軸上的投影，對它們進行fourier變換得到k個變換系數(shù)，從k個變換系數(shù)gk（k0，1，2，k-1）中選出m個有代表性的特征，使它滿足類間距離要大、類內(nèi)距離要小，這里選出16個作為有代表性的特征作為網(wǎng)絡(luò)輸入。由于神經(jīng)網(wǎng)絡(luò)對圖形的旋轉(zhuǎn)、平移敏感，車牌照數(shù)字的獲取中不可避免的存在這一類問題，所以即使是采用無特征部分提取的時候，也要對圖形進行處理，這里對圖形矩

11、陣進行二維fft變換，分別得到矩陣的幅值和相值，通過實驗可知網(wǎng)絡(luò)對變換矩陣的相值收斂性好，因此這里取矩陣的相值作為網(wǎng)絡(luò)輸入。我取了0-9共十個數(shù)字作為待識別數(shù)，每個數(shù)字取6個樣本進行訓(xùn)練，共有60個訓(xùn)練樣本，另取10個樣本作為識別樣本。神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，提取特征法有16個輸入，隱含層取24個神經(jīng)元，輸出為十個，無特征提取法有16x16個輸入，隱含層取24個神經(jīng)元，輸出也為10個，取最大輸出端對應(yīng)的數(shù)字作為識別結(jié)果，如果所有輸出端的結(jié)果都小于0.5，則認(rèn)為系統(tǒng)無法識別。其收斂波形如下圖所示：有特征提取法的收斂圖像 無特征提取法的收斂圖像由圖可知，兩種不同方法的收斂速度，采用無特征提取法要快的多，但是由于其網(wǎng)絡(luò)規(guī)模要比特整體取法大，每一次訓(xùn)練所耗時間要長，所以總的訓(xùn)練時間兩者相差不多。識別樣本和識別結(jié)果示例如附錄所示。根據(jù)結(jié)果來看，采用無特征提取得到字符識別率為84.3%,采用有特征提取得到的字符識別率為92.9%,后者明顯高于前者。如要進提高識別率，可以考慮改良