智能信息處理

1、專(zhuān)業(yè)型碩士學(xué)位研究生學(xué)院：電子信息工程學(xué)院姓名：XxX學(xué)號(hào)：Z160442年級(jí)：2016 級(jí)專(zhuān)業(yè)：控制工程科目：智能信息處理任課教師：曹昕燕（教授）日期：2017年4月20日基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別摘要：車(chē)牌識(shí)別系統(tǒng)（License Plate Recognition,簡(jiǎn)稱(chēng)LPR）是智能交通系統(tǒng)（ITS）的 核心組成部分，在現(xiàn)代交通管理系統(tǒng)中發(fā)揮著舉足輕重的作用。本文運(yùn)用神經(jīng)網(wǎng)絡(luò)算法 從車(chē)牌圖像預(yù)處理、車(chē)牌定位、車(chē)牌字符分割和車(chē)牌字符識(shí)別這幾個(gè)方面對(duì)車(chē)牌識(shí)別技 術(shù)進(jìn)行研究，運(yùn)用MATLAB仿真，實(shí)現(xiàn)對(duì)車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)算法；圖像預(yù)處理；車(chē)牌定位；車(chē)牌字符分割；車(chē)牌識(shí)別0引言隨著

2、我國(guó)經(jīng)濟(jì)的快速發(fā)展，人民生活水平的不斷提高，私有車(chē)輛越來(lái)越多，對(duì)交通控制、 安全管理的要求也日益提高，智能交通管理（Intelligence Transportation System,簡(jiǎn)稱(chēng)ITS）己 成為當(dāng)前交通管理發(fā)展的主要方向，而車(chē)牌識(shí)別技術(shù)（LPR）作為智能交通系統(tǒng)的核心，起 著舉足輕重的作用，利用該技術(shù)可以實(shí)現(xiàn)對(duì)車(chē)輛的自動(dòng)登記、驗(yàn)證、監(jiān)視和報(bào)警，高速公路 收費(fèi)，對(duì)停車(chē)場(chǎng)進(jìn)行管理，特殊場(chǎng)所車(chē)輛的出入許可等。汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)是應(yīng)用圖像處理技術(shù)、模式識(shí)別技術(shù)和神經(jīng)網(wǎng)絡(luò)技術(shù)，從復(fù)雜背景 中準(zhǔn)確提取、識(shí)別出汽車(chē)牌照。自動(dòng)車(chē)牌識(shí)別技術(shù)是解決交通管理問(wèn)題的重要手段，是計(jì)算機(jī) 圖像處理技術(shù)和模式

3、識(shí)別技術(shù)在智能交通領(lǐng)域的典型應(yīng)用。由于神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí) 和自適應(yīng)能力，同時(shí)有很強(qiáng)的分類(lèi)能力、容錯(cuò)能力和魯棒性，可以實(shí)現(xiàn)輸入到輸出的非線性 映射，可在有干擾的情況下對(duì)字符實(shí)現(xiàn)分類(lèi)識(shí)別，能夠解決車(chē)牌字符速度和識(shí)別正確率等問(wèn) 題，故被廣泛地用于汽車(chē)牌照識(shí)別。本文設(shè)計(jì)使用BP神經(jīng)網(wǎng)絡(luò)運(yùn)用MATLAB仿真，對(duì)車(chē)牌字符進(jìn)行識(shí)別。1系統(tǒng)總體設(shè)計(jì)車(chē)牌識(shí)別系統(tǒng)的構(gòu)成如圖1所示：圖1車(chē)牌識(shí)別系統(tǒng)的構(gòu)成其中各個(gè)模塊的研究?jī)?nèi)容包括：（1）車(chē)牌圖像采集:通過(guò)安裝在過(guò)道路口或者車(chē)輛出入通道的攝像機(jī)實(shí)時(shí)捕捉車(chē)輛視屏圖像， 并傳輸?shù)接?jì)算機(jī)上以便于實(shí)時(shí)的處理。（2）車(chē)牌圖像預(yù)處理：主要完成包括圖像灰度變化，圖像邊緣檢測(cè)

4、、圖像二值化等來(lái)突出車(chē) 牌的特征，以便于更好的車(chē)牌定位。（3）車(chē)牌定位：從攝入的汽車(chē)圖像中找到車(chē)牌的位置，并把含有車(chē)牌圖像的區(qū)域提取出來(lái)， 以供后端的字符分割處理。（4）車(chē)牌字符分割：對(duì)搜索定位后的車(chē)牌區(qū)域進(jìn)行字符分割，將車(chē)牌分為N個(gè)單一的字符。（5）車(chē)牌識(shí)別：對(duì)于提取出的單個(gè)字符，先進(jìn)行歸一化操作，再運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行 字符識(shí)別。（6）結(jié)果顯示：顯示處理后的車(chē)牌并與原始車(chē)牌相比較。2各個(gè)模塊設(shè)計(jì)2.1車(chē)牌圖像采集當(dāng)系統(tǒng)發(fā)現(xiàn)有車(chē)輛通過(guò)感應(yīng)線圈或監(jiān)視圖像發(fā)生變化時(shí)，觸發(fā)圖像采集系統(tǒng)，通過(guò)CCD 攝像機(jī)攝取采集出車(chē)牌圖像，然后車(chē)牌自動(dòng)識(shí)別模塊對(duì)車(chē)牌圖像進(jìn)行預(yù)處理、車(chē)牌定位、字 符分割、字符識(shí)

5、別等一系列處理識(shí)別出車(chē)牌號(hào)碼，識(shí)別結(jié)果和原始車(chē)牌圖像通過(guò)網(wǎng)絡(luò)傳輸至 監(jiān)控中心，留待以后車(chē)牌查詢(xún)和交通流量統(tǒng)計(jì)。本次設(shè)計(jì)主要是實(shí)現(xiàn)對(duì)已經(jīng)采集到的車(chē)牌 圖像進(jìn)行識(shí)別。2.2車(chē)牌圖像預(yù)處理汽車(chē)牌照中的字符主要由有限漢字、字母和數(shù)字組成，采用固定的印刷體格式。由于圖 像上字符光照不均、車(chē)牌本身污損、汽車(chē)行駛速度較快、牌照顏色類(lèi)型較多、拍攝角度及地 況等主客觀原因會(huì)使車(chē)牌字符發(fā)生畸變，從而造成識(shí)別上的困難，因此,為提高牌照的字符識(shí) 別率，必須進(jìn)行預(yù)處理，以便得到較為清晰的待識(shí)別的單個(gè)字符.這些預(yù)處理包括灰度變換、 邊緣檢測(cè)、腐蝕、填充、形態(tài)濾波處理等。預(yù)處理的效果對(duì)隨后的定位處理有很大的影響， 所以選擇

6、可靠的預(yù)處理算法也是非常重要的。圖像預(yù)處理程序設(shè)計(jì)流程圖如下：圖2車(chē)牌圖像預(yù)處理流程預(yù)處理的結(jié)果顯示如下圖3圖3車(chē)牌圖像預(yù)處理2.3車(chē)牌定位車(chē)牌定位方法的出發(fā)點(diǎn)是利用車(chē)牌區(qū)域的特征來(lái)判斷牌照，將車(chē)牌區(qū)域從整幅車(chē)輛圖像 中分割出來(lái)。在車(chē)牌識(shí)別中，定位的成功與否以及定位的準(zhǔn)確程度將會(huì)直接決定后期能否進(jìn)行 車(chē)牌識(shí)別以及識(shí)別的準(zhǔn)確度。車(chē)牌定位方法涉及到的具體方法有：基于邊緣檢測(cè)的方法、區(qū)域生長(zhǎng)法，構(gòu)造灰度模型 法，二值圖像的數(shù)學(xué)形態(tài)學(xué)運(yùn)算法，灰度圖像的數(shù)學(xué)形態(tài)學(xué)運(yùn)算法，自適應(yīng)邊界搜索法，DFT 變換法，模糊聚類(lèi)法等5這里采用基于邊緣檢測(cè)的方法，首先去除圖像中的背景，然后得 到汽車(chē)牌照的特征區(qū)域，再通過(guò)

7、一定的方式定位這個(gè)區(qū)域，最后把汽車(chē)牌照從圖像中分割出 來(lái)。所謂“邊緣”就是指其周?chē)袼鼗叶扔须A躍變化的那些像素的集合。“邊緣”的兩側(cè)分 屬于兩個(gè)區(qū)域，每個(gè)區(qū)域的灰度均勻一致，而這兩個(gè)區(qū)域的灰度在特征上存在一定的差異。 邊緣檢測(cè)的任務(wù)是精確定位邊緣和抑制噪聲。檢測(cè)的方法有多種，例如Roberts邊緣算子、 Prewitt算子、Sobel算子以及拉普拉斯邊緣檢測(cè)。這些方法正是利用物體邊緣處灰度變化劇 烈這一特點(diǎn)來(lái)檢測(cè)圖像的邊緣。各算子對(duì)不同邊緣類(lèi)型的敏感程度不同，產(chǎn)生的效果也不同, 經(jīng)過(guò)大量實(shí)驗(yàn)分析可知，Roberts邊緣算子是一種利用局部方差算子尋找邊緣的算子，定位比 較精確；Prewitt算子

8、和Sobel算子對(duì)噪聲有一定的抑制能力，但不能完全排除偽邊緣；拉普 拉斯算子是二階微分算子，對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確且具有旋轉(zhuǎn)不變性，但容易丟 失一部分邊緣的方向信息，同時(shí)抗噪能力較差。針對(duì)不同的環(huán)境和要求，選擇合適的算子來(lái) 對(duì)圖像進(jìn)行邊緣檢測(cè)才能達(dá)到好的效果。具體定位流程如下：圖4車(chē)牌定位流程圖車(chē)牌處理結(jié)果如圖5所示圖5車(chē)牌定位處理結(jié)果2.4車(chē)牌字符分割字符的分割是指將車(chē)牌區(qū)域分割成若干個(gè)單個(gè)的字符區(qū)域，把單個(gè)有意義的字符從字符 串中提取出來(lái)，作為獨(dú)立的字符圖像。字符分割的成敗與否直接影響到單字的識(shí)別效果，如 果分割出的字符出現(xiàn)了斷裂、粘連，則系統(tǒng)難以識(shí)別。本次設(shè)計(jì)中采用的是垂直投影字

9、符分 割方法，即先將圖像二值化，然后進(jìn)行水平傾斜以及豎直傾斜校正，去除一些噪聲，然后將 -4 -車(chē)牌像素灰度值按垂直方向累加，即所謂的垂直投影。由于字符塊的垂直投影必然在字符間 距或字符內(nèi)的間隙處取得局部最小值，所以分割位置應(yīng)該在局部最小值處6。此方法比較簡(jiǎn) 單易行，程序設(shè)計(jì)簡(jiǎn)單，便于設(shè)計(jì)和操作，因此比較常用。由于在車(chē)牌定位中得到的是彩色 的車(chē)牌區(qū)域圖像，故在字符分割前需對(duì)圖像進(jìn)行預(yù)處理。圖8車(chē)牌字符歸一化后顯示結(jié)果2.5車(chē)牌字符識(shí)別2.5.1BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介BP (Back Propagation )神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過(guò)程，由信息的正 向傳播和誤差的反向傳播兩個(gè)過(guò)程組

10、成。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并 傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需 求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，-5 -經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過(guò)程，由輸出層向外界輸出信息處理結(jié)果。 當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層，按誤差梯度下 降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳 播過(guò)程，是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，此過(guò)程一直進(jìn)行到網(wǎng) 絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)

11、習(xí)次數(shù)為止。BP神經(jīng)網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型和自學(xué)習(xí)模型。節(jié)點(diǎn)輸出模型隱節(jié)點(diǎn)輸出模型：O.=f(EW.XX.-.)輸出節(jié)點(diǎn)輸出模型：Y=f(ET XO )jIj 1 qjk jkj-qk7f-非線形作用函數(shù)；q -神經(jīng)單元閾值。作用函數(shù)模型作用函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)又稱(chēng)刺激函數(shù)，一般取為(0,1)內(nèi)連 續(xù)取值 Sigmoid 函數(shù)：f(x)=1/(1+e)誤差計(jì)算模型誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù)：Ep=1/2XE(tpi-Opi) tpi- i節(jié)點(diǎn)的期望輸出值；Opi-i節(jié)點(diǎn)計(jì)算輸出值。自學(xué)習(xí)模型神經(jīng)網(wǎng)絡(luò)的

12、學(xué)習(xí)過(guò)程，即連接下層節(jié)點(diǎn)和上層節(jié)點(diǎn)之間的權(quán)重拒陣Wij的設(shè)定和誤差修正過(guò) 程。BP網(wǎng)絡(luò)有師學(xué)習(xí)方式-需要設(shè)定期望值和無(wú)師學(xué)習(xí)方式-只需輸入模式之分。自學(xué)習(xí)模型 為Wij(n+1)= h X0 iXOj+aXAWij(n)h -學(xué)習(xí)因子；0輸出節(jié)點(diǎn)i的計(jì)算誤差；O輸出節(jié)點(diǎn)j的計(jì)算輸出；a-動(dòng)量因子。下圖為BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入保隱粉輸出抵2.5.2神經(jīng)網(wǎng)絡(luò)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是典型的有導(dǎo)師學(xué)習(xí)，其訓(xùn)練主要是利用誤差反向傳播算法，不斷修正 網(wǎng)絡(luò)權(quán)值矩陣。因?yàn)橐话愕能?chē)牌均由漢字、英文字母和數(shù)字組成，根據(jù)車(chē)牌字符的上述特點(diǎn)， 在用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別時(shí)，所選用的樣本需包括字符的這些特點(diǎn)，加上本次

13、實(shí)驗(yàn) 的特殊性，由于待識(shí)別車(chē)牌圖像有限，所得到的車(chē)牌字符不是很全，這里為簡(jiǎn)化起見(jiàn)，只對(duì) 漢字渝，數(shù)字09和字母A、L、M、N、R這幾個(gè)字符進(jìn)行訓(xùn)練。訓(xùn)練樣本如下圖10所示：圖10圖10訓(xùn)練樣本2.5.3神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果00圖11神經(jīng)網(wǎng)絡(luò)訓(xùn)練用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行識(shí)別，圖12為車(chē)牌識(shí)別結(jié)果:圖12不同車(chē)牌識(shí)別結(jié)果3結(jié)論汽車(chē)牌照的自動(dòng)識(shí)別技術(shù)作為智能交通的一部分已經(jīng)得到了越來(lái)越廣泛的應(yīng)用，良好的 自動(dòng)識(shí)別技術(shù)對(duì)現(xiàn)代化交通來(lái)說(shuō)具有重要意義。本設(shè)計(jì)運(yùn)用神經(jīng)網(wǎng)絡(luò)算法對(duì)汽車(chē)牌照進(jìn)行識(shí) 別，實(shí)現(xiàn)了對(duì)車(chē)牌預(yù)處理，車(chē)牌定位車(chē)牌分割，車(chē)牌識(shí)別，處在的不足在于，由于不同的汽 車(chē)牌照其傾斜度和所在位置不一，對(duì)于不同的車(chē)牌需要改變分割參數(shù)才能實(shí)現(xiàn)。參考文獻(xiàn)1廖金周，宣國(guó)榮.車(chē)牌的自動(dòng)分割J.微型電腦應(yīng)用，1999，（7）:P32-34廖翔云，許錦標(biāo)，龔仕偉.車(chē)牌識(shí)別技術(shù)研究J