基于人工神经网络的车牌识别探究.docVIP

基于人工神经网络的车牌识别探究 　　摘 要：近年来，随着人们生活水平的提高，交通道路中的车辆数量也日益增多，如何快速有效的管制交通显得尤为重要。为了解决交通管制问题，越来越多的研究者将目光转向以计算机为基础的自动控制系统。自动车牌识别系统是近几年研究的热点话题，本文在这项工作中，提出了基于人工神经网络的车辆牌自动识别系统。在系统中，使用已知车辆图片，对车牌指定区域进行算法识别，算法能够识别的字符包括单个汉字、字母和数字，在车牌定位上利用Canny边缘检测算子和斑点染色法测定，斑点的着色方法应用于投资回报率的性状分离。最后，通过使用平均绝对偏差公式提取字符特征，利用反向传播多层感知器神经网络对数字字符进行分类。 　　关键词：车牌识别；人工神经网络；模糊着色；字符识别 　　DOI：10.16640/j.cnki.37-1222/t.2016.13.129 　　0 引言 　　随着科技的进步人们生活水平的提高，私家车的数量也正在日益增加。在城市车辆管理中对车辆及其车牌的识别要求越来越多，为了能够快速准确的识别车牌号码，多数学者将目光转向以计算机为基础的自动车牌识别系统的开发[1]。在这项研究中，本文提出了一个较为高效的基于人工神经网络的自动车牌牌照识别系统，系统由三部分组成，首先从车牌图像中对车牌区域进行定位，然后从车牌图像中分割出车牌图像，最后识别出车牌图像的分割特征。 　　1 板块区域定位 　　车牌识别系统的第一阶段就是从车辆图像中找到车牌位置。该板块区域由蓝色背景和白色字符组成，在此版块中，蓝色和白色两种颜色之间的转换是非常密集的。我们发现该地区中包括过渡点最多，分离找到的板块区域。 　　用Canny边缘检测算子[2]在车辆分离图像中获得相应过渡点。这里，Canny边缘检测器使用一个滤波器基于一阶导数的高斯平滑。对平滑后的图像消除噪声，接下来的工作就是找到边缘强度的图像梯度。在这个过程中，算法需要逐个计算出梯度的边缘强度，再结合版块边缘点，找出过渡点最为密集的区域，这个区域即为目标版块区域。根据边缘图，确定过渡点之间蓝色和白色的颜色特征。 　　2 字符分割 　　在分割过程中加强灰度车牌图像的处理，因为对比度的差异发生在相机的图像上。此外，将不需要的脏区域分割存储。 　　在这项工作中，通过施加对比度扩展和中值滤波技术对灰度图像增强，通过图像和噪声的对比度，可将白色背景下的脏区域完全消除。图像增强后，对斑点实施着色方法来确定有效字符的边界。 　　扩展图像的对比度，就意味着对图像的直方图均衡化[3]。换句话说，通过对比度扩展使图像锐化。图像的灰度直方图是图像中灰度值的分布，直方图均衡化是一种目前较为流行的技术，作用是改善一个贫穷的对比图像的外观。 　　中值滤波主要用于消除不必要的噪声区域。这种滤波方法，实际上是通过周围的图像构建3X3矩阵，其中，矩阵的维数可以根据噪声电平进行调整。 　　本文使用BLOB着色算法[4]在二值图像区域构建框架。该算法使用一个特殊的升形模板扫描图像从左至右，从上到下，通过扫描确定独立的区域，再获得连接到四个方向的背景区域。这里，四个方向上的斑点着色算法使用二进制编码的车牌图像获取特征。最后，从车牌区域的图像获得的分段字符。 　　在这项工作中，分段的字符分别表示为汉字、数字和字母。为了达成这个目的，将车牌图像分为两个区域：第一个区域由一个汉字和一个字母组成，表示城市交通代码；第二个区域由五位数字或字母组成。在这一过程中，需要对实验图像进行扫描，扫描的形式为从左向右水平扫描，记录空格位置，如果空格的值高于该字符区域的阈值，则该位置即为分割位置。 　　3 特征提取 　　将之前获得的分割字符图像分别保存为文件。通过使用两个单独的人工神经网络对图像进行识别，增加识别成功率。分类前，先要进行特征提取，特征提取为我们提供了一个图像分割最重要的信息，此信息可以作为一个特征向量。使用特征向量对全局和局部特征的字符编码，为后面字符比较做准备。在所提出的方法中，本文使用平均绝对偏差算法的虹膜图像的特征向量进行编码。 　　在这项工作中，数字图像分为4x5像素尺寸的子图像和字母图像分为5x5像素尺寸的图像，每个子图像都有独特的提取特征。将整个特征向量应用于人工神经网络作为字符分类的输入。 　　4 字符识别 　　在字符识别方面，我们首先要对汉字、数字和字母进行分类，本文使用两个单独的人工神经网络对图像进行识别增加成功率。在构建架构时，两者都有相同的架构，只有输入号码不同。使用两个单独的人工神经网络识别的原因是提升识别相似度较高的数字和字母，如“0”，“o”，“O”和“z”，“Z”等的准确度。 　　在该方法中，使用一个多层感知器（MLP）神经网络模型来进行特征分类。MLP处理单元被安排在