基于并行神经网络的车牌字母和数字识别.pdfVIP

基于并行神经网络的车牌字母和数字识别 曾 飞 武汉理工大学 自动化学院， 湖北 武汉 （430063 ） zengfei2004@126.com 摘 要： 字母和数字识别是汽车牌照实时自动识别的关键技术之一。本文提出一种以标准 BP 神经网络构造并行神经网络的字母和数字识别方法，用 PVM 网络组成虚拟并行平台来实 现并行神经网络。实验结果证明，该网络具有满意的收敛速度，能在 28ms 内准确实时的识 别车牌字母和数字。 关键词： BP神经网络；并行神经网络；PVM网络 1. 引 言 汽车牌照自动识别系统（License Plate Recognition System，LPR）技术作为目标自 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 [1][2] 管理自动化的程度,它的相关研究正逐渐受到人们的重视 。 汽车牌照自动识别系统包含 3 大主要模块, 即牌照的预处理、定位分割与识别，本文讨 论的是车牌字母和数字识别问题。 人工神经网络具有良好的自适应性、自组织性, 很强的学习功能、联想功能和容错功能, 其识别率高, 抗干扰能力强, 灵活性大, 但是学习过程较长[3][4]。大规模的并行处理和分布 式信息存储非常适合于在大规模并行处理器上实现,而大规模并行处理器的日益普及,为并 行神经网络奠定了物质基础[5]。本文采用并行神经网络的方法, 对汽车牌照进行了识别, 在 准确性、速度、识别率方面取得了很好的效果。 2. 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， 这样会对后面的识别造成影响，因此必须对字符进行归一化处理，本文归一化为 36×20 的 点阵。又因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 给出预处理过的标准训练样本。 图 1字母和数字标准训练样本 在构造一个高性能车牌识别系统中，特征的选取是一个关键的问题，这关系到后面能否 准确识别的问题，而任何一个特征往往是从某个方面来刻画图像的，因此多种特征相结合的 提取方法[6]。考虑到系统的实际情况，笔者采用了粗网格特征和纹理特征相结合的特征提取 - 1 - 办法。以字符A为例，提取字符特征的步骤为：首先将字符A归一化为 36×20 的比例尺寸， 然后分为 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 给出了字符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， 还需对特征归一化处理，否则会造成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 2 1 12 24 5