基于PCNN车牌分割技术.docVIP

基于PCNN车牌分割技术 　　[摘要]近几年，随着神经网络理论的深入研究，神经网络技术的并行性计算能力、非线性映射和自适应能力等优点得到了充分的认识，各种神经网络模型在图像处理领域中得到了广泛的应用。脉冲耦合神经网络（PCNN）是20世纪90年代发展起来的新一代神经网络模型，特别适合于图像处理的各个方面。对PCNN在彩色图像分割上的应用进行了研究，将彩色图像空间变换成三个独立的分量作为PCNN的输入，实现车牌的定位分割，实验表明，该方法对于车牌的定位分割是有效的。 　　[关键词]神经网络 彩色图像 车牌分割 　　中图分类号：TP2 文献标识码：A 文章编号：167175－97(2008)0620195－01 　　 　　一、引言 　　 　　随着高速公路快速发展,高速公路收费制约道路通行能力的重要因素, 而高速公路收费、监控、通信系统已经基本建立,充分利用现有设备来提高收费速度十分重要。车牌识别系统可以利用工业电视摄像机获取运动车辆图像,然后从车辆图像中识别出车牌号码,为收费提供数据(如车辆的入口、出口、车型和应收费额等),可以避免车辆进入、驶出高速公路必须停车等问题。车牌识别还可应用于其他场合,如养路费交纳、安全检查、运营管理和不停车检查等。因此在智能运输系统框架各种应用技术中,车牌识别是其中重要技术之一。车牌识别主要由车牌分割和车牌识别组成。 　　车牌分割是使用图像分割技术把车牌目标从背景中分割出来,车牌识别是使用已分离车牌图像进行数字、字母识别,获取车牌信息。本文主要研究基于PCNN的彩色图像车牌分割技术。 　　 　　二、车牌分割算法 　　 　　车牌分割作为车牌识别系统的重要环节，对系统识别精度和速度有着非常重要的影响，国内外对车牌的定位分割都进行了深入的研究。如Hough变换以检测直线来提取车牌边界区域，使用灰度分割及区域生长进行区域分割，或使用纹理特征分析技术等。Hough变换方法对车牌区域变形或图像被污染时，失效的可能会急剧增加，而灰度分割则比直线检测的方法稳定，但当图像中有许多与车牌灰度非常相似的区域时，该方法也就无能为力了。纹理分割在遇到与车牌纹理特征的其他干扰时，车牌定位正确率也会受到影响。因此，单一的方法难以达到实际应用的要求。由于彩色图像比灰度图像提供的信息更多，并且随着计算机处理能力的快速提高，彩色图像处理越来越受到人们的关注。文献[1]把主要的彩色图像分割方法分为：直方图阈值法、特征空间聚类、基于区域的方法、边缘检测方法、模糊方法、神经网络方法共六种方法。其中神经网络方法是在现代生物学研究基础上提出的模拟生物过程，反应生物神经某些特性的一种计算结构。在处理图像信息上，具有天然的优势。脉冲耦合神经网络(Pulse-Coupled Neural Network，简称 PCNN) [2]更是其中的佼佼者。本文利用车牌的彩色信息，提取主要的颜色特征，并采用PCNN对这些特征进行融合处理，提高了车牌分割的准确性。 　　 　　三、脉冲耦合神经网络原理 　　 　　PCNN是由Eckhorn为解释猫大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的。在PCNN中，具有相似输入的神经元同时发生脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整地保留图像的区域信息，这对图像分割是非常有利的。 　　PCNN 是一种不同于传统人工神经网络的新型神经网络。它是由若干个神经元互连而构成的反馈型网络，每一神经元 的简化结构模型如图1，其解释如下[3]： 　　 　　图1神经元简化模型 　　PCNN神经元接受反馈输入 和链接输入 ，然后在其内部神经元活动系统形成内部活动项 ，当 大于动态门限 时，PCNN产生输出时序脉冲序列 。PCNN的原理用数学式表达为 　　 　　式中 ， 和 分别为神经元的外部刺激（输入）、内部行为和输出； 和 分别为神经元的链接域和反馈域两个输入通道， 和 　　 为神经元之间的连接权系数矩阵， 和 分别是反馈域和链接域的放大系数； 和 是变阈值函数输出和阈值放大系数，，和 分别为链接域、反馈域和变阈值函数的时间常数。当PCNN用于图像处理时，它为一单层二维的局部连接网络，神经元与像素点一一对应。 　　 　　四、基于PCNN的彩色车牌分割 　　 　　要分割一幅彩色图像，首先要选好合适的彩色空间，表达颜色的彩色空间有许多种，它们常是根据不同的应用目的而提出的。彩色图像常用R、G、B三分量的值来表示。但是R、G、B三分量之间常有很高的相关性，直接利用这些分量常常不能得到所需的效果。为了降低彩色特征空间中各个特征分量之间的相关性，以及为了使所选的特征空间更方便于彩色图像分割方法的具体应用，实际上常需要将RGB图像变换到其他的彩色特征空间中