两种神经网络在车牌识别中的运用.docVIP

两种神经网络在车牌识别中的运用 摘要：车牌自动识别系统是一个从图像设备中提取识别车牌号码的自动系统。这类系统在许多领域和地方都非常实用：停车场,私人和公共入口,边境管制,盗窃和危害性的监控等等。本文设计的就是这样一个系统。首先，我们用图像处理工具将每一个数字从车牌中分离出来，然后我们建立一个分类器，这是基于大约350个车牌分离出的数字所建立的。一旦车牌被检测到，它的数字将被识别出来，并在用户界面显示出来或者在数据库中查询。本设计的重点是能将车牌从带有车辆的图片中分离出来的算法，隔离并确认车牌的字符。我们的方法被认为是通过两种不同的神经网络识别车牌，进而确认车辆身份，这两种方法是：Hopfield法和多层感知器MLP。通过比较，结果显示其能够成功的识别车牌。实验结果证明Hopfield网络正确识别车牌字符的能力比MLP强。而Hopfield方法不好的一点就是处理时间。 关键字：车牌识别，图像处理，车牌定位，图像分割，特征提取，字符识别，人工神经网络 简介 　车牌识别应用图像处理和字符识别技术，并通过读取它们在过去数年里一直被监控的光学车牌字符确定车辆身份，参考[1], [2]中的模式识别。更令人着迷的是，问题的多样性（不同的语言集合）将被解决，以及先进机械智能技术的整合。因此，一定数量的应用已经出现（参见[3], [4]）。 车牌识别技术的步骤包括图像获取，车牌定位，字符分割和字符识别。在这个区域中有一批文字。一些相关的工作如下：文献[3]开发了一种传感系统，这种系统用两个电荷耦合器件和一个棱镜来获取图像。文献[8]提出了一种不需要提前知道字符的确切位置和大小就能准确的提取的方法。文献[7]探讨了阿拉伯语和拉丁语的识别。他们识别字符的的方法基于字符黑色像素的行列数目以及将这些值与数据库里的一套模板和标记比较。文献[10]和[3]应用了模板识别。相机在高分辨率的数码成像系统中完成核心采集。智能视觉系统的需求在工业中的运用越来越大，比如生物统计学，预定机器人（见文献12），障碍物替代，虚拟游戏，他们利用电脑进行科学视觉预测（见文献13），人工培养（见文献14），模式识别（见文献15）。 目前的工作是在数字图像上检测车牌上字母数字内容的识别能力。这些图像来源于一个丰富的基库，在那里光强度的变化是一致的，细小的旋转和翻动是被允许的。我们的方法是通过识别车牌用途来实现的，包括两个步骤：第一是从最初的车辆影像中提取车牌图像，然后从车牌图像中获取字符，最后一步是识别出车牌字符并确定车辆身份。基于此，在第一步，我们用带有42×24神经元的Hopfield网络作为每个字符的维度。这个网络记住了所有的实验数据（36个字符数）。为了验证网络的可行性，我们将建立一个可以读取字符顺序，分离字符并能识别它的项目，并最后能在一个记事本编辑器上显示出来。 与另一种形式的神经网络相比，多层感知器MLP更依赖于评估每一个网络的表现。本文其他的内容大体如下：在第二部分，我们提出了应用在我们试验中的真实数据库。在第三部分我们提出了将字符从车牌中分离的算法。第四部分提出了用两种神经网络方法识别字符的实验结果。第四部分做出了总结。 2.数据库 数据库（350张带有车牌的图片）包括了汽车正面的高质量图片（1280×960像素到120×180像素的高分辨率），不远不近，停在街上或者停车场，略带可以忽略的倾斜。 我们要注意到的是，在我们的系统里我们将任意把数据库的单位分成以下两种： 实验中我们尽可能的调节所有的参数和阈值已取得最好的结果。 我们将测试我们所有的项目。 被提供的图片的一些特性局限了我们的方法。此外，这些图片是灰白的，这就排除了彩色拍照用这种方法的可能。 3.车牌字符提取 我们的算法是基于文字所在区域的灰度级的强烈反差，这取决于文本区域与所在背景之间的对比，反之亦然。因此通过定位所有被这样强烈对比所标记且在上一步中被按照轴分割的的部分，我们加上一定的限制条件（表面，宽，高，宽度与高度比），进而找到文字候选区域，这些图片中的区域有可能就是车牌区域。 我们将每一块区域进行数学处理，我们计算出白色像素和黑色像素之间的关系（最小值/最大值）。这个比例与文字在图片背景上的比例相一致，这个比值应该大于0.15。（文本所占比例超过整个区域的15％）。 首先，将灰色的车牌区域转换成二进制代码，并构建一个与区域大小相同的矩阵。然后我们建造一个直方图以显示白色和黑色性质的变化。 通过以下的步骤，可以滤除噪音：我们逐行计算像素的总数，我们计算出代表黑色和白色变化的最小值min_sumbc和最大值max_sumbc。所有变化小于max_sumbc*0.08的都被认为是噪音。这些噪音将被取消以方便字符的分割。 为了检测每一个字符，我们通过最小变化值（和min_sumbc相同）来完成区