基于神经性网络的车牌识别参考论文

基于神经性网络的车牌识别参考论文摘要：随着现代交通运输的迅猛发展，以及汽车的大量普及，车牌识别技术的应用已经成为交通管理部门重要的管理手段。本文主要研究了车牌字符的识别技术，并将BP神经网络应用于车牌的识别，在车牌图像进行预处理的基础上，重点讨论了用BP神经网络方法对车牌字符的识别。BP网络包含了神经网络理论中精华部分，由于其结构简单、可塑性强，得到了广泛的应用，特别它的数学意义明确、步骤分明的学习算法更使其具有更广泛的应用背景。本文介绍的方法是建立在首先将训练样本做图像预处理，再对车牌上的字符进行分割，得到单个字符的基础上，对大小不一的字符做归一化后，得到二值图像，作为输入矢量。把这个特征向量送到BP网络中进行训练，得到了训练好的权值。然后输入要识别的图片，进行识别。程序结果显示该方法具有一定的可靠性和应用性。关键字：LPR；字符识别；BP神经网络；Abstract：Withtherapiddevelopmentofthemoderntransportandthelargenumberofpopularcar,licenseplaterecognitiontechnologyhasbecomeanimportantmanagementtoolofthetrafficmanagement.Forthediscernmenttothenumberplatecharacter,thistextappliesBPneuralnetworktotheautomaticdiscernmentoftheautomobilenumberplate,onthebasisthatthenumberplatepicturegoesoninadvancetreated,isituseBPneuralnetworkmethodtocardiscernment,licenseplateofcharactertodiscussespecially.BPnetworkincludesneuralnetworktheoryinessence,becauseofitssimplestructure,strongplastic,itiswidelyused.Particularlyitsmathematicalmeaningclear,distinctstepinthelearningalgorithmismoretothewideruseofbackground.Willtrainsamplestodothepretreatmentofthepictureatfirst,characterinnumberplatecutapart,gettheindividualcharacter.Thenwegetacharacteristicvectorquantitylikethistoput.SendthecharacteristicvectorquantityBPnetworktogetgoodrightvalueoftraining.Openpicturediscernedtowant,goontopictureinadvancetreatedtocandiscern.Itshowsthatthevalidityofthismethod.Theresultsoftheproceduresshowedthatthemethodisreliability.Keywords：Thecharacterdiscerning；LPR；BPneuralnetwork；1引言随着21世纪经济全球化和信息时代的到来，计算机技术、通信技术和计算机网络技术迅猛发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用。高速度、高效率的生活节奏，使汽车普及成为必然趋势，交通管理自动化越来越成为亟待解决的问题。在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。目前指纹识别、视网膜识别技术已经到了实用阶段；声音识别技术发展也相当快，而对汽车牌照等相关信息的自动采集和管理对于交通车辆管理、园区车辆管理、停车场管理、交警稽查等方面有着十分重要的意义，成为信息处理技术的一项重要研究课题。车辆牌照识别（LicensePlateRecognition，LPR）技术作为交通管理自动化的重要手段，其任务是分析、处理汽车监控图像，自动识别汽车牌号，并进行相关智能化数据库管理。LPR系统可以广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、监测黑牌机动车、监控违章车辆的电子警察等需要车牌认证的重要场合，尤其在高速公路收费系统中，实现不停车收费技术可提高公路系统的运行效率，LPR系统更具有不可替代的作用，因而对LPR车牌识别技术的研究和应用系统开发具有重要的现实意义。2原理LPR系统中的两个关键子系统是车牌定位系统和车牌字符分割识别系统。车牌定位与识别方法，总体来说是图像处理技术与车牌本身特点的有机结合，当然也包括小波分析、神经网络、数学形态学、模糊理论等数学知识的有效运用。一个车牌定位与识别系统基本包括：图像预处理、车牌搜索、车牌定位、车牌校正、车牌字符分割和字符识别结果的输出。为了寻求一种智能化的车牌定位方法，人们尝试利用数学形态学和小波等原理对传统的车牌定位方法进行改进，取得了一定的成果。李波等人提出了基于数学形态学和边缘特征的车牌定位方法，这种方法先对车牌图像进行预处理，然后利用基于垂直方向结构元素的腐蚀运算进行滤波，再用闭合运算来填补车牌区域内细小孔洞，进而增强车牌区，使车牌区成为一个连通区域，最后利用字符边缘的特征对车牌进行准确的定位。左奇等人提出基于数学形态学的实时车牌图像的分割方法，这种方法不仅可以快速、准确地定位不同光照条件下的一系列汽车图像中的车牌，而且还适于对有噪声及复杂背景的车牌图像进行分割。一般将形态学变换作用于实际图像的过程称为形态学运算车牌字符识别是车牌自动识别技术的另一项关键技术，字符识别的方法有很多，主要有:(1)模板匹配法;(2)特征匹配法；(3)人工神经网络法，人工神经网络通过对大量样本的学习获取知识，不断改进自身性能，从而保证系统对字符的高识别率。这种方法适用于学习系统所处的环境平稳的情况，而对于所处的环境不平稳的情况，很难自适应学习环境特性，因此，很难保证字符识别系统的要求。近年来随着数学形态学在数字图像处理中的广泛应用，人们开始探索用数学形态学的理论来解决字符识别的问题。在图像处理过程中，先利用数学形态学的开启运算和闭合运算去除噪声或连接目标，从而达到恢复图像的目的。一般情况下，利用开启运算可以消除散点和“毛刺”，而利用闭运算则可以在选择适当的结构元素后将两个邻近的分离目标进行连接。然后再利用变形的数学形态学运算识别车牌字符。字符识别系统用到的方法很多本，系统中主要用到的是基于神经网络的字符识别方法。车牌定位和字符分割两个模块的处理实际上都可看作是字符识别模块的预处理，车牌识别的根本目的是输出牌照号码，因此字符识别是整个系统的核心。和其他模式识别一样，字符识别的基本思想也是匹配判别。其基本过程如下：首先对分割出来的字符进行预处理，并抽取出代表未知字符模式本质的表达形式（如各种特征），然后将此表达形式和预先存储在机器中的标准字符模式表达形式的集合(称为字典)逐个匹配，最后用一定的准则进行判别，即在机器存储的标准字符模式表达形式的集合中，找出最接近输入字符模式的表达形式，该表达模式所对应的字符就是识别结果。车牌字符识别实际上是依附在车牌上的印刷体文字的识别，能否正确识别不仅是文字识别技术的问题，还是考虑其载体——车牌区域的影响。车牌字符识别技术是文字识别技术与车牌图像自身因素协调兼顾的综合性技术。由于摄像机的性能、车牌的整洁度、光照条件、拍摄时的倾斜角度及车辆运动等因素的影响使牌照中的字符可能出现比较严重的模糊、歪斜、缺损或污迹干扰，这些都给字符识别带来了难度。尽管如此，我国依然有大量的学者从事车牌字符识别研究，文献给出了基于神经网络的车牌识别方法，对于解析度较高和图像比较清晰的车牌，这些方法能有效识别车牌中的字符，但对于较低解析度和较为模糊的车牌无能为力。本系统主要是在对汽车图像进行细致分析，从而研究车牌定位与识别的算法问题。3车牌字符识别的神经网络设计3.1车牌字符识别的设计思路本次设计主要采用了BP（Back－Propagation）神经网络。本实验主要是对标准车牌字符图像的二值化及其分割提取后的样本图片进行识别。首先，构造训练样本集，使用大量带有各种噪声的样本图片作为神经网络的训练样本；次之，构造神经网络，把训练样本送入网络进行训练，得到训练好的权值；最后，用训练好的网络对测试图片进行识别。3.2车牌字符识别的神经网络设计按照BP神经网络设计方法选用两层BP网络。其输入节点数为16×16＝256，隐层传输函数为Sigmoid函数。假设用一个输出节点表示10个数字，则输出层传输函数为pureline，隐层节点数为)10~1(1256aa，取25。（1）构造训练样本集，并构成训练所需的输入矢量和目标矢量：准备10组，每组10个（0～9）数字bmp图片作为训练样本。其中1组为清晰的，另9组是在清晰样本的基础上，用Matlab添加'salt&pepper'、'gaussian'等噪音制作成的（下图示以“5”为例）。这些图片经过一定的预处理，取出其最大有效区域，归一为16×16的二值图像，作为输入矢量。（2）对BP神经网络进行仿真。用不同的方法生成测试样本图像，存于另外的bmp文件中，测试结果如下：测试样本识别情况与训练样本完全相同测试20个样本（2组0～9，皆是训练样本的复本），100%正确与训练样本用相同的噪音算法生成测试20个样本（2组0～9，分别加'salt&pepper'、'gaussian'噪音），60%正确在清晰的训练样本基础上用MicrosoftWindows画图工具手工加入杂点测试20个样本（2组0～9，分别用“喷枪”加黑色与白色随机杂点），35%正确为提高识别率，可以增加训练样本，或通过增加字体的特征向量等途径来解决。由于涉及较多的理论，这里不再深入讨论。代码测试：按F5开始运行代码。MATLAB主窗体显示基本训练信息如下:TRAINGDX,Epoch0/2500,MSE11.3228/0.001,Gradient11.1045/1e-006TRAINGDX,Epoch10/2500,MSE6.7218/0.001,Gradient1.92369/1e-006TRAINGDX,Epoch20/2500,MSE5.01921/0.001,Gradient1.65038/1e-006TRAINGDX,Epoch30/2500,MSE3.18019/0.001,Gradient1.30639/1e-006TRAINGDX,Epoch40/2500,MSE1.61006/0.001,Gradient0.816594/1e-006TRAINGDX,Epoch50/2500,MSE0.676613/0.001,Gradient0.544178/1e-006TRAINGDX,Epoch60/2500,MSE0.218541/0.001,Gradient0.306188/1e-006TRAINGDX,Epoch70/2500,MSE0.0491025/0.001,Gradient0.1405/1e-006TRAINGDX,Epoch80/2500,MSE0.0105857/0.001,Gradient0.0718434/1e-006TRAINGDX,Epoch90/2500,MSE0.00881877/0.001,Gradient0.18986/1e-006TRAINGDX,Epoch100/2500,MSE0.0073792/0.001,Gradient0.0885415/1e-006TRAINGDX,Epoch110/2500,MSE0.006569