基于Lab色彩空间和ANN神经网络的车牌识别系统

2017年软件2017,Vol.38,No.12第38卷第12期COMPUTERENGINEERING&SOFTWARE国际IT传媒品牌基金项目:国家自然科学基金项目(NO:61471162)；国家国际科技合作专项项目(NO:2015DFA10940)；太阳能高效利用湖北省协同创新中心开放基金项目(NO:HBSKFZD2015005,HBSKFTD2016002)；湖北省教育厅科研项目(NO:Q20171401)作者简介:孔祥斌(1978)，男，讲师，主要研究方向：通信与信息系统。基于Lab色彩空间和ANN神经网络的车牌识别系统孔祥斌1,2，常贺1,2，蓝浩铭1,2，龚嘉晟1,2，董娜3（1.湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室，湖北武汉430068）(2.湖北工业大学太阳能高校利用湖北省协同创新中心，湖北武汉430068)（3.烽火科技股份有限公司，湖北武汉430070）摘要:针对目前车牌识别中车牌区域定位处理过程复杂、车牌字符准确率低等问题，本文采用Lab色彩空间识别结合传统sobel算子边缘检测的方法对车牌区域进行粗定位，再利用SVM模型进行精确定位。而在字符识别方面，本文利用ANN人工神经网络进行车牌字符识别，提高字符识别精度，经测试，该车牌系统对车牌区域识别定位准确，速度较快，字符识别准确度较高，具有较强的鲁棒性和实用性。关键词:图像识别；车牌识别；Lab色彩空间；人工神经网络中图分类号:TP391文献标识码:ADOI：10.3969/j.issn.1003-6970.2017.12.002本文著录格式：孔祥斌，常贺，蓝浩铭，等.基于Lab色彩空间和ANN神经网络的车牌识别系统[J].软件，2017，38（12）：0509EfficientLicensePlateRecognitionSystemBasedonLabColorSpaceandANNNeuralNetworkKONGXiang-bin1,2,CHANGHe1,2,LANHao-ming1,2,GONGJia-sheng1,2,DONGNa3(1.HubeiKeyLaboratoryforHigh-efficiencyUtilizationAndStorageoperationcontrolofScolarEnergy,HubeiUniversityofTechnology,Wuhan,430068,China;2.HubeiCollaborativeInNovationCenterforHigh-efficiencyUtilizationofScolarEnergy,HubeiUniversityofTechnology,Wuhan,430068,China;3.FiberhomeTelecommunicationTechnologiesCo.,Ltd,Wuhan,430070,China)【Abstract】:Aimedattheproblemoflicenseplaterecognizeprocessingcomplexandlowaccuracyrateoflicenseplatecharacter,amethodofLabcolorspacerecognitioncombinedwiththetraditionalSobeledgedetectionispro-posedtofingroughlocationofthelicenseplatearea.AndthenusingSVMmodeltofindaccurateposition.Asforcharacterrecognition,thispaperusestheANNartificialneuralnetworkforvehiclelicenseplatecharacterrecogni-tiontoimproverecognitionaccuracy.Experimentalresultsshowthattheproposedsystemrecognizeslicenseplateinimagewithfastspeedandhighaccuracy.Andithasstrongrobustnessandpracticalityincharacterrecognition.【Keywords】:Imagerecognition;Licenseplaterecognition;Labcolorspace;Artificialneuralnetworks0引言随着汽车工业的迅速发展以及大数据广泛应用的背景下，车牌识别系统作为智能交通中的一个重要的组成部分，有着更深层次的应用，目前对于车牌识别的研究还涉及计算机视觉、人工神经网络、模式识别等诸多领域，因此开展此系统的研究有着重要的理论意义及应用价值。目前车牌定位算法很多[1-4]，传统的车牌识别技术系统采用边缘检测[5-6]结合神经网络的方法实现车牌识别，但其过程复杂、准确率低，易受背景环境、图片分辨率等影响，为了增加车牌识别系统应用场景，提升识别系统鲁棒性，本文在传统sobel边缘检测的基础上加入了Lab颜色空间识别[7]，模仿人体色彩空间判断进行车牌区域识别判断，但相较于文献[7]，本文对于Lab色彩识别采取单通道提第38卷第12期软件6《软件》杂志欢迎推荐投稿：[e-mail]取的方法。在字符识别方面，采用ANN人工神经网络[8-10]进行识别，提高车牌识别精度，整个车牌识别流程如图1所示。图1车牌识别流程Fig.1Licenseplaterecognitionprocess1车牌定位1.1CIELab色彩空间Lab色彩空间是1931年国际照明委员会（CIE）制定的颜色度量国际标准的基础上建立起来的，1976年，经修改后被正式命名为CIELab，是一种基于生理特征的颜色系统，这也就意味着是用数字化的方法来描述人的视觉感应，能够有效地模仿人体识别车牌时的色彩判断，此外，Lab还具有色域宽阔的特点，能够最大程度地表示色域之间的色彩的过渡。Lab色彩空间如图2所示。Lab颜色空间的L分量表示像素的亮度，取值范围为[0,100]，表示从纯黑到纯白；a表示绿色到红色的范围，取值范围为[-128,127]；b表示从蓝色到黄色的范围，取值范围从[-128,127]。图2Lab色彩空间Fig.2Labcolorspace1.2Lab色彩空间转换由于一般图片输入的色彩空间为RGB色彩空间，由RGB色彩空间转换成Lab色彩空间，需先由RGB转换成XYZ色彩空间，再由XYZ色彩空间转换成Lab。（1）假设r、g、b为像素的三个通道，利用Gammma函数提升原始图片对比度：rRgamma255.0gGgamma255.0bBgamma255.0（1）将优化后的R、G、B分量分别乘以不同的系数转化为X、Y、Z分量：XRYM*GZB（2）0.41240.35760.1805M0.21260.71520.07220.01930.11920.9505（2）利用XYZ空间转化Lab色彩空间的公式直接带入：L116(/)16500[(/)(/)]200[(/)(/)]nnnnnfYYafXXfYYbfYYfZZ（3）1332629()12936tiftftotherwise（4）X95.047Y100.0Z108.883nnn，，（3）为了提升转化速度，通常会使用以下简化算法公式(5)直接带入：L13933*46871*4732*2^16377*(14503*22218*7714*)2^24128160*(12773*39695*52468*)2^24128RGBdivaRGBdivbRGBdiv（）（5）1.3基于Lab色彩空间的单通道提取法目前，国内的车牌分为蓝底白字、黄底黑字、黑底白字、白字黑字，其中以民用的蓝字白字的车牌适用范围最为广泛，所以本文选取蓝色车牌为例进行试验。利用颜色识别车牌时，需要选取适当的色彩空间使其对于颜色的描述准确匹配车牌区域内孔祥斌等：基于Lab色彩空间和ANN神经网络的车牌识别系统7《软件》杂志欢迎推荐投稿：[e-mail]色彩，同时减少背景色彩的干扰。而目前最常见的颜色空间是基于R、G、B三原色的RGB色彩空间，但RGB空间中的三个分量存在很强的相关性，同时三个分量对光线的强弱较为敏感，所以不适用于车牌区域识别。而Lab色彩空间色域宽阔，L、a、b三个分量比较独立，其颜色系统符合人体生理特征，能够更有效的表达色彩的判断，故采取Lab色彩空间识别。由于车牌定位处理图像中是以车牌区域主的蓝色目标，而b分量色域恰好介于蓝色与黄色之间，考虑到图像遍历匹配操作对图片处理速度的影响，本文采取提取单一通道的方法提取b通道分量刻画车牌特征。由于其中L通道表示图片的亮度，无法用于色彩识别，故不考虑L通道的提取。而从图3(a)中可以发现a通道车牌区域与车灯区域灰度值趋于一致，在灰度直方图中，各个灰度级在像素点中的频率集中在一小段区间内，呈现单峰状，不能有效识别车牌区域。从图3(b)中可以看出，图片内基本区别了背景区域、车灯区域以及车牌区域，灰度直方图中出现明显的多峰态，可以有效区分车牌区域与非车牌区域。（a）a通道灰度图及其直方图（b）b通道灰度图及其直方图图3实验对比图Fig.3Experimentalcontrastchart将所得到的b通道灰度图中灰度值阈值设置为150，利用固定阈值化的方法转化为二值图片，运用形态学闭操作，矩形模板大小为17*17，连接车牌内缝隙，得到最终候选区域。实验图片处理结果如图4所示。1.4垂直边缘检测由于色彩空间容易受到背景环境的影响，具有一定的局限性，所以本文在色彩识别的基础上加入了传统的sobel边缘检测，提高系统识别准确率。首先对色彩识别错误的图片重新载入，对原图像作高斯滤波处理，模板大小为5*5，去除图片中的噪声干扰。随后将图片灰度化，利用sobel算子对灰度图水平方向导检测车牌垂直边缘。图4形态学处理结果Fig.4Theresultofmorphologicalprocessing图5sobel水平求导Fig.5Sobelhorizontalderivation将图片作二值化处理，使用OTSU阈值化结合固定阈值化处理转化为二值图片，运用形态学闭操作连接车牌区域内字符间缝隙，模板大小为20*3，得到结果如图6所示。1.5SVM定位在载入模型之前，首先对经过色彩识别处理或边缘检测处理的二值化图像提取轮廓，利用提取的轮廓宽高比及面积大小进行第一次筛选。本文采用的支持向量机为由台湾林智仁教授开发的libsvm库，提取正负样本中的Hog（方向梯度直方图）特征进行训练，训练时SVM使用Liner核函数，迭代次数为10000次，容许误差为0.0001，车牌区域样本大小设为144*33，将训练好的数据生成xml文件，在进行车牌精确定位时直接载入模型。第38卷第12期软件8《软件》杂志欢迎推荐投稿：[e-mail]图6sobel边缘检测结果Fig.6Theresultofsobeledgedetection对筛选后的区域提取Hog特征，输入进已经训练好的SVM模型进行比对，得到最终的车牌区域，实验结果如图7所示。图7车牌定位图Fig.7Licenseplatelocation图8神经网络结构图Fig.8Neuralnetworkstructure2ANN字符识别2.1BP算法目前较为常见的字符识别方法有基于模板匹配的识别方法、基于字符结构的识别方法以及基于神经网络的字符识别方法。本文采用ANN神经网络进行识别，ANN神经网络设置为三层，分别为输出入层、输出层和隐藏层，神经网络中采用BACKPROP反向传播训练方法，神经