基于BP神经网络的汽车牌照识别

汽车车牌识别系统的设计文献综述

第12卷第4期2003年12月淮　海　工　学　院　学　报

JournalofHuaihaiInstituteofTechnologyVol.12　No.4

Dec.2003

文章编号:100823499(2003)0420025203

基于BP神经网络的汽车牌照识别

李丰林

(淮海工学院电子工程系,江苏连云港　222005)

Ξ

摘　要:提出了一种用BP,在特征提取时采用了Fourier投影2;,采用并行算法对BP网络分类器进行了处理;。实践证明,利用BP,,,。

关键词:B;.9;　　　文献标识码:A

RecognitionofCarLicensePlatesBasedonBPNetwork

LIFeng2lin

(Dept.ofElectronicEngineering,HuaihaiInstituteofTechnology,Lianyungang222005,China)

Abstract:AmethodofrecognizingcarlicenseplatesbasedonBPNetworkisproposedinthispaper.Aslicenseplatesareallprintedinboldcharacters,FourierProjectDescriptors(FPD’s)methodisusedtogetthefeaturevector.Besides,becauseallthecharactersandnumeralsaredistributedinorderontheplates,theBPNetworkcategorizerisprocessedbyparallelalgorithm.Besides,thedynamicgeneandthelearningstepthatcanadjustitselfareintroducedtotheBPalgorithm.Actualpracticeshowsthattheproposedrecognitionmethodisfastandaccuratewithhighvalueofapplication.

Keywords:backpropagation(BP)algorithm;takingoflicenseplates;recognitionoflicenseplates;network

0　引言

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。本文仅就车牌识别部分展开讨论。目前,对车牌文字识别的方法[1]主要有结构法、统计法、人工神经网络法。统计法依赖于大量的原始样本和数值计算,一经统计,其局部噪声和微小的变形就会被淹没在整体特征中,可以用来区分结构敏感部位的差异性也随之淹没了。结构法却恰恰相反,它需要通过结构分析,利用文字的结构关系来识别。结构法提取的是结构特征,因而这些敏感部位的差异能显现出来,但对噪声比较敏感,稳定

收稿日期:2003207203;修订日期:2003210231

性差。人工神经网络法的主要特征是:大规模的并行处理和分布式信息存储,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,但学习过程较长。本文采用统计法和人工神经网络法相结合的方法,对汽车牌照进行了识别,在速度、识别率方面取得了很好的效果。

1　BP神经网络算法

[2]

BP神经网络算法采用梯度下降法的理论,其

中心思想是:每个权值都是N维误差空间中的一个

Ξ

汽车车牌识别系统的设计文献综述

26淮海工学院学报2003年12月　

元素,在误差空间中权值作为独立的变量,并且相应误差表面的形状由训练集合和误差函数共同决定,每当训练一个样本或一批样本,网络就小幅度调整权值的大小,使误差函数沿着误差减小最快的方向下降。基本的BP神经网络算法为最速下降法即SDBP(SteepestDescentBackpropagation)。SDBP算法最简单但也是最慢的最小化方法,为加快收敛速度可采用启发式方法和标准的数值优化方法。启发式方法包括动量方法(MOBP:MomentumBack2propagation)和可变学习速度法(VLBP:VLearningrateBackpropagation)方tBackp)2MarquardtBackpropagatiMOBP易于实现,可以用批处理或增量处理模

不同区域或网格,在各个小区域内分别抽取统计特征,在特定位置对特定大小的窗口内的图像进行变换,如投影特征、细胞特征、计算方向线素特征等。

采用统计方法中的投影2变换系数法求得特征矢量[3]。常用的变换方法有Fourier变换、Walsh变换和Rapid变换。由于拍摄角度、光线的强弱、预处,牌照的、针对这种情况,采用rier变换系数,抗干扰能力②Fourier变换算法较简单、快速,对车牌识别实时性强。

212　BP网络分类器的实现

车牌上文字的分布是有规律的。为了提高识别速度和识别率,采用了并行算法,针对不同的识别对象、识别个数,设计了汉字网、英文网、英文+数字网、数字网4个网络。即第1个文字送到汉字网,第2个文字送到英文网,第3个文字送到英文+数字

式,它的速度明显快于SDBP,但需要选择动量系

数,并且算法对它的选择并不敏感。

VLBP方法比MOBP快,但只能用批处理方式,需要更多的储存空间。VLBP需要选择的参数较多,算法具有鲁棒性,但参数的选择能影响收敛速度,并且与实际问题相关。

CGBP一般快于VLBP。这是一种批处理方法,在每次迭代时要进行线性搜索,它的存储需求与VLBP相当。

LMBP是以上几种算法中最快的一种。它需要选择两个参数,但算法对参数的选择并不敏感。其主要缺点是存储需求大且要求矩阵的逆。

网,第4至7个文字送到数字网。213　车牌的识别21311　参数的确定　

(1)输入层节点数的确定。从FFT变换后的结

果可以看出,各向量中某些分量相同,利用它们进行分类很容易导致误分。本文选择了最佳维数,如表1所示,输入层节点数和字符的特征向量维数相同。

(2)输出层节点数的确定。输出层节点数和待识别的字符数量相同,如表1所示。

(3)隐含层节点数的确定。隐含层节点数少了,学习过程不收敛;隐含层节点数多了,则网络的学习及推理效率变差。根据

s=

s=

n+m+a,

2　车牌识别

211　特征提取

车牌字符特征提取主要有结构、统计两种方法。结构方法是字符识别发展最早的一种方法,它的基本思想就是把字符图像分割、简化为若干的基元,主要有基于骨架、轮廓和字符笔画等的方法。统计方法的特征提取是从车牌字符原始数据中提取与分类最相关的信息,使得类内差距极小化,类间差距极大化,特征对同一个字符类的形变应该尽量保持不变。统计特征又可以分为全局特征和局部特征。全局特征主要是对整个字符图像进行变换,利用变换系数作为特征,常用的变换包括KL2变换、Fourier变换、Gabor变换、Hadamard变换、DCT变换、小波变换和矩特征变Walsh变换、Rapid变换、

换等多种方法。局部特征是将字符点阵图像分割成

0143mn+0112n2+2154m+0177n+0135+0151

两个经验函数确定隐含层节点数,其中m为输入层节点数,n为输出层节点数,s为隐含层节点数,a为1至10之间的整数,结果如表1所示。

表1　输入层、输出层和隐含层节点数表

Table1　Theinputlayernodenumbers,outputlayer

nodenumbersandhiddenlayernodenumbers项目输入层节点 个

输出层节点 个隐含层节点 个

汉字

145424

英文

162618

英文+数字

203620

数字

71014

汽车车牌识别系统的设计文献综述

　第4期李丰林:基于BP神经网络的汽车牌照识别

表2　车牌识别网络学习结果

Table2　Thelearningresultofrecognitionof

carlicenseplatesnetworks

网别

输入层节点 个

1314

27

(4)非线性兴奋函数。在样本输入前把它们归

一化到了[01001,110],非线性兴奋函数

f(x)=

。1+e-x

(n)+Γ(tk-yk)yk

jk

(5)权值的调整。

w

jk

样本总数训练次数 个 次

1851851851651501301501502002002001602007070607070

100001000080005000100007000100001000010000750010000100002800030000300002000030000

训练时

间 min

60705635805236302742117128105901101925181618

识别率 %

981610098169610010010098159812931410010096199516891595179917961998149617

(n+1)=w

jk

(1-yk)hj+Α w

M

(n-1),

hj)

汉字网

wij(n+1)=wij(n)+Γhj(1-

141416

∑

k=1

((tk-yk)yk(1-yk)xi+Α wij(n-1),

其中Α为动态因子,从而改善收敛性,此处Α取019。

常规BP取值为0101～题:,可能出现麻痹现象,即操作在S型函数的饱和区,其导数非常小,随之学习因子也非常小,若激活函数的导数趋于零,误差趋于零,则学习因子趋于零,相当于学习过程几乎停顿下来;当学习因子取值过小时,收敛速度过于缓慢。而在迭代过程中,根据误差函数的变化自适应调整学习因子可有效地解决上述两个问题,误差函数为:

111Γ(n)

E(n+1)<E(n)E(n+1)>1105E(n)E(n)≤E(n+1)≤1105E(n)

1615212020201867

英文+数字网

数字网775

Γ(n+1)=

017Γ(n)

。

312　结果分析

(1)合理选择网络参数对系统性能的实现起着

Γ(n)

(6)阀值的调整。

× k(n+1),Ηk(n+1)=Ηk(n)-Γ× j(n+1)。Ηj(n+1)=Ηj(n)-Γ

(7)输出期望值。将输出期望值1变为019,0

变为011,则标准输出向量变为011和019的组合,

摆脱了函数平缓区,使导数接近于0区域的可能性降低,从而减少迭代次数,网络收敛速度明显加快。

(8)参数的初始化。Γ=,Α=019,wjk,wij,

s

至关重要的作用。

(2)输入层节点数即输入特征矢量的维数有一个最佳值M,具体为:汉字网14、英文网16、英文+数字网20、数字网7。

(3)每类样本数越多,相异性越大,训练次数越多,训练时间越长,系统的最佳识别率越高。

(4)系统对100个车牌进行了识别,平均识别率在92%以上,达到了预期效果。参考文献:

[1]　刘智勇,刘迎建.车牌识别(LPR)中的图像提取与分割

[J].中文信息学报,2000,14(4):29234.

[2]　HaganMT,DemuthHB,BealeMH.神经网络设计

[M].戴葵,宋辉,潭明峰,等译.北京:机械工业出版

～1之间随机选择。Ηk,Ηj在0

21312　BP网络学习和识别的判别规则　BP网络

学习判别规则:当连续5次Ep<0101时,训练结束。

当训练次数超过100000次时为训练失败。

BP网络识别判别规则:在输出单元所有的输出值中,选取最大的当作019,其余为011,然后与期望输出向量相匹配进行识别。

社,2002.

[3]　姚海根.图像处理[M].上海:上海科学技术出版社,

2000.

3　实验结果与分析

311　实验结果

作者简介:李丰林(1963-),男,江苏射阳人,淮海工学院电子工程系讲师,硕士,主要从事数字信号处理的研究。

车牌识别网络学习结果如表2所示。(责任编辑:燕姣云)

本文来源：https://www.bwwdw.com/article/y7dm.html