智能信息處理

1、專業(yè)型碩士學位研究生學院：電子信息工程學院姓名：XxX學號：Z160442年級：2016 級專業(yè)：控制工程科目：智能信息處理任課教師：曹昕燕（教授）日期：2017年4月20日基于神經網絡的車牌識別摘要：車牌識別系統(tǒng)（License Plate Recognition,簡稱LPR）是智能交通系統(tǒng)（ITS）的 核心組成部分，在現代交通管理系統(tǒng)中發(fā)揮著舉足輕重的作用。本文運用神經網絡算法 從車牌圖像預處理、車牌定位、車牌字符分割和車牌字符識別這幾個方面對車牌識別技 術進行研究，運用MATLAB仿真，實現對車牌識別系統(tǒng)的設計。關鍵詞：神經網絡算法；圖像預處理；車牌定位；車牌字符分割；車牌識別0引言隨著

2、我國經濟的快速發(fā)展，人民生活水平的不斷提高，私有車輛越來越多，對交通控制、 安全管理的要求也日益提高，智能交通管理（Intelligence Transportation System,簡稱ITS）己 成為當前交通管理發(fā)展的主要方向，而車牌識別技術（LPR）作為智能交通系統(tǒng)的核心，起 著舉足輕重的作用，利用該技術可以實現對車輛的自動登記、驗證、監(jiān)視和報警，高速公路 收費，對停車場進行管理，特殊場所車輛的出入許可等。汽車牌照自動識別系統(tǒng)是應用圖像處理技術、模式識別技術和神經網絡技術，從復雜背景 中準確提取、識別出汽車牌照。自動車牌識別技術是解決交通管理問題的重要手段，是計算機 圖像處理技術和模式

3、識別技術在智能交通領域的典型應用。由于神經網絡具有良好的自學習 和自適應能力，同時有很強的分類能力、容錯能力和魯棒性，可以實現輸入到輸出的非線性 映射，可在有干擾的情況下對字符實現分類識別，能夠解決車牌字符速度和識別正確率等問 題，故被廣泛地用于汽車牌照識別。本文設計使用BP神經網絡運用MATLAB仿真，對車牌字符進行識別。1系統(tǒng)總體設計車牌識別系統(tǒng)的構成如圖1所示：圖1車牌識別系統(tǒng)的構成其中各個模塊的研究內容包括：（1）車牌圖像采集:通過安裝在過道路口或者車輛出入通道的攝像機實時捕捉車輛視屏圖像， 并傳輸到計算機上以便于實時的處理。（2）車牌圖像預處理：主要完成包括圖像灰度變化，圖像邊緣檢測

4、、圖像二值化等來突出車 牌的特征，以便于更好的車牌定位。（3）車牌定位：從攝入的汽車圖像中找到車牌的位置，并把含有車牌圖像的區(qū)域提取出來， 以供后端的字符分割處理。（4）車牌字符分割：對搜索定位后的車牌區(qū)域進行字符分割，將車牌分為N個單一的字符。（5）車牌識別：對于提取出的單個字符，先進行歸一化操作，再運用訓練好的神經網絡進行 字符識別。（6）結果顯示：顯示處理后的車牌并與原始車牌相比較。2各個模塊設計2.1車牌圖像采集當系統(tǒng)發(fā)現有車輛通過感應線圈或監(jiān)視圖像發(fā)生變化時，觸發(fā)圖像采集系統(tǒng)，通過CCD 攝像機攝取采集出車牌圖像，然后車牌自動識別模塊對車牌圖像進行預處理、車牌定位、字 符分割、字符識

5、別等一系列處理識別出車牌號碼，識別結果和原始車牌圖像通過網絡傳輸至 監(jiān)控中心，留待以后車牌查詢和交通流量統(tǒng)計。本次設計主要是實現對已經采集到的車牌 圖像進行識別。2.2車牌圖像預處理汽車牌照中的字符主要由有限漢字、字母和數字組成，采用固定的印刷體格式。由于圖 像上字符光照不均、車牌本身污損、汽車行駛速度較快、牌照顏色類型較多、拍攝角度及地 況等主客觀原因會使車牌字符發(fā)生畸變，從而造成識別上的困難，因此,為提高牌照的字符識 別率，必須進行預處理，以便得到較為清晰的待識別的單個字符.這些預處理包括灰度變換、 邊緣檢測、腐蝕、填充、形態(tài)濾波處理等。預處理的效果對隨后的定位處理有很大的影響， 所以選擇

6、可靠的預處理算法也是非常重要的。圖像預處理程序設計流程圖如下：圖2車牌圖像預處理流程預處理的結果顯示如下圖3圖3車牌圖像預處理2.3車牌定位車牌定位方法的出發(fā)點是利用車牌區(qū)域的特征來判斷牌照，將車牌區(qū)域從整幅車輛圖像 中分割出來。在車牌識別中，定位的成功與否以及定位的準確程度將會直接決定后期能否進行 車牌識別以及識別的準確度。車牌定位方法涉及到的具體方法有：基于邊緣檢測的方法、區(qū)域生長法，構造灰度模型 法，二值圖像的數學形態(tài)學運算法，灰度圖像的數學形態(tài)學運算法，自適應邊界搜索法，DFT 變換法，模糊聚類法等5這里采用基于邊緣檢測的方法，首先去除圖像中的背景，然后得 到汽車牌照的特征區(qū)域，再通過

7、一定的方式定位這個區(qū)域，最后把汽車牌照從圖像中分割出 來。所謂“邊緣”就是指其周圍像素灰度有階躍變化的那些像素的集合?！斑吘墶钡膬蓚确?屬于兩個區(qū)域，每個區(qū)域的灰度均勻一致，而這兩個區(qū)域的灰度在特征上存在一定的差異。 邊緣檢測的任務是精確定位邊緣和抑制噪聲。檢測的方法有多種，例如Roberts邊緣算子、 Prewitt算子、Sobel算子以及拉普拉斯邊緣檢測。這些方法正是利用物體邊緣處灰度變化劇 烈這一特點來檢測圖像的邊緣。各算子對不同邊緣類型的敏感程度不同，產生的效果也不同, 經過大量實驗分析可知，Roberts邊緣算子是一種利用局部方差算子尋找邊緣的算子，定位比 較精確；Prewitt算子

8、和Sobel算子對噪聲有一定的抑制能力，但不能完全排除偽邊緣；拉普 拉斯算子是二階微分算子，對圖像中的階躍型邊緣點定位準確且具有旋轉不變性，但容易丟 失一部分邊緣的方向信息，同時抗噪能力較差。針對不同的環(huán)境和要求，選擇合適的算子來 對圖像進行邊緣檢測才能達到好的效果。具體定位流程如下：圖4車牌定位流程圖車牌處理結果如圖5所示圖5車牌定位處理結果2.4車牌字符分割字符的分割是指將車牌區(qū)域分割成若干個單個的字符區(qū)域，把單個有意義的字符從字符 串中提取出來，作為獨立的字符圖像。字符分割的成敗與否直接影響到單字的識別效果，如 果分割出的字符出現了斷裂、粘連，則系統(tǒng)難以識別。本次設計中采用的是垂直投影字

9、符分 割方法，即先將圖像二值化，然后進行水平傾斜以及豎直傾斜校正，去除一些噪聲，然后將 -4 -車牌像素灰度值按垂直方向累加，即所謂的垂直投影。由于字符塊的垂直投影必然在字符間 距或字符內的間隙處取得局部最小值，所以分割位置應該在局部最小值處6。此方法比較簡 單易行，程序設計簡單，便于設計和操作，因此比較常用。由于在車牌定位中得到的是彩色 的車牌區(qū)域圖像，故在字符分割前需對圖像進行預處理。圖8車牌字符歸一化后顯示結果2.5車牌字符識別2.5.1BP神經網絡簡介BP (Back Propagation )神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正 向傳播和誤差的反向傳播兩個過程組

10、成。輸入層各神經元負責接收來自外界的輸入信息，并 傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需 求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，-5 -經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。 當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下 降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳 播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網 絡輸出的誤差減少到可以接受的程度，或者預先設定的學

11、習次數為止。BP神經網絡模型包括其輸入輸出模型、作用函數模型、誤差計算模型和自學習模型。節(jié)點輸出模型隱節(jié)點輸出模型：O.=f(EW.XX.-.)輸出節(jié)點輸出模型：Y=f(ET XO )jIj 1 qjk jkj-qk7f-非線形作用函數；q -神經單元閾值。作用函數模型作用函數是反映下層輸入對上層節(jié)點刺激脈沖強度的函數又稱刺激函數，一般取為(0,1)內連 續(xù)取值 Sigmoid 函數：f(x)=1/(1+e)誤差計算模型誤差計算模型是反映神經網絡期望輸出與計算輸出之間誤差大小的函數：Ep=1/2XE(tpi-Opi) tpi- i節(jié)點的期望輸出值；Opi-i節(jié)點計算輸出值。自學習模型神經網絡的

12、學習過程，即連接下層節(jié)點和上層節(jié)點之間的權重拒陣Wij的設定和誤差修正過 程。BP網絡有師學習方式-需要設定期望值和無師學習方式-只需輸入模式之分。自學習模型 為Wij(n+1)= h X0 iXOj+aXAWij(n)h -學習因子；0輸出節(jié)點i的計算誤差；O輸出節(jié)點j的計算輸出；a-動量因子。下圖為BP 神經網絡結構輸入保隱粉輸出抵2.5.2神經網絡訓練BP神經網絡學習是典型的有導師學習，其訓練主要是利用誤差反向傳播算法，不斷修正 網絡權值矩陣。因為一般的車牌均由漢字、英文字母和數字組成，根據車牌字符的上述特點， 在用BP神經網絡進行訓練和識別時，所選用的樣本需包括字符的這些特點，加上本次

13、實驗 的特殊性，由于待識別車牌圖像有限，所得到的車牌字符不是很全，這里為簡化起見，只對 漢字渝，數字09和字母A、L、M、N、R這幾個字符進行訓練。訓練樣本如下圖10所示：圖10圖10訓練樣本2.5.3神經網絡識別結果00圖11神經網絡訓練用訓練好的神經網絡對樣本進行識別，圖12為車牌識別結果:圖12不同車牌識別結果3結論汽車牌照的自動識別技術作為智能交通的一部分已經得到了越來越廣泛的應用，良好的 自動識別技術對現代化交通來說具有重要意義。本設計運用神經網絡算法對汽車牌照進行識 別，實現了對車牌預處理，車牌定位車牌分割，車牌識別，處在的不足在于，由于不同的汽 車牌照其傾斜度和所在位置不一，對于不同的車牌需要改變分割參數才能實現。參考文獻1廖金周，宣國榮.車牌的自動分割J.微型電腦應用，1999，（7）:P32-34廖翔云，許錦標，龔仕偉.車牌識別技術研究J