基于MATLAB與神經網絡的汽車牌照識別系統

劉 巖

（新疆機電職業技術學院，新疆 烏魯木齊市 830000）

1 引言

近幾年，隨著我國國民經濟的的飛速發展，城市化進程不斷加快，城市交通運輸問題已成為很多大城市經濟發展的瓶頸，所以智能交通系統(簡稱 ITS，Intelligent Traffic System)便應運而生，它的推廣直接關系到城市交通的治理效率與現代化進程的發展。其中，智能交通系統的一個核心組成部分，汽車牌照識別系統(簡稱LPR，License Plate Recognition System)對于交通的實時監控、交通治理等道路與交通的智能化有著不可或缺的作用。

汽車牌照識別系統的應用十分廣泛，例如交通控制與誘導，交通流量監測，超速行駛，車輛安全防盜，港口、小區與機場的交通管理以及闖紅燈、不停車自動收費等實時監控違章車輛等方面。并且在某種意義上，汽車牌照是機動車輛的唯一標識，因此，汽車牌照識別系統近幾年引起專家們的格外重視，并且已經有部分先期產品投入市場使用。但是在實際的檢驗當中，系統的使用存在一些問題，比如：對光線強度比較敏感，系統可移植性不好，識別效率與準確率不夠高等，所以造成識別后期還需要人工來完成部分工作，這個不符合智能交通的初衷，所以文章提出了一種與神經網絡相結合的算法來改進現有系統的問題，并利用MATLAB來實現汽車牌照識別系統。

2 汽車牌照識別系統總體工作流程

汽車牌照識別系統是模式識別技術與計算機視覺技術在智能交通領域的重要應用，它的總體工作流程為：汽車駛過某個路段時，車輛檢測器被觸發，啟動圖像采集設備，將攝像頭通過視頻信號將拍攝到的包含汽車拍照的圖像傳至計算機，利用牌照定位模塊提取牌照并進行定位，然后字符分割模塊對牌照上的字符進行分割，最后由基于人工神經網絡算法的字符識別模塊進行字符識別，輸出識別結果，如圖1所示。

圖1 識別系統總體工作流程

3 汽車牌照識別系統各模塊組成

3.1 圖像預處理模塊

圖像在生成、傳輸或者轉換過程中，受到很多因素的影響，如：光學系統失真、系統噪聲、曝光不足或者過量等，尤其是相對于運動的物體，往往圖像與原始圖像之間或者與真實事物之間會產生一定差異，這種差異稱為降質或者退化。因此要對包含汽車牌照的圖像進行圖像轉換、圖像增強、灰度化和邊緣檢測等預處理，以達到去除噪聲、增強邊界和增加對比度等效果，更好的識別圖像。

3.2 牌照定位模塊

這一模塊就是要從預處理階段處理后的汽車圖像中定位出牌照的位置，以分割出來牌照圖像，即在一張汽車圖片中準確找到車牌的所在位置，并得到其矩形區域。現實環境下，各種因素疊加導致情況比較復雜，比如：汽車圖像的光照均勻程度、汽車車身傾斜程度、天氣狀況好壞等等，如何適應實際情況準確得定位到牌照矩形區域是整個牌照識別過程的關鍵步驟。首先將拍攝到的視頻圖像進行相關搜索，找到符合汽車牌照特征的若干區域作為候選區，并對候選區域做進一步識別、判斷，最后選定最佳的區域作為牌照區域，并將其從圖象中切分出來。這一模塊的流程圖如圖2所示：

圖2 牌照定位圖

3.3 字符分割模塊

牌照的字符分割就是把進行幾何校正、去噪、二值化處理并定位好的牌照矩形區域的字符串進行分割，以得到單個的字符圖像，然后進行識別。其中對于字符的分割本文采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部最小值的附近，并且這個位置應滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件，所以利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。這一模塊的流程圖如3所示。

圖3 字符分割模塊

3.4 字符識別模塊

字符識別就是對分割得到的單個字符圖像進行二值化、歸一化處理后，進行字符識別以得到最終結果。字符識別方法目前主要有模板匹配字符識別算法、統計特征匹配法、支持向量機模式識別算法和人工神經網絡字符識別算法。其中，模板匹配字符識別算法首先將分割后的字符圖像二值化，后將其縮放為字符數據庫中樣本的尺寸大小，然后與所有的樣本進行相似性檢驗，最后選最佳匹配作為結果。該方法識別速度較快，但是對噪點較為敏感。人工神經網絡字符識別算法有兩種：一種是先對待識別字符進行特征提取，然后用所獲得特征來訓練神經網絡分配器；另一種方法是利用神經網絡的優勢，直接把待處理圖像輸入網絡，由網絡自動實現特征提取直至識別出結果。如圖4所示。

圖4 字符識別模塊

4 汽車牌照識別系統的MATLAB實現

4.1 圖像預處理與車牌定位

由于輸入牌照是彩色的，含有大量顏色數據，在存儲時會占用很大空間，并且會在信息處理過程中降低系統的執行效率，因此在對圖像處理時，通常先將彩圖轉換成灰色的，從而提高系統的效率。對彩圖灰度化、邊緣提取、然后利用形態學方法對車牌進行定位。具體操作流程如下：先對圖像進行灰度轉換，二值化處理然后采用4×1的結構元素腐蝕圖像，去除圖像的噪聲。采用25×25的結構元素，對圖像進行閉合運算使車牌所在的區域形成連通。在利用形態學濾波去除其它區域。部分結果如下圖5所示。

圖5 圖像預處理與車牌定位圖

4.2 車牌字符分割

確定車牌所在的位置后進行的工作是將字符切分，然后分離出車牌號碼的全部字符圖像。下圖為形態學濾波后的二值化圖像。如圖6所示：

圖6 形態濾波后圖像

4.3 車牌字符識別

在本程序中用人工神經網絡字符識別車牌字符。在車牌字符識別部分,字符集中包含約50個漢字，26個大寫英文字母及10個阿拉伯數字，所以總體字符樣本并不太多。

（1）構造訓練樣本如圖7所示的數字和字母

圖7 構造訓練樣本圖

將樣本進行歸一化為50×20大小，再將圖像按列裝置成為一個1000×1的行向量，并與上述18個圖像的樣本排列在一起，構成了1000×18的矩陣樣本，用構造好的樣本庫對神經網絡進行訓練。

（2）利用神經網絡進行字符識別。

由于神經網絡存在收斂速度較慢、存在局部極小、隱層及其節點之間的個數很難決定等缺點，所以本文采用了有動量的梯度下降法進行改進，即按照某一時刻的負梯度方向的值修正網絡權重，同時加入動量因子，修正負梯度方向的值，使得整個網絡能夠更快更好的收斂。在整個車牌識別處理過程中，采用了四個神經網絡，完成了中英文字符、以及數字的分類、識別等功能。最終識別結果如圖8所示：

圖8 網絡進行字符識別圖

5 結語

文章以 MATLAB作為開發平臺，并利用其強大的圖像處理與計算工具箱，結合神經網絡設計并實現了文章的車牌識別系統。通過對350張汽車圖像進行識別運算得出結論，文章設計系統的車牌識別正確率能夠達到96.1%，一次識別的運行時間在1s左右，基本滿足實際的需求。