RBF神經網絡在車牌字符識別中的應用

竇新宇

（唐山學院 裝備制造系，河北 唐山063000）

智能交通系統（ITS）是近年來研究的一個熱點領域，而車牌識別（LPR）技術是ITS的核心技術之一。我國的車牌包含漢字、字母、數字3方面信息。國外成熟的車牌識別系統由于不能很好地識別漢字，進而無法在國內直接應用；國內研究人員提出了諸如模板匹配的車牌識別算法［1］，BP神經網絡的車牌識別算法［2］，但識別正確率與識別時間不能同時滿足。針對此問題，本文提出了基于粗網格特征提取及RBF神經網絡的車牌字符識別算法，能較好地解決識別正確率與識別時間之間的關系。

1 車牌識別原理

車牌識別技術是計算機視覺、圖像處理和模式識別等技術相結合的產物。車牌識別原理是：首先，對車牌圖像中的字符進行定位與分割提取；其次，對字符信息進行特征提取；再次，把分割后的字符信息輸入集成神經網絡進行訓練；最后，輸出車牌信息。［3］車牌識別系統一般包含四大部分，即獲取車輛圖像，定位車牌信息，分割車牌字符，識別車牌字符。車牌識別總流程圖如圖1所示。

1.1 車牌圖像預處理

圖像灰度化是對車牌圖像進行預處理的最基本步驟。圖像對比度選用線性灰度變化法加強，圖像平滑采用維納濾波法處理，圖像銳化采用經典的Roberts算子進行。本文彩色圖像實現灰度轉化如下式：

圖1 車牌識別總流程圖

1.2 車牌定位

車牌定位是去除冗余信息獲得車牌信息的過程。由于車牌區域的字符成連續變化，且具有頻繁的灰度變換。從而利用水平位置上出現明暗交替的現象，采用紋理特征法對車牌進行初步定位，經初步定位后的車牌圖像存在不同程度的字符傾斜，因而車牌幾何校正部分選用Hough變換。Hough變換極坐標方程為

1.3 車牌字符分割

字符分割是把整體車牌區域分割成7個獨立的字符空間，車牌中的前兩個字符和后五個字符之間存在間隔符，會影響分割的準確度。針對此問題，本文采用基于先驗知識的垂直投影分割法對車牌字符進行分割處理。該法步驟為：首先，水平分割線的位置是利用霍夫變換來確定，擬選垂直分割線的位置是通過尋找圖像垂直投影谷底來確定；其次，確定車牌第2字符與第3字符間的位置邊界，根據兩字符間隔位置推算出垂直分割線的估算位置；再次，在估算位置附近根據方差及垂直投影信息，從擬選垂直分割線中確定垂直分割線；最后，把大小不一的字符進行歸一化處理。

1.4 粗網格特征提取法

粗網格特征提取法是將分割后的圖像劃分到若干區域，統計每個網格中字符像素的數目，將總像素數目構造成一個N維的特征向量。［4］該方法是以網格為單位，個別像素點的誤差累積不會影響圖像總體像素的分布情況，從而增強了圖像特征的魯棒性和抗干擾性。待識別字符通過位置和大小歸一化后，利用粗網格特征提取法把各個字符均分成N×N維的網格，依次統計每個網格內像素值是“1”的像素個數，從而獲得一個N×N維的粗網格特征矩陣。

2 基于RBF神經網絡的車牌字符識別算法

2.1 RBF神經網絡原理

針對BP神經網絡收斂速度較慢，易陷入局部最小值等問題［5］，本文選用網絡結構簡單，收斂速度快，全局逼近能力強的RBF神經網絡對已分割車牌字符進行識別。RBF神經網絡是典型的前向神經網絡，具有三層網絡結構：輸入層、隱藏層、輸出層。RBF網絡核心思想是：首先，通過RBF建構隱藏層空間；其次，由隱藏層對輸入層數據進行轉換，將低維線性不可分數據變換為高維線性可分數據；最后，輸出層對數據進行識別分類。

2.2 RBF神經網絡算法

RBF神經網絡具有多種學習算法，本文選用自組織選取中心的學習算法。該算法分為自組織學習和有導師學習兩個階段，第一階段是求解隱藏層中基函數及方差；第二階段是求解隱藏層到輸出層的權值。

由于高斯函數通常被選為RBF網絡的徑向基函數，因此RBF網絡的激活函數為

式中，‖xn－ch‖為歐式范數；ch為高斯函數中心；σ為高斯函數方差。

由RBF網絡結構圖可知輸入輸出之間的關系如下：

設樣本的期望輸出值為d，基函數的方差為

2.3 RBF神經網絡的設計

RBF神經網絡識別系統把特征提取后的字符信息分為3類：即漢字網絡分類器、字母網絡分類器和字母／數字混合網絡分類器。3個網絡的輸入節點數均為64；漢字網絡的輸出節點數為36，字母網絡的輸出節點為25，字母／數字混合網絡的輸出節點數為34；隱藏層節點個數是由快速減聚類算法來確定，得到3個網絡的隱藏層神經元個數依次為36，38和50。網絡學習速率為0．35，學習步長為0．01，誤差目標值為0．000 1，迭代次數為1 000次。

2.4 RBF神經網絡字符識別

RBF神經網絡識別系統的工作流程如圖2所示。具體識別過程為：步驟1，提取字符特征作為輸入信息；步驟2，RBF神經網絡分類器對樣本進行識別，判斷分類器對樣本是否識別，若是識別則輸出初步識別結果，否則拒識；步驟3，判斷初步識別結果中是否存在易混字符，若存在則轉入細分類器進行識別，否則直接輸出識別結果。

圖2 識別系統的工作流程圖

3 實驗及結果分析

本文利用Matlab7．5作為集成開發環境，對100張不同條件下的車牌圖片采用傳統的模板匹配算法、BP神經網絡算法作為對比模型。采用車牌識別的正確率（C%）、拒識率（R%）和錯誤率（F%）作為評價指標，幾種算法的識別結果如表1所示。通過表1可知，BP，RBF神經網絡算法的識別正確率要高于模板匹配算法。但在相同迭代次數下，RBF算法比BP算法有著更好的逼近能力，而且還有更快的收斂速度。本文以“魯HC9669”為例進行RBF神經網絡字符識別，結果如圖3所示。對比結果表明，采用本文車牌識別算法能夠有效地識別車牌字符，識別車牌字符的速度快，而且識別正確率比較高。

表1 識別結果

圖3 RBF神經網絡字符識別結果

4 結論

對車牌識別的過程進行了研究，重點論述了圖像預處理的過程，RBF神經網絡3種分類器的設計，同時引入據識別機制和易混淆字符細識別機制。通過不同識別方法的對比，RBF神經網絡車牌識別算法加快了識別速度，提高了識別正確率，增強了系統魯棒性及抗干擾能力。該方法達到了預期效果，具有一定的應用前景。

［1］ 魏武，黃心漢．基于模板匹配和神經網絡的車牌識別方法［J］．模式識別與人工智能，2001，14（1）：123－126．

［2］ 蔡勇智．一種改進的神經網絡算法車牌識別算法研究［J］．科技通報，2012，28（10）：128－130．

［3］ 張馨，林鳳濤．圖像處理技術在車牌字位與字符分割中的應用［J］．機械設計與制造，2012（12）：104－106．

［4］ 丁姍，劉希玉，葛純苑．基于神經網絡集成的車牌字符識別［J］．信息技術與信息化，2010（6）：86－89．

［5］ 丁偉．改進神經網絡算法在車牌識別中的應用［J］．計算機仿真，2011，28（8）：359－360．