差分進化算法和神經網絡的車牌自動識別模型

穆日磊

摘 要： 為了提高對車牌的自動識別和檢測能力，針對傳統的邊緣輪廓檢測方法在車輛距離過緊和車流量過大而產生相互遮擋時識別性能不好的問題，提出一種基于差分進化算法和神經網絡的車牌自動識別方法。提取的車輛視頻監測圖像進行外接輪廓矩形網格分割，采用差分進化算法進行車牌測試樣本圖像的子塊連續遍歷，實現車牌圖像的特征分割和信息點增強，采用神經網絡算法進行車牌特征信息分類，實現車牌識別。測試結果表明，采用該方法進行車牌識別的準確性較好，識別模型的可靠度較高。

關鍵詞： 差分進化； 神經網絡； 車牌識別； 圖像處理

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）15?0183?04

Abstract： Since the traditional edge contour detection method has poor recognition performance while the vehicles are shielded due to their close distance and overload traffic， a vehicle license plate automatic recognition method based on differential evolution algorithm and neural network is proposed to improve the vehicle automatic recognition and detection abilities. The extracted vehicle video monitoring image is performed with external contour rectangular grid division. The differential evolution algorithm is used to traverse the sub?block of the license plate test sample image continuously to segment the license plate image feature and strengthen the information point. The neural network algorithm is adopted to classify the information of the license plate feature， and recognize the license plate. The test results show that the method has high recognition accuracy of license plate， and high reliability of model recognition.

Keywords： differential evolution； neural network； license plate recognition； image processing

0 引 言

隨著計算機圖像處理技術的發展，車牌智能識別技術作為計算機圖形圖像處理的一個重要應用方向，在進行交通視頻監控和刑事犯罪偵查等領域受到極大關注和廣泛應用，研究車牌的自動識別算法受到了人們的重視[1]。車牌自動識別主要通過車輛以及車牌上的信息特征提取和圖像信息增強處理技術進行特征檢測和自適應分類，進而完成識別。在極端環境下還要進行車牌圖像的修復和還原，實現車牌圖像重構[2]，自動識別車牌的數字信息特征，實現車牌號碼識別和車牌真偽識別的效能。當前較為流行的方法主要有BP神經網絡檢測方法、局部子空間方法、分割粘連法等，本文針對傳統的邊緣輪廓檢測方法在車輛距離過緊和車流量過大而產生相互遮擋時識別性能不好的問題，提出一種基于差分進化算法和神經網絡的車牌自動識別方法，提高車牌識別的準確度，得出有效性結論。

1 車牌圖像處理模型的設計

1.1 車牌圖像的網格化的圖像采集處理

車牌識別主要運用模式識別和圖像處理原理，實現車牌的甄別和判斷，車牌識別技術在刑事偵查、交通違法監控和車流量管理等領域具有重要的應用價值[3]。在進行車牌識別算法設計之前，首先需要進行車牌圖像的采集處理，車牌識別技術建立在對車牌圖像采集和特征提取技術上，通過圖像特征提取，自動匹配車牌信息特征，再結合識別算法進行車牌信息特征分類。當前車牌識別方法對重疊車牌分離性功能不好，導致對車流量較大情況下的識別精度不高，其中很大一部分原因是在進行車牌圖像采集時，沒有很好的處理模糊信息。本文采用去模糊和去重的方法進行車牌圖像采集，進行重疊車牌的突變信息感知，得到車輛視頻監測圖像外接輪廓矩形網格模型，如圖1所示。

其中分形技術構建車牌圖像的網格分割模型，在整個重疊車輛區域進行車牌的信息特征分離，通過車牌檢測視覺采集器，有效感知車牌的幾何特性，得到車牌采集和車牌圖像處理結果，在車輛的視頻監控區域，車牌圖像采集器件主動進行視頻捕捉，得到車牌圖像采集輸出質量比[4]：

式中：為車牌特征分形變量；參數值為分形變量。特別是針對特定的分形技術結構結合車牌圖像特征及其方差的統計得到車牌的相似度變量，將車牌幾種分形結構的主特征相應的擴大倍，從而使得該結構被整體放大了倍，則重疊車牌分離分形過程表示為：

通過上述處理，把重疊車牌的寬度降為單個像素寬度，通過統計概率衡量車牌像素子塊，實現對車牌圖像的采集，車牌圖像采集后的特征輸出表示為：

式中：和分別是重疊車牌的亮點特征值在坐標點處的出現概率；和分別是車牌圖像的視頻采集空間內的對比度，車牌圖像是視頻采集器以每秒幾十幀甚至幾百幀的速度來捕獲車牌圖像，由此實現車牌圖像采集。

1.2 車牌圖像的外接輪廓矩形網格分割處理

為了實現對車牌圖像的自動識別，對提取的車輛視頻監測圖像進行外接輪廓矩形網格分割，得到車輛的骨架圖像。采用分形結構反向分割方法，分形結構反向分割是車牌圖像分割中最有代表性的一種定義方法，其對任何結構都適用，適用范圍廣泛，對于每次檢測到的車牌圖像，相似性特征是一致的，車牌圖像特征分形用如下的數學表達式描述[5]：

式中：均為實數；為一個分形變換參數。車牌圖像特征增強表示如下： （7）

在不破壞圖像連通性的情況下，進行車牌測試樣本圖像的全局顯著性特征點標定，將當前目標車牌測試樣本圖像劃分為個子塊，得到車牌圖像的外接輪廓矩形網格區域閾值描述為：

根據監測圖像的飽和度（Saturation）和亮度（Intensity），進行車牌圖像的外接輪廓矩形網格分割[6]，分割后的過程可表述為：

這里取為黑，為白，根據人的視覺特性進行車牌圖像的外接輪廓矩形網格分割的長寬比和占空比表述，示意圖如圖2所示。

圖2中，設定劃分后的每個子塊閾值如果那么該區域可能存在多臺車輛的車牌遮擋和覆蓋，需要進行去重處理。利用車牌圖像的外接輪廓矩形網格分割結果，在三維空間坐標系統中，利用車牌圖像的色調（Hue）、飽和度（Saturation）和亮度（Intensity）進行閾值處理[7]，實現車牌圖像的特征提取。

2 車牌自動識別模型優化實現

在進行了車牌圖像采集和分割預處理的基礎上，進行車牌的優化自動識別，針對傳統的邊緣輪廓檢測方法在車輛距離過緊和車流量過大而產生相互遮擋時識別性能不好的問題，提出一種基于差分進化算法和神經網絡的車牌自動識別方法。

2.1 基于差分進化算法的車牌子塊連續遍歷處理

為了提高車牌自動識別的準確度，需要采用差分進化算法進行車牌測試樣本圖像的子塊連續遍歷，實現車牌圖像的特征分割和信息點增強，差分進化（Differential Evolution，DE）是仿生算法的一個重要分支[8]，假設對車牌圖像遍歷的差分迭代函數為：

選取車牌圖像特征分割相差很小的歐氏距離作為初始值，假設在這樣一個穩定的周期點進行均勻對比，通過差分進化求得圖像的最大熵，在最大迭代次數、維數、迭代次數給定的情況下，利用圖像的灰度分布密度函數將擾動序列加入種群中，得到灰度像素序列分量：

定義圖像的信息熵，載入到算法中，在一幅灰度范圍內求得圖像樣本數據的像素終點值在階序列中選出初始最優個體，當像素值區間滿足閾值時，差分進化個體的目標函數為：

式中：是隨機產生的一個灰度級矩陣，在像素點處圖像亮點出現的概率表示為：

計算圖像分割后邊緣子塊，進行像素值連續特征提取，提取公式為：

式中：是遍歷圖像分割的平滑參量；是低通濾波信息參量。通過車輛區域與中心線的連續檢測，提取車牌邊緣及兩側的輪廓，實現子塊連續遍歷處理。

2.2 基于神經網絡的車牌分類識別

在進行了車牌圖像特征提取和子塊連續遍歷的基礎上，采用神經網絡分類器進行車牌的亮點信息分類，實現車牌自動識別，采用BP神經網絡分類器[9]，BP神經網絡為三層網絡結構，網絡的迭代方程為：

假設車牌識別的學習步長為經過步訓練和學習后，BP神經網絡隱含層至輸出層的權值變化為：

選取一個連通區域，根據圖像灰度值在神經網絡模型中實現車牌識別，識別的輸出模型為：

遍歷車牌分布的連通區域，即使車牌的中心線滿足，，綜上處理，采用神經網絡算法進行車牌特征信息分類，實現優化識別。

3 實驗測試分析

在Matlab仿真軟件中進行車牌自動識別模型的仿真實驗分析，本文對車牌圖像采集的環境分別設定為市區交通場景和高速公路的交通場景，分別標注為場景1和場景2，實驗中進行車牌圖像采集的環境和參數信息見表1。

根據上述仿真場景設定，進行車牌識別仿真實驗，實驗進行圖像采集，得到的結果如圖3所示。

對上述兩種場景采集的圖像進行特征分割和信息點增強處理，實現車牌識別，這一過程的仿真實現如圖4所示。

圖4從左到右的圖像處理分別表示的是原始圖像、網格分割、邊緣檢測、邊緣輪廓分割以及分割線仿真結果，在此基礎上實現車牌識別，為了定量刻畫識別的準確性，表2給出了不同方法進行車牌識別的準確度和時間開銷（實驗100次取均值）。

分析上述仿真結果得知，本文方法進行車牌識別的準確性高于傳統方法，時間開銷較小，能自動實時地實現對車牌的準確識別。

4 結 語

本文提出一種基于差分進化算法和神經網絡的車牌自動識別方法，對提取的車輛視頻監測圖像進行外接輪廓矩形網格分割，采用差分進化算法進行車牌測試樣本圖像的子塊連續遍歷，實現車牌圖像的特征分割和信息點增強，采用神經網絡算法進行車牌特征信息分類，實現優化識別。研究結果表明，采用本文方法進行車牌識別的準確性較好，實時性較高，相比傳統方法具有優越性。

參考文獻

[1] 單家凌.基于無線網絡車牌識別系統識別算法的研究[J].計算機測量與控制，2011，19（1）：124?126.

[2] 申曉磊，周武能.壓縮感知在車牌識別系統中的應用研究[J].科學技術與工程，2012，12（19）：4797?4803.

[3] 郭榮艷，胡雪惠.BP神經網絡在車牌字符識別中的應用研究[J].計算機仿真，2010，27（9）：299?301.

[4] 劉懷愚，李璟，洪留榮.利用局部特征的子空間車輛識別算法[J].計算機工程與應用，2010，46（30）：156?158.

[5] 魏玉強，王成儒.多車輛跟蹤時分割粘連車輛的方法[J].電視技術，2009，33（11）：107?109.

[6] 焦波，閆了了，李偉.實時部分遮擋車輛分割及陰影消除[J].小型微型計算機系統，2012，33（8）：1825?1829.

[7] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 2776： 154?160.

[8] 張貴軍，陳銘，周曉根.動態小生境半徑兩階段多模態差分進化算法[J].控制與決策，2016，31（7）：1185?1191.

[9] 高紅民，李臣明，周惠，等.神經網絡敏感性分析的高光譜遙感影像降維與分類方法[J].電子與信息學報，2016，38（11）： 2715?2723.