基于BP神經網絡的車牌識別系統設計

逄崇玉

摘 要：本文設計了一款基于BP神經網絡的機動車車牌識別系統，系統能夠對采集到的汽車照片進行自動的車牌識別，并將對應的車牌信息進行自動保存。本文的系統主要包含兩大模塊：車牌圖像預處理模塊和車牌號碼識別模塊。采用本文提供的兩大算法模塊，可以得到精確的車牌號碼信息，經過實驗測試，本文設計的算法在車牌號碼識別方面能夠達到95%以上的識別精度，可以用于實際的工作環境中。

關鍵詞：車牌識別;圖像處理;特征提取;BP神經網絡識別

中圖分類號：TP391.4 文獻標識碼：A

1 緒論

1.1 研究背景與意義

為了防止交通事故的發生以及肇事逃逸的問題，智能交通網絡可以實時地捕捉汽車的車牌號碼，并在汽車出現違反交通規則的問題時，及時地進行報警。本文考慮到車牌自動識別技術的發展趨勢。

本文的系統主要包含兩大模塊：車牌圖像預處理模塊和車牌號碼識別模塊。采用本文提供的兩大算法模塊，可以得到精確的車牌號碼信息，經過實驗測試，本文設計的算法在車牌號碼識別方面能夠達到95%以上的識別精度，可以用于實際的工作環境中。

1.2 本文的研究內容

本文主要設計一款基于BP神經網絡的機動車車牌識別系統，系統通過兩大模塊來實現對車牌號碼的識別。這兩大模塊分別為：車牌圖像預處理模塊和車牌號碼識別模塊。兩個模塊分別具有如下所示的特性：

車牌圖像預處理模塊。在車牌圖像的預處理模塊中，主要包含了車牌圖像的灰度處理、濾波處理、二值化處理以及銳化處理等幾個處理流程。

車牌號碼識別模塊。在車牌號碼識別模塊中，主要完成了算法的訓練過程和識別過程。在算法的訓練過程中，會采用系統提供的模板數據庫中的車牌模板圖像對BP神經網絡算法進行訓練，從而得到BP神經網絡的識別算法的各項特性參數。而在算法的識別過程中，就會采用訓練得到的這些數據來對車牌號碼進行自動匹配，并輸出識別到的車牌號碼。

本文的系統通過對上述兩個算法模塊的構建，實現了對車牌號碼的自動識別功能，經過實驗測試，本文提供的車牌自動識別算法在識別精度方面能夠達到95%以上的測試精度，能夠應用于實際的生活環境中。

2 車牌圖像預處理

考慮到本文的系統是一款面向實時應用的系統，所以在提取圖像特征時，應該先對圖像進行預處理，達到去除冗余數據，圖像的預處理部分的流程如圖1所示：

右圖中所示的預處理流程中，總共包含了圖像灰度化、圖像濾波、圖像二值化以及圖像銳化等步驟。具有如下所示的特性。

2.1 圖像灰度化

下圖給出了圖像灰度化的處理效果：

2.2 圖像濾波

濾波模塊主要用來對圖像進行去噪聲處理，尤其是在圖像處理領域中，如果噪聲數據比較大時，會引入較大的誤差。本文使用的維納濾波算法是圍繞N*N窗口內的最小方差來計算的。

經過維納濾波處理后的圖像如下所示：

可以看出，經過濾波之后的原始灰度圖像在局部范圍變得更加平滑，這個變化可以從像素的分布直方圖中看出。下圖給出了直方圖分布示意圖：

2.3 圖像二值化

計算后的圖像數據中，仍然存在一定的冗余，因為在進行圖像識別時，系統只關心圖像的結構信息，而對圖像的色度信息、亮度信息不感興趣。

一般而言，在對圖像進行二值化時，可以有兩種方法：全局閾值法和局部閾值法。其中全局閾值法顧名思義，本文采用bernsen局部閾值法來對圖像進行二值化處理。經過二值化處理后的圖像如下所示：

上圖中的圖像經過二值化處理后，圖像的紋理變得更加明顯，而紋理之間的凹陷由于低于閾值，所以得到了很好的抑制。

2.4 圖像銳化

本文采用邊緣提取算法來強化圖像的紋理信息，以進一步提升系統的識別精度。邊緣提取算法一般包括了拉普拉斯算子、Sobel算子以及Prewitt算子等，這些算子均可以用來對圖像的邊緣進行提取，實現圖像銳化的功能。本文采用了Sobel算子來作為圖像的邊緣提取算法。下圖給出了Sobel算子對圖像的處理結果：

上圖所示為使用Sobel算子與拉普拉斯算子對圖像進行銳化處理后的效果圖，可以看出Sobel算子處理后的圖像比拉普拉斯算子保留了更多的圖像細節，整體紋理也更為清晰。

2.5 生成車牌號碼模板數據庫

車牌號碼模板數據庫的生成需要對車牌中的號碼信息進行裁剪，將屬于車牌號碼的圖像裁剪下來后，即可作為車牌號碼的特征模板，下圖給出了車牌特征模板數據：

上圖中的車牌模板均是由0和1像素值構成的最小車牌圖像。

3 車牌號碼識別算法設計

3.1 BP神經網絡算法簡介

本文采用基于BP神經網絡的識別算法來對圖像進行識別，BP神經網絡算法具有如下所示的流程：

上圖所示，有三層網絡傳遞結構，算法的層數可以在應用上層進行配置，每層之間會傳遞上一層計算的誤差，通過對誤差的調整來得到最佳的權值，最終會在輸出一側得到與原始數據均方誤差最小的輸出。

在機器學習領域中，一般可以將算法分為監督學習和非監督學習兩種。圖9展示的BP神經網絡計算框架中，采用了最速下降法來在上下層之間傳遞偏差，通過輸入與輸出的比較來對參數進行循環優化，直到取得的偏差小于閾值。所以BP神經網絡算法采用的是迭代計算的算法框架。

3.2 算法訓練過程設計

前文已經提及，BP神經網絡算法屬于監督學習的一種，所以需要對算法的參數進行訓練，使用訓練后的參數來對圖像進行識別。BP神經網絡的訓練過程如下所示：

從上圖所可以看到，在算法對數據集進行處理時，整體會分為兩大模塊：數據的正向傳遞模塊與數據的反向傳遞模塊。

3.3 算法識別過程設計

算法的識別過程會采用訓練過程得到的參數來對圖像與模板數據庫中的數據進行比對，如果比對成功，就得到了該圖像的車牌號碼。基于BP神經網絡的車牌識別算法流程如下所示：

從上圖可以看出，算法的主要精力放在了模型的訓練方面，而在算法的識別過程中，算法會通過預處理部分得到圖像的特征模板，然后通過訓練過程得到的模型參數來將該輸入圖像與數據庫中的車牌模板數據進行比對，如果比對成功，就代表得到了對應的車牌號碼信息，車牌識別過程也就此結束。