基于BP神經網絡的智慧車牌識別系統

摘 要：車牌識別系統在我國智慧交通系統中起著重要作用。為解決識別不精準、易受環境影響等問題，本文設計一種基于BP神經網絡的智慧車牌識別系統，該系統主要包含車牌圖像預處理模塊、BP神經網絡模塊和GUI用戶界面模塊。通過MATLAB仿真，得出該系統可以在較為復雜的環境中識別車牌，并實現了在可視化用戶界面進行數字圖像的可視化操作。

關鍵詞：車牌識別 BP神經網絡 圖像處理 GUI界面

0 引言

隨著機器視覺與模式識別等技術的迅速發展，智慧車牌識別技術在現代智慧交通中發揮了重要作用。車牌識別技術包括模式識別技術、信號處理技術以及圖像處理技術等 ， ，廣泛應用于智慧停車場、違章檢測、車流監控等方面。但目前車牌識別技術仍存在準確度低，易受環境影響等問題。神經網絡具有容錯率低和適應性強的特點，并具備良好的建模和數據分析能力，為解決這一難題提供了出口。

本文在MATLAB環境下，基于BP神經網絡設計了一種智慧車牌識別系統，整個系統包括車牌圖像預處理模塊、BP神經網路模塊以及GUI用戶界面模塊，通過樣本圖像的搜集和數據庫的建立，在對目標圖像進行圖像預處理等操作的基礎上，通過與樣本圖像庫的比對，得到車牌識別結果。

1 車牌圖像預處理

1.1 車牌灰度化

在圖像處理中，將真彩色圖像通過RGB的三種分量進行顯示（R：Red，G：Green，B：Blue）。在MATLAB環境中，使用RGB2gray函數，將RGB真彩色圖像通過一系列處理后變換成單通道的灰度圖像。在車牌識別中處理的顏色信息比較少，為了提高識別的快速性，一般都會將彩色車牌圖像進行灰度化，根據如下公式計算每個像素點的灰度值：

灰度值==0.299R+0.587G+0.114B （1）

1.2 圖像增強

由于黑暗條件下環境影響等問題，圖像拍攝的清晰度不高，因此需要圖像增強技術提高圖像的清晰度。通過調整圖像的亮度、對比度、色彩等屬性，可以突出顯示感興趣的特征，降低噪聲，提高圖像的清晰度、對比度和可讀性。本文通過直方圖均衡化實現圖像的增強。直方圖均衡化的基本原理是：通過對在同一視覺畫面中像素數量多的灰度值（即對視覺畫面起作用的灰度值）加以展寬，而對像素數量少的灰度值（即對視覺畫面不起作用的灰度值）加以歸并，以便提高反差，從而使視覺畫面更加清晰，起到強化的目的。而通過調整直方圖均衡后的視覺畫面明暗對比得到了明顯提高，質量得以增強。

1.3 邊緣檢測

邊緣提取在車牌識別系統中對車牌位置的檢測有著非常重要的作用，常用的邊緣檢測算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、log算子和Canny算子等。Canny算子相比于Sobel，Prewitt，Laplacian 算子，根據邊緣梯度方向實現了非極大值的抑制，同時解決了雙閾值的滯后問題[3]，是圖像邊緣檢測算法中最為典型，先進的算法之一。據實驗分析，Canny算子對弱邊緣的檢測相對精確，能更多地保留車牌區域的特征信息，因此本文采用Canny算法實現邊緣檢測。Canny算子在邊緣檢測中有信噪比和定位精度兩個判別指標。信噪比越大，提取的邊緣質量越高。

1.4 車牌定位及分割

使車牌區域具有明顯的特征，因此根據車牌顏色和字符顏色的知識，用先膨脹后腐蝕的開運算數字形態學濾波，統計面積分布，顯示區域總數，從而確定車牌邊界，準確定位車牌區域。同時，選取常見的藍底白字白框線車牌，通過藍色車牌閾值進行車牌的分割。

1.5 車牌傾斜調整

由于拍攝角度以及車輛位置不同而造成拍攝圖片傾斜等差異，車牌水平方向投影和垂直方向投影不能正常運行。因此，在車牌分割后，調用拉東（radon）變換進行水平方向的投影，令 R 為拉東變換算子，則 Rf（x，y） = R （s，α） 的定義如下[4]：由于狄拉克δ函數的限制，沿著直線 x cosα+y sinα = s 進行積分。CT 掃描可以沿任意法方向 α、與原點成任意距離 s 的直線[5]。通過拉東變換得到車牌的傾斜角度，調用imrotate函數對車牌圖像進行旋轉校正。

1.6 字符分割

將7個字符分別從車牌圖像中分割出來。按照圖像的大小，設定閾值，通過字符寬度和閾值相同則切割的方法，設置圖像y軸，檢測圖像x軸，將7個字符逐一分離出來。分割出來的字符尺寸需要與樣本圖像中的字符尺寸相匹配，以便后續通過BP神經網絡進行字符識別。

2 BP神經網絡進行字符識別

BP（Back Propagation）神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是應用最廣泛的神經網絡模型之一[6] 。本文將通過BP神經網絡進行字符識別。BP神經網絡包括兩個過程，分別是信號前向傳播和誤差反向傳播。通過前向傳播得到預測結果，反向傳播對權重和偏置進行調整。 本文的神經網絡模型如圖2所示，將數字圖像的像素值輸入。由于圖像的尺寸是24×12，因此將輸入層單元設置為288個（不包含始終輸出+1的額外偏置單位），隱藏層單元設置為30個。通過對所有樣本的代價進行求和，實現前饋計算。運用正規化神經代價函數進行邏輯回歸，利用fmincg函數和sigmoid函數分別進行最優化參數的求解和梯度下降。在訓練神經網絡時，隨機初始化神經網絡的參數，本次采用epsilon_init =0.12，此值范圍可確保參數保持較小并提高學習效率。反向傳播時，通過最小化代價函數對參數進行梯度檢驗。同時，為了獲得更高的訓練精度，將MaxIter設置為500，隨著迭代次數的增加，樣本代價逐漸降低，神經網絡模型與訓練集也逐漸適配。

3 MATLAB仿真實現及GUI用戶界面

為了提高車牌字符識別的準確性和效率，將對圖像進行了一系列預處理操作。這包括將彩像轉換為灰度圖像，以便減少后續處理的復雜性并突出必要的特征。緊接著，進行了圖像增強，以改善圖像質量，增強對比度，為邊緣檢測創造更有利的條件。在完成上述基礎步驟后，我們采用了邊緣檢測算法來識別和突出車牌區域的邊緣，這是字符分割和識別的關鍵步驟。下面給出部分車牌圖像識別結果。在MATLAB環境下進入GUI用戶界面，通過從左至右，從上至下按鈕以及圖片位置的擺放和布局，包括車牌原始圖片、灰度化、圖像增強、邊緣檢測、車輛定位、車牌預處理、字符分割等窗口。在程序運行及訓練后，可實現通過功能按鈕在數字圖像中進行可視化操作。

4 結論

本文設計了一個基于BP神經網絡的汽車車牌識別系統。從圖像采集到車牌定位，再到字符分割和識別，每個環節都采用了有效的技術和方法。在進行字符識別的過程中，隨著迭代時間的增長，系統誤差逐步降低并趨于穩定，識別結果也越來越精確，可以實現在不同環境影響下準確進行車牌識別。同時，通過樣本圖像數據庫的不斷完善，進行大量測試后的結果證明該車牌識別系統功能良好。

基金項目：廣西師范大學大學生創新創業訓練計劃項目（S202410602140）；廣西自然科學面上項目（2022GXNSFAA035487）。

參考文獻

[1]梁凱.基于MATLAB的汽車車牌識別系統的設計與實現[D].哈爾濱：黑龍江大學，2018.

[2]魯揚.基于BP神經網絡的車牌識別算法研究[D].大慶：東北石油大學，2018.

[3]陳超.基于Linux的手持式電子助視器軟件系統設計和開發[D].浙江：浙江工業大學，2020.

[4]Minlos， R.A.， Radontransform， （編）Hazewinkel， Michiel，數學百科全書， Springer， 2001，ISBN978-1-55608-010-4.

[5]咸志杰，儲若男，方芹芹，等.基于混合BP神經網絡的車牌識別研究[J].信息技術與信息化，2021（02）：85-88.

[6]聞新，張興旺，朱亞萍，等.智能故障診斷技術：MATLAB應用[J].北京：北京航空航天大學出版社，2015.09.

[7]聞新編著.應用MATLAB實現神經網絡[M].北京：國防工業出版社出版，2015：95.