畢業設計-車牌識別系統研究(編輯修改稿)

　

【文章內容簡介】 )，然后將此表達形式和預先存儲在機器中的標準字符模式表達形式的集合 (稱為字典 )逐個匹配，最后用一定的準則進行判別，即在機器存儲的標準字符模式表達形式的集合中，找出最接近輸入字符模式的表達形式，該表達模式所對應的字符就是識別結果。 ： （ 1）模板匹配法 先在圖像中檢測出已知形狀的目標物，然后用這個目標物的形狀模板與圖像匹配，在約定的某種準則下檢測出目標物圖像，通常稱這種方法為模板匹配法。它能檢測出圖像中的線條，曲線，圖案等等，在許多方面己經獲得廣泛的應用。 模板匹配方法是實現離散輸入模 式分類的有效途徑之一，其實質是度量輸入模式與標準模式之間的某種相似性，取相似性最大者為輸入模式所屬類別。它根據字符的直觀形象抽取特征，用相關匹配原理進行識別，即將輸入模式與標準模板在一個分類器中進行匹配。 （ 2）基于字符特征的字符識別方法 基于字符特征的字符識別算法一般包括以下 3 個步驟： (1)提取字符的特征，建立一個字符特征向量空間，每個字符對應向量空間中的一個向量； (2)定義分類函數； (3)對輸入的字符圖像自動提取相應的特征，根據分類函數進行特征匹配，識別出相應的字符。 用于字符識別的分類特征應滿足 以下要求： (1)有較強的分類能力，類內各樣本距離應盡量小，類間距離應盡量大；特征用于粗分類時，粗分后各子集的樣本數不宜過多，其數量應該大體相等； (2)具有較高的穩定性和魯棒性，盡量減少筆劃斷裂或粘連的影響； (3)易于提取，在保證系統性能穩定的前提下，特征的維數不宜過高，以減少運算量和存儲復雜度。 上述三個要求很難同時滿足，應根據所設計的系統有針對性地予以選擇。在字符識別中，被廣泛采用的有兩類特征：結構特征和統計特征。 常用的結構特征主要有：筆道密度函數、空洞和缺口、字符的特殊節點 數等等。字符的統計特征主要有復雜指數、粗網格特征、垂直和水平投影等。 車牌字符識別是車牌自動識別系統中的一個關鍵問題。識別速度決定了一個車牌識別系統是否能夠滿足實際應用的要求 ,雖然現在已經有了很多車牌識別算法 ,但對于識別速度的提高仍有很高要求。基于 BP 神經網絡的車牌字符識別關鍵在于車牌字符特征提取和 BP 網絡規模的大小。本文對車牌字符提取了粗網格特征 ,將歸一化后的字符每一個像素點特征全面提取作為神經網絡的輸入 。為了降低網絡規模 ,對輸出層的目標期望輸出進行了編碼 ,隱含層節點數的確定采用了初定隱節點數的經驗公式 ,大大減少了隱含層節點數和迭代次數 ,降低了車牌字符識別系統中BP 神經網絡的規模 ,從而在保證準確率的同時提高了識別速度。 目前我國一個標準車牌中有三類不同識別對像 :漢字、英文字符和數字 09。其南京郵電大學 2021 屆本科生畢業設計（論文） 7 中漢字 51 個 ,除 I 和 O 以外的英文大寫字母 AZ 和數字 09,共 34 個字符。車牌字符總共僅 80 多個字符 ,字符的大小一致 ,字型統一。 粗網格特征是屬于統計特征中的局部特征 ,又稱局部灰度特征。它通過把字符分成 N N 個網格 ,統計每個網格中的像素素量 ,而每個網格各自反映字符的某一部分特征 ,在識別階段 ,把各個網格組合起來作為字符的統 計特征并以此來識別字符。粗網格特征提取方法是先把待識別字符進行大小和位置歸一化 ,再等分為 N N 維個網格 ,然后依次統計各網格內的黑像素 (或白像素 )的數量 ,從而取得一個以數值表示的的網格特征。 為了 BP 神經網絡能對車牌字符進行正確識別 ,識別前對單個字符圖像進行歸一化處理 ,分兩個步驟 : (1)位置歸一化為了消除漢字點陣位置上的偏差 ,需要把整個漢字點陣圖形移動到規定的位置上當字符的中心位置產生偏移時 ,對基于網格的特征提取方法將產生很大的偏差 ,因此在特征提取之前 ,必須基本保證字符處在圖像的中心位置 ,一般是將除字符之外 的其他背景圖像裁剪掉 ,使得字符填滿整個圖像。 (2)大小歸一化通過歸一化圖像中的像素對應在原圖像中的點的位置的像素值來決定歸一化圖像中像素點的灰度值。 f(x,y)是二值化后的車牌字符點陣圖像 ,g(x,y)為歸一化后的圖像 ,g(x,y)中的任一點 ),( gg yx 映射到原圖像 f(x,y)的點為 ),( ff yx ,當 ),( ff yx 為整數時 , ),( gg yx = ),( ff yx 。當 ),( ff yx 不是整數時 ,進行像素內插變換。 粗網格特征反映了字符的整體形狀分布 ,車牌字符識別屬于小分類問題。為了保留字符的整體結構特征和細節特征 ,將歸一化后字符點陣的每個像素點作為一個網格 ,直接輸入到神經網絡分器中。實驗表明 ,此方法對所有車牌字符都有較好的分類效果。對字符 4 提取網格特征的步驟 :對于待識別字符 ,首先歸一化為 32 16 的比例尺寸的字符點陣 ,黑像素為 1,白像素為 0,得出的 0、 1 組成的矩陣即為字符的特征向量。 國內外研究現狀和發展趨勢 車牌識別 技術自 1988 年以來，人們就對它進行了廣泛的研究，目前國內外已經有眾多的算法，一些實用的 LPR 技術也開始用于車流監控、出入控制、電子收費、移動稽查等場合。然而，無論是 LPR 算法還是 LPR 產品幾乎都存在一定的局限性，都需要適應新的要求而不斷完善，如現有系統幾乎都無法有效解決復雜背景下的多車牌圖像分割定位與有效識別的技術障礙，另外也很難適應全天候復雜環境及高速度的要求。 車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術的問題，還是考慮其載體 —— 車牌區域的影響。車牌字符識別技術是 文字識別技術與車牌圖像自身因素協調兼顧的綜合性技術。由于攝像機的性能、車牌的整潔度、光照條件、拍攝時的傾斜角度及車輛運動等因素的影響使牌照中的字符可能出現比較嚴重的模糊、歪斜、缺損或污跡干擾，這些都給字符識別帶來了難度。盡管如此，我國依然有大量的學者從事車牌字符識別研究，文獻給出了基于神經網絡的車牌識別方法，對于解析度較高和圖像比較清晰的車牌，這些方法能有效識別車牌中的字符，但對于較低解析度和較為模糊的車牌無能為力，因為這些方法只有在車牌中的每個字符被獨立分割出來的前提下才能完成識南京郵電大學 2021 屆本科生畢業設計（論文） 8 別工作。而獨立分割車牌取得 字符，對較低解析度和較為模糊的車牌來說是非常困難的。車牌字符識別的研究在技術上已經取得了一定突破，然而離復雜多變的實際應用要求還有一定差距，許多新方法僅停留在理論和文章上或者限定在比較狹窄的約束范圍內，并不能以產品的形式大范圍投入使用。因而車牌字符識別的實用化研究仍然有很長的路要走。 目前的車牌識別方法主要是針對車輛自動緩停收費、停車場管理等場合，所監視的區域一般只有單一車輛，背景也比較簡單。而如今的許多實際應用場合，監視區域比較復雜，現有的方法無法直接應用。比如在移動交警稽查、高速公路的監視與監控、城市交 通要道的監視與監控，所監控的區域一般會同時出現多輛汽車，背景也比較復雜，有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。所以本課題針對這種情況創新性的提出了一種復雜背景下多車牌定位分割與識別方法，并考慮了彩色分割與 ColorLP 算法，這也是當前車牌圖像識別的發展趨勢。 當然，車牌識別系統的具體應用發展也很迅猛，從原來的停車靜止拍攝場景應用，如收費站、停車場等，發展到移動公路車輛稽查、違章自動報警、超載闖紅燈等實時監控場合應用，增加神經網絡自適應識別學習訓練功能，對于系統響應的速度、網絡化、智能化、識別成功 率等實用化要求也越來越高。隨著上述核心技術的研究發展，應用領域和功能等也獲得大幅提高。 9 第二章 神經網絡 簡 介 生物神經網絡（ BNN）信息傳遞過程為多輸入單輸出（ MISO）系統，信號為脈沖，當脈沖到達突觸前膜時，前膜釋放化學物質，結果在突觸后產生突觸后電位，其大小與脈沖密度有關（時間總合效應），并且各通道都對電位產生影響（空間總合效應）。 ANN 等效模擬電壓近似 BNN 脈沖密度，僅有空間累加無時間累加（可認為時間累加己隱含于等效模擬電壓之中）。 神經元是人工神經網絡 的基本處理單元，它一般是一個多輸入 /多輸出的非線性元件。神經元輸出除受輸入信號的影響之外，同時也受到神經元內部其他因素的影響，所以在人工神經元的建模中，常常還加有一個額外輸入信號，稱為偏差（ Bats）， 有時也稱為閥值或門限值。見圖 。 圖 基本神經元模型 上圖 a=f(wp)是不加偏差的輸入輸出關系，其中 w 是權重， p 是輸入； a=f(wp+b)是帶偏差的輸入輸出關系， w、 p 意義同上， b 是偏差， f 是所謂的作用函數。 經過抽象，可得到數學表達式如下： ?? ??ni ii xws 1 ? () )(sy ?? () ωi： 數值 (Weigthts)； θ： 閥值 (Threshold) 10 б (s)：作用函數 (Activated Transfer Function)。 作用函數的基本作用是： (1) 控制輸人對輸出的激活作用； (2) 對輸入、輸出進行函數轉換； (3) 將可能無限域的輸入變換成指定的有限范圍內的輸出。 幾種常用的作用函數 包括閥值型（硬限制型）、線性型、 S 型函數 (Sigmoid)、輻射基函數等。 下面各圖形中的 n（ W*P 十 b）是輸入， a 是輸出。 (1)．閥值型（硬限制型） 有兩種形式，第一種是： ()當輸入大于 0 時，輸出為 1；輸入小于 0 時，輸出為 0。 第二種是： ()也就是當輸入大于 0 時，輸出為 1；反之為 1。 (2)．線性型 也有兩種情況，全線性型和正線性型，如下： ① 全線性 A=f (W*P+b)=W*p+b ()此時輸出與輸入成正比關系。 ②．正性型 ()當輸入大于 0 時，輸出與輸 入成正比關系；反之，輸出恒為 0。 (3)． S 型函數（ Sigmoid） 也有兩種可能的函數類型。 ① 對數正切 y=1/(en+1) () 輸出與輸入成對數正切關系 。 ② 雙曲正切 y=tanh(n) () 輸入與輸出成雙曲正切關系 。 (4).輻射基函數 ① 高斯函數 ② 三角波函數 人工神經網絡有很多構成形式，比如基本型、前向型、回歸型以及互聯型等，下面我們列出一些前兩種神經網絡構成形式。 基本模型 11 人工神經網絡的基本模型如圖 所示。 圖 人工神經網絡基本模型 圖中，輸入經過神經元之間的連接值和作用函數，得到輸出，再與目標值相比較，根據其差值信息，反饋回來進行神經元之間連接值的調整。 前向網絡 結構如圖 所示。 圖 前向網絡結構 其中， x1,x2,? ,xn 是輸入 ,y1,y2,? ,yn 是輸出。 前向網絡的特點如下： (1) 神經元分層排列，可又多層；。 (2) 層間無連接； (3) 方向由入到出 . 感知網絡（ Perceptron 即為此），應用最為廣泛。 人工神經網絡的學習規則 ANN 中的核心問題就是如何決定網絡連接的加權系數（ Weight）。這一小節介紹 M 些常用的學習規則。 Hebb 學習規則 1949 年， 基于生理學和心理學的研究，對生物神經細胞如何進行學習的問題，剔除了一個直覺得假說 ：“當兩個神經元都處于興奮狀態時，連接這兩個神經元的權值將得到加強”，公式表示如下： jiij vv?? ?? () 上式中，△ Wij是連接權值的變化， Vi、 Vj是兩個神經元的活化水平， α 是學 12 習系數。 δ 學習規則 也稱為誤差校正規則或者剃度方法，著名的 BP 方法即為其中一種。 jiij v??? ?? () )( iii yyF ??? ()