论文部分内容阅读
摘要： 随着交通网络的不断发展，和现代私有汽车拥有量的日益上升，计算机视频模式识别技术的不断进步，交通化的智能交通管理变得尤为重要，利用电子信息技术进行管理也成为管理的不可或缺的方式。文章深入的研究实时动态车辆进行字符识别的问题，将模式识别技术与神经网络技术结合起来，提出了一种将基于改进的神经网络技术与改进的字符模板匹配方法结合，以图像边界分割技术为基础，基于垂直投影法结合字符特征，对字符分割方法进行精确分割，进而对车辆牌照采用字符网络特征法来实现字符识别，采用输出字符识别结果，由此完成车辆牌照字符识别。经过大量实验验证，经过改进的算法，在提高了系统的实时性的同时，也保证车辆牌照识别匹配正确率。
关键词：车牌识别;神经网络;字符模式匹配
引言：
车牌识别系统具有适应性强、智能化程度高等特点，已经是现代智慧城市交通系统中重要的组成部分。作为智能交通系统中核心环节得到广泛应用，实现实时、准确、高效的车牌识别系统，保障大数据条件下的交通安全与智慧化管理，也是当前智能交通领域的重要挑战之一[1][2]，对于交通系统中车辆的监控和管理智能化起到关键作用。
一、 算法研究设计与实现
（一）字符模式分割法
在图像定位后对字符的分割过程中，干扰元素也包含车辆牌照的4个边界。边界分布具有规律性，很容易把该干扰因素去除掉。对经过二值化处理后的车牌图像进行水平投影时，应该依次将每行的白点个数计入到数组C1[i]中去，再对C1[i]平移，平移半径为图像高度的1/10;
1.基于垂直投影法的字符分割
在水平投影法中，以图像面积大小为衡量标准来判断待识别区域是否有存放字符得空间，将字符的列进行合并，这样得到的字符区就是有效的。设定K为一维向量，其大小与车辆牌照的长度W相等，图像中每一列像素中亮点的总和分别用向量中的值来表示，可以在每个字符内部和各个字符间的空隙处获取字符块在垂直方向上投影的最小值，再对字符图像面积进行垂直方向投影的投影图。清晰地分析出投影中存在8条空隙，其中6个字符的间隙有5个，其余的3个间隙位于各个字符之间[3]。在字符识别模式时，每个字符的模板大小不等，模式不同，需要再将得到的6个数组进行矩阵大小转换，能使变化之后的每个数组都能达到26×14的形式。对通过图像定位的车牌图像的6个字符进行分割，分割效果。
2.基于神经网络的字符分割方法
神经网络模式识别方法是模式识别领域里面的重要研究方向和研究内容，它是神经网络技术基于神经网络模式的识别方法，能够实现模式计算上识别理论无法完成的模式信息处理工作，所谓人工神经网络，就是由一定数量的神经元组成的可以完成某些功能的自适应系统。如果一个神经元所接收到的信号总和如果超过了它本身能承受的“阀值”，神经元就会处于兴奋状态，进而向后续神经元发出脉冲信号，通过神经元与轴突组成的网状系统，可以逼近任意的有理函数，进而完成各种各样简单或者复杂任务。
神经元的结构和功能都比较简单，神经网络由大量简单的基本单元相互联接而成，组成非线性动态系统，但由它们组成的系统却非常复杂且功能强大。在模式识别过程中，存在着噪声干扰或输入模式的一部分损失，而人工神经元网络可以将信息有效的分布存储于连结的权值中，每个神经元都具有很多非线性映射的能力，它们之间通过权值来相互连结起来。组织和自适应学习的功能，大大减少了传统识别方法所必须的约束条件，使其在某些识别问题时凸显了其较大的优越性相比于传统机器，这种大规模的并行结构具有很高的计算速度 。
（二）车牌字符识别方法
1.模板匹配法
在多种车牌字符识别方法中，模板匹配法是具有典型代表性，该方法计算量大，定位准确性和精度都较低，通过对比分析待识别字符与已设定好的字符模板，根据他们的匹配相似度来确定字符的识别结果。接下来将整个待识别的字符图中的所有像素逐个进行扫描与匹配的操作，这样就可以确定待识别字符图像I是否存在模板T中所含有的字符。通过图像处理设备实现模板匹配法相对简单，且受噪声的影响较小，因此在车辆牌照字符识别中常用模板匹配法，但其也存在着很多缺点。
2.神经网络识别法
神经网络识别法脉冲神经网络进行时空信息的处理，构建基本框架并且评判性能，包括序列脉冲的学习能力，学习规则的局部特性，对网络结构的适应性，学习的精度。包括两种情形：一是将整幅图像送入网络，利用神经网络的特点来自动实现字符特征提取和识别过程;二是通过对待识别字符进行字符特征提取，然后传入到字符特征训练神经网络分类器，再与经过从字符样本中提取到的字符特征经过BP网络训练后输出的权值一起输入到神经网络训练器，比较分析后输出对字符的识别结果，其对应的BP神经网络字符识别的原理。
二、实验测试与分析
为了进一步验证算法的性能，找出功能需求与系统之间所存在的差异，以该超市的地下停车场为例，实验采用随机抽取动态实时录像作为视频源进行试验测试，选取几段不同光照、复杂背景设置需求条件下的AVI视频测试整个系统的识别率。在光照条件良好，摄像机在行驶的车内，架设位置不固定，图像的晃动较大的情况下拍摄的录像30 min;傍晚时分光照条件较差情况，人眼感觉灰暗环境下拍摄的录像30 min。其中90 min的视频在良好光照条件下共有人眼识别可见的车牌的车720辆，30 min架设在车内的录像中共含有人言可识别车辆牌照的车85辆，30 min光照条件较差环境下共有人眼可识别车辆牌照的车150辆。试验过程在光照条件良好的90min视频中内共识别出车辆5800辆，30min架设在车内的录像中共识别出67辆，30min光照条件较差环境下能识别出车辆120辆。
车牌识别系统是“ITS”中相当重要的一项科学技术，提出了一种基于改进的神经网络和改进的模板匹配车牌字符识别算法方法。通过试验仿真验证了算法的有效性，其优点是克服了模板匹配对数字、字母和汉字分别寻找形状子图像的困难，并利用了神经网络来识别中文字符，通过试验结果表明，字符的识别率得到了提高并且取得较好的效果。
参考文献：
[1] SHAN S G， KAN M N， LI S X，et al. Face image analysis and rec?ognition with deep learning[J]. Communications of the CFF， 2015， 11（4）：15-21.
[2]ZHU M，LIU C，WANG J，et al.Instant discovery of moment companion vehicles from big streaming traffic data [C].2015 International Conference on Cloud Computing and Big Data（CCBD），2015：73-80.
[3]PRIYA V LAKSHMI，PERUMAL K.Detecting the car numberplate using segmentation[J].International Journal of Engineeringand Computer Science，2014（10）：8823-8829.
作者簡介：
许崇（1982-），女，实验师，就职于沈阳建筑大学。
关键词：车牌识别;神经网络;字符模式匹配
引言：
车牌识别系统具有适应性强、智能化程度高等特点，已经是现代智慧城市交通系统中重要的组成部分。作为智能交通系统中核心环节得到广泛应用，实现实时、准确、高效的车牌识别系统，保障大数据条件下的交通安全与智慧化管理，也是当前智能交通领域的重要挑战之一[1][2]，对于交通系统中车辆的监控和管理智能化起到关键作用。
一、 算法研究设计与实现
（一）字符模式分割法
在图像定位后对字符的分割过程中，干扰元素也包含车辆牌照的4个边界。边界分布具有规律性，很容易把该干扰因素去除掉。对经过二值化处理后的车牌图像进行水平投影时，应该依次将每行的白点个数计入到数组C1[i]中去，再对C1[i]平移，平移半径为图像高度的1/10;
1.基于垂直投影法的字符分割
在水平投影法中，以图像面积大小为衡量标准来判断待识别区域是否有存放字符得空间，将字符的列进行合并，这样得到的字符区就是有效的。设定K为一维向量，其大小与车辆牌照的长度W相等，图像中每一列像素中亮点的总和分别用向量中的值来表示，可以在每个字符内部和各个字符间的空隙处获取字符块在垂直方向上投影的最小值，再对字符图像面积进行垂直方向投影的投影图。清晰地分析出投影中存在8条空隙，其中6个字符的间隙有5个，其余的3个间隙位于各个字符之间[3]。在字符识别模式时，每个字符的模板大小不等，模式不同，需要再将得到的6个数组进行矩阵大小转换，能使变化之后的每个数组都能达到26×14的形式。对通过图像定位的车牌图像的6个字符进行分割，分割效果。
2.基于神经网络的字符分割方法
神经网络模式识别方法是模式识别领域里面的重要研究方向和研究内容，它是神经网络技术基于神经网络模式的识别方法，能够实现模式计算上识别理论无法完成的模式信息处理工作，所谓人工神经网络，就是由一定数量的神经元组成的可以完成某些功能的自适应系统。如果一个神经元所接收到的信号总和如果超过了它本身能承受的“阀值”，神经元就会处于兴奋状态，进而向后续神经元发出脉冲信号，通过神经元与轴突组成的网状系统，可以逼近任意的有理函数，进而完成各种各样简单或者复杂任务。
神经元的结构和功能都比较简单，神经网络由大量简单的基本单元相互联接而成，组成非线性动态系统，但由它们组成的系统却非常复杂且功能强大。在模式识别过程中，存在着噪声干扰或输入模式的一部分损失，而人工神经元网络可以将信息有效的分布存储于连结的权值中，每个神经元都具有很多非线性映射的能力，它们之间通过权值来相互连结起来。组织和自适应学习的功能，大大减少了传统识别方法所必须的约束条件，使其在某些识别问题时凸显了其较大的优越性相比于传统机器，这种大规模的并行结构具有很高的计算速度 。
（二）车牌字符识别方法
1.模板匹配法
在多种车牌字符识别方法中，模板匹配法是具有典型代表性，该方法计算量大，定位准确性和精度都较低，通过对比分析待识别字符与已设定好的字符模板，根据他们的匹配相似度来确定字符的识别结果。接下来将整个待识别的字符图中的所有像素逐个进行扫描与匹配的操作，这样就可以确定待识别字符图像I是否存在模板T中所含有的字符。通过图像处理设备实现模板匹配法相对简单，且受噪声的影响较小，因此在车辆牌照字符识别中常用模板匹配法，但其也存在着很多缺点。
2.神经网络识别法
神经网络识别法脉冲神经网络进行时空信息的处理，构建基本框架并且评判性能，包括序列脉冲的学习能力，学习规则的局部特性，对网络结构的适应性，学习的精度。包括两种情形：一是将整幅图像送入网络，利用神经网络的特点来自动实现字符特征提取和识别过程;二是通过对待识别字符进行字符特征提取，然后传入到字符特征训练神经网络分类器，再与经过从字符样本中提取到的字符特征经过BP网络训练后输出的权值一起输入到神经网络训练器，比较分析后输出对字符的识别结果，其对应的BP神经网络字符识别的原理。
二、实验测试与分析
为了进一步验证算法的性能，找出功能需求与系统之间所存在的差异，以该超市的地下停车场为例，实验采用随机抽取动态实时录像作为视频源进行试验测试，选取几段不同光照、复杂背景设置需求条件下的AVI视频测试整个系统的识别率。在光照条件良好，摄像机在行驶的车内，架设位置不固定，图像的晃动较大的情况下拍摄的录像30 min;傍晚时分光照条件较差情况，人眼感觉灰暗环境下拍摄的录像30 min。其中90 min的视频在良好光照条件下共有人眼识别可见的车牌的车720辆，30 min架设在车内的录像中共含有人言可识别车辆牌照的车85辆，30 min光照条件较差环境下共有人眼可识别车辆牌照的车150辆。试验过程在光照条件良好的90min视频中内共识别出车辆5800辆，30min架设在车内的录像中共识别出67辆，30min光照条件较差环境下能识别出车辆120辆。
车牌识别系统是“ITS”中相当重要的一项科学技术，提出了一种基于改进的神经网络和改进的模板匹配车牌字符识别算法方法。通过试验仿真验证了算法的有效性，其优点是克服了模板匹配对数字、字母和汉字分别寻找形状子图像的困难，并利用了神经网络来识别中文字符，通过试验结果表明，字符的识别率得到了提高并且取得较好的效果。
参考文献：
[1] SHAN S G， KAN M N， LI S X，et al. Face image analysis and rec?ognition with deep learning[J]. Communications of the CFF， 2015， 11（4）：15-21.
[2]ZHU M，LIU C，WANG J，et al.Instant discovery of moment companion vehicles from big streaming traffic data [C].2015 International Conference on Cloud Computing and Big Data（CCBD），2015：73-80.
[3]PRIYA V LAKSHMI，PERUMAL K.Detecting the car numberplate using segmentation[J].International Journal of Engineeringand Computer Science，2014（10）：8823-8829.
作者簡介：
许崇（1982-），女，实验师，就职于沈阳建筑大学。