模板匹配和神经网络法用于车牌识别的比较研究

韦 耿，夏领梯，张煜东

0 引言

车牌识别LPR(License Plate Recognition)是智能交通管理系统的核心组成部分，通过车牌自动识别系统，可以实现对车辆的自动监控，流量监控，验证，登记以及报警等功能，从而给交通管理系统带来了极大方便[1]。因此，车牌识别系统的实现是推进交通管理智能化的重要课题之一，在交通监视和控制中有着特别重要的实际运用价值和广泛的应用前景[2,3]。但是，车牌识别多在室外条件下进行，易受到天气、背景、车牌磨损、图像倾斜等因素的影响。因此，实现准确快速的车牌识别，具有重要的现实意义。

车牌识别系统大致分为车辆图像获取、车牌定位、字符分割和字符识别等4大部分。其中字符识别的方法目前主要有模板匹配法[4,5]和神经网络识别法[6,7]。本文采用模板匹配法和神经网络法对车牌进行字符识别，并在Matlab平台上实现了两种算法。通过仿真，重点比较两种方法的优缺点，获得一些有意义的结论。

1 车牌字符识别原理

在实际的应用中，使用较多的方法有模板匹配法和神经网络法。

1.1 模板匹配算法

模板匹配方法是将待识别的字符进行归一化操作，然后与存放的模板库里已标记类别的标准字符模板进行比较，找出匹配度最高的，来判别待识别字符的类别。该方法是实现离散输入模式分类的有效途径之一，其实质是度量输入模式与样本之间的某种相似性，根据匹配相似程度，取相似性最大者为输入模式所属类别。本文采用的模板匹配法流程，如图1所示：

图1 模板匹配流程图

取字符模板，接着依次取待识别字符与模板进行匹配，将其与模板字符相减，得到的0越多，那么就越匹配，把每一幅相见后的图的0值个数保存，然后找数值最大的，即为识别出来的结果。

1.2 神经网络方法

神经网络是从生物学神经系统的信号传递而抽象发展成的一门学科。神经网络是有大量处理单元（神经元)广泛连接而成的网络，是对人脑的抽象、简化和模拟，反映人的基本特征。通过学习它可以从外界获取知识，并且内部的神经元还可储存已学的知识。人工神经网络即将生物神经元模型抽象成一个信号传递的数学模型，如图2所示：

图2 生物神经元模型--信号传递的数学模型

神经网络的工作方式，由两个阶段组成：

(1)学习期：神经元之间的连接权值可由学习规则进行修改，以使目标函数达到最小。

(2)工作期：连接权值不变，由网络的输入得到相应的输出。

神经网络有很多种，由于基于 BP方法的分类器已趋成熟且性能较好，因而BP神经网络有着广泛的应用。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，其结构，如图3所示：

图3 多层前馈型网路结构

这种网络不仅有输入层结点，输出层结点，而且有一层或多层隐含结点。对于输入信息，要先向前传播到隐含层的结点上，经过各单元的特性为 Sigmoid型的激活函数运算后，把隐含结点的输出信息传播到输出结点，最后给出输出结果。

Sigmoid函数是神经网络的激励函数。激励函数将输出信号压缩在一个允许的范围内，使其成为有限值，通常神经元输出的范围在[0,l]或者[-1,l]的闭区间上。常用的基本激励函数有闭值函数、分段线性函数、Sigmoid函数。其中Sigmoid函数也称为s型函数，它是人工神经网络中用的最多的激励函数。

进行车牌识别前需要使用样本对神经网络进行训练，然后使用训练好的网络对车牌进行识别，如图4所示：

图4 训练界面

2 仿真结果及讨论

2.1 模板匹配运行结果

模板匹配法一般要求模板库存放大量的标准字符模板，这种方法需要将待识别字符要与所有模板字符进行比较，因而计算量相对较大。但是当模板库较大，识别正确率一般可以保证处于较高的水平。模板库样本，如图5所示：

图5 模板库字符样本

利用模板匹配方法，对图6(a)和(b)所示的车牌进行识别，结果如图6(c)和(d)所示。可以看出，模板匹配方法对汉字的识别结果并不理想，这是因为在模板匹配时，所设计的模板和它对应的字符图像难以完全吻合。对较为复杂的汉字而言，这种不吻合所带来的失配量会对匹配结果产生不良的影响。从图中还看出，模板匹配方法对字母“U”的识别也欠准确，而对数字的识别取得较好的效果。

2.2 BP神经网络

BP学习算法可以归纳如下:

(1)设置变量和参数，其中包括训练样本，权值矩阵，学习速率。

(2)初始化，给各个权值矩阵一个较小的随机非零向量。(3)输入随机样本。

(4)对输入样本，前向计算BP网络每层神经元的输入信号和输出信号。

(5)由实际输出和期望输出求得误差。判断是否满足要求，若满足转第(8)步;不满足转(6)。

(6)判断是否己经到了最大迭代次数，若到，转第(8)步，否则反向计算每层神经元的局部梯度。

(7)根据局部梯度修正各个矩阵的权值。(8)判断是否学习完所有的样本，是则结束，否则转(3)。利用BP神经网络方法，对图6(a)和(b)所示的车牌进行识别，结果如图6(e)和(f)所示：

图6 车牌识别结果

可以看出，神经网络方法对汉字的识别结果较为理想，这是因为神经网络经过学习训练后，能够匹配较准确的样本。即使对较为复杂的汉字，经过多次迭代同样可以取得较好的识别结果。同时，神经网络方法对字母和数字也能进行较好的识别。

2.3 仿真结果讨论

根据模板匹配及神经网络这两种方法的实现结果，可以得到以下结论：

(1)车牌中数字的识别率最高，这主要是由于数字字符的结构简单，彼此间的相似度较小。

(2)在实际应用中，由于干扰因素很多，识别率会有一定的下降，如模板匹配法进行字符识别时，由于字符“U”的顶部存在噪音干扰，最终被识别为“D”(如图6(d))。

(3)当字符较规整时，模板匹配及神经网络对车牌的识别率都较高。但对于缺损或畸变较严重时，神经网络更具优越性。

(4)模板匹配实现过程简单，速度快；而神经网络在识别前需进行网络训练，因而速度慢。

总而言之，模板匹配法实现简单，当字符较规整时，其识别率较高。但该方法对车牌图片要求较高，在图像受严重干扰时，识别率较低，不及神经网络。神经网络法可处理一些环境信息十分复杂、背景知识不清楚、推理规则不明确的识别问题，允许样品有较大的缺损和畸变，且具有自适应性好、识别率高、容错性较好及强大的自学习和自调整能力。这使得它非常适合于模式识别问题。但神经网络字符识别仍存在缺点：它需要较长时间进行网络训练，并且依赖于大量的学习样本，此外目前能识别的模式类还不够多。

3 结论

本文采用模板匹配法和神经网络法对车牌字符识别进行研究，并比较了它们的优缺点，最后在Matlab平台上进行仿真，获得一些有意义的结论。

[1]任沙浦,沈国江.短时交通流智能混合预测技术.[J]浙江大学学报(工学版),2010,44(8),pp:473-1478.

[2]高韬,刘正光,岳士宏,张军.用于智能交通的运动车辆跟踪算法.[J]中国公路学报,2010,23(3),pp:89-94.

[3]李宇成,杨光明,王目树.车牌识别系统中关键技术的研究.[J]计算机工程与应用,2011,47(27),pp:180-184.

[4]Karungaru,S.Fukumi M.and Akamatsu.N.Detection and Recognition of Vehicle License Plates using Template Matching.Genetic Algorithms and Neural Networks.2009 International Conference on Information and Computing Science,[C]2009:1975-1985.

[5]严萍,曾金明.一种有效的车牌字符识别法——模板匹配—特征点匹配相结合的车牌字符识别法.[J]西昌学院学报(自然科学版),2011,25(1),pp:42-44.

[6]O.V.Villegas and D.G.Balderrama.License plate recognition using a novel fuzzy multilayer neural network.[J]International Journal of Computers,2009,3,pp:31-39.

[7]刘高平,赵杜娟,黄华.基于自编码神经网络重构的车牌数字识别.[J]电子•激光,2011,22(1),pp:144-148.