基于神经网络的车牌图像定位算法

钟彩++赵武初+杨兴耀

摘要：车牌图像预处理能够减少不必要的信息，实现对有效信息的保留和恢复，从而实现对数据的简化处理，充分发挥出图像定位算法的性能。经过预处理后的车牌图像定位，是从含有车牌的复杂背景图像中提取车牌区域，本文提出一种神经网络算法的定位方法，通过实验，该方法能有效地对车牌进行精确的定位，到达预期效果。

关键词：神经网络；车牌图像；定位算法

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）14-0177-02

1引言

车牌定位就是指将车牌区域从复杂的汽车图像背景中分割出来，是实现交通管理智能化的关键技术之一，其车牌的快速、准确定位是车牌识别系统中的核心问题，直接关系到识别的成败。现阶段，国内外比较有名的汽车拍照识别技术有IC卡识别技术、条形码技术、人工神经网络识别技术等。这几种技术具有适应性强、组织性强、识别功能强、抗干扰性强的特点，被人们广泛地应用在各个领域。

我国汽车车牌图像特点具体体现在以下几方面：第一，机动车的前方车牌一般会被安装在车辆前段的中间或者右边，后方车牌一般被安装在车辆的中间或者右边。需要注意的是车牌的安装要进行良好的固定处理，并要尽可能地保持水平安装，对于纵向安装的不能出现倒置的情况，也不能让任何东西盖住安装。第二，车牌的标准格式一般由七个字符组成，第一个字符代表省市、自治区和直辖市，第二个字符是英文。第三个字符是英文字母或阿拉伯数字，第四到第七是阿拉伯数字。第三，车辆拍照区域中底色与字符颜色对比大，且在字符与底色交界处有较大的灰度值跳变，第四，拍照的长宽对比约3：1

为了有效减少交通应急和交通事故的发生，需要有关人员解决车辆的智能管理问题，加强对车辆牌照问题的研究。在这个过程中，车牌智能识别技术发挥出了自身总要的作用和价值意义。为了准确的定位车牌图像，现阶段常用的方法主要是水平线的搜索定位方法、扫描行的车牌提取算法、自适应边界搜索算法的定位算法，本文提出基于神经网络的定位算法，通过实验，该方法定位准确、速度快、误检率、漏检率高，能达到预期的效果。

2 神经网络算法

2.1 神经网络原理

随着神经网络理论研究的深入及其在计算机视觉、医学图像配准、航空摄影测量和飞行器匹配等领域广泛应用，利用神经网络进行图像匹配的方法研究一直深受研究人员广泛关注和高度重视。神经网络结构简单，算法成熟，且具有精确的寻优等优点，因此利用神经网络进行图像匹配是当前研究的一个重点，但标准算法具有易陷入局部极小、收敛速度慢等缺点，遗传算法具有很强的宏观搜索能力，并具有简单通用、鲁棒性强、并行运算的特点，所以用它来完成当前搜索能较好的克服神经网络的缺点，基于在图像匹配中遇到的实际问题和对神经网络算法的分析，本文提出了基于遗传算法和神经网络图像匹配算法，对车牌图像进行定位研究。神经网络主要是指对整理搜集到的样本车牌图像进行训练，在训练之后做好与之相对应的处理，最终利用训练的神经网络来提取有关车牌区域。这种方法的计算量很大，但是具有很高的准确率，且拥有良好的适应能力，减少网络局限对信息处理的影响。在一般情况下，神经网络是由常规线性排列成祖，每一个处理单元都具有很多的输入量，且每一个输入量之间都会对应一个相互关联的权重，在单元处理的过程中能够将输入量信息在加工之后传送到下一层系统神经元中。现阶段，关于神经元模式，有关人员提出了很多种，其中最大的是Pitts在分析总结神经元基本特性的基础上首先提出的M-P模型，它是大多数神经网络模型的基础，如下图所示。

[Yj（t）=f（i=1nwjixi-θj）] （1）

式（1）中，Yj是神经元单元的偏置（阈值），[wji]是连接权的有关系数（对于激发状态，[wji]取正值，对于抑制状态，[wji]取负值），n为输入信号数目，[Yj]为神经元输出，t为时间，f（）为输出变换函数，这种变换函数的应用往往采用0和1二值函数或S形函数。

2.2遗传算法

遗传算法主要是一种解决问题的最优化方法，主要是在生物遗传技术和自然选择基础上发展起来的。随着社会的进步和科技的发展，人们 对遗传算法的研究进一步加强，设计的领域范围不断拓展，具体包括如机器学习、模式识别、图像处理、神经网络等方面，遗传算法的特点具体体现在以下几个方面：第一，从问题的解集开始进行搜索处理是对原有生物进化过程的一种抽象，，而不是从某一个单个解开始；第二，遗传算法求解过程中所应用特定问题的信息较少，很容易形成一种通用的算法程序；第三，遗传算法体现很强的容纳力；迪迪，遗传算法能够实现随机的选择和操作，不受各种条件和规定的约束；第四，遗传算法具有并行性的 特点。文章重点将遗传算法应用在车牌定位中，利用这种搜索算法获得良好的车牌定位效果。

2.3神经网络算法过程

神经网络算法过程具体体现在以下几方面：第一，能够为车牌中的汉子收集到七个到八个的训练样本。其中，每个样本大概有两部分组成，包括输入信息和期望值的输出结果等。第二，从各个训练样本中选取一个样本例子，将具体的输入信息输入到相关网络中；第三，对神经元处理之后得到的信息计算后输出；第四，对实际输出误差和期望输出误差进行计算；第五，从输出层的反向计算，慢慢渗透在相关的隐层中，并按照一定的误差缩小原则，实现对网络中各个神经元连接的调整和有效取值。第六，对每一个训练样本集的每一个样例反复重复第三点和第五点的步骤，直到对整个训练样本集的误差达到要求为止。

这种算法在训练自适应增强算法的支持下能够实现对车牌的充分检测，进而寻找出有效的车牌信息，并在形态学的办法支持下提取重要的对比特征，这些对比特征能够总结出在不同光照变化下神经网络也具有很强的应用性能，具体的实验结果分析如下所示：

3 实验结果分析

根据车牌的纹理特征能够发现，在任何一条扫描线上，都会出现笔画和背景胶体出现的情况，呈现了一种灰度截面上的峰谷交替特征，通过对每条扫描线上显著峰谷位置的检测，能够实现对所有扫描线的峰谷的综合，进而得到可能的车牌区域。具体方法包括两种：第一，在局部的小窗口上来对其边缘密度信息进行计算，并在密度值较高的小窗口上取出相关的形成区域，通过对区域形状的分析来获得有关车牌信息，另一种方法是对原始图像进行中值滤波等降噪处理，通过对具有代表性区域的确定和 分析来确定字符的候选区，从而确定车牌的候选区。本实验图像库中共有120幅图（640个样本），其中80幅作为训练集（420个样本）；40幅图作为测试集（220个样本）。

本文在MATLAB环境下运行，达到了预期的效果。由实验可知，图（A）是白天拍摄的原始图，图（B）夜晚拍摄的原始图像，（C）、（D）为神经网络算法定位后的图像。，由实验可知，因为光照的影响，黑暗下车牌定位存在模糊不清的现象。

参考文献：

[1]丁伟.改进神经网络算法在车牌识别中的应用[J].计算机仿真，2011（8）.

[2]赵先军.基于神经网络的车牌识别技术研究[J].西安电子科技大学，2014（8）.

[3]范春梅.车牌识别算法的研究与实现[J].五邑大学，2013（10）.

[4]王智文.基于改进BP神经网络的车牌字符识别研究[J].广西工学院，2012（3）.

[5]王润民.基于小波和神经网络的车牌识别系统研究[J].湖南师范大学，2014（3）.

[6]刘栓，孟庆春.基于遗传和BP算法的车牌图像快速匹配[J].2015（4）.

[7]陈林翔.基于遗传算法的车牌识别技术的研究及应用[J].河海大学，2014（8）.