基于Lab色彩空间和ANN神经网络的车牌识别系统

孔祥斌，常 贺，蓝浩铭，龚嘉晟，董 娜

（1. 湖北工业大学 太阳能高效利用及储能运行控制湖北省重点实验室，湖北 武汉 430068）

(2. 湖北工业大学 太阳能高校利用湖北省协同创新中心，湖北 武汉 430068)

（3. 烽火科技股份有限公司，湖北 武汉 430070）

基于Lab色彩空间和ANN神经网络的车牌识别系统

孔祥斌1,2，常 贺1,2，蓝浩铭1,2，龚嘉晟1,2，董 娜3

（1. 湖北工业大学 太阳能高效利用及储能运行控制湖北省重点实验室，湖北 武汉 430068）

(2. 湖北工业大学 太阳能高校利用湖北省协同创新中心，湖北 武汉 430068)

（3. 烽火科技股份有限公司，湖北 武汉 430070）

针对目前车牌识别中车牌区域定位处理过程复杂、车牌字符准确率低等问题，本文采用Lab色彩空间识别结合传统 sobel算子边缘检测的方法对车牌区域进行粗定位，再利用 SVM模型进行精确定位。而在字符识别方面，本文利用ANN人工神经网络进行车牌字符识别，提高字符识别精度，经测试，该车牌系统对车牌区域识别定位准确，速度较快，字符识别准确度较高，具有较强的鲁棒性和实用性。

图像识别；车牌识别；Lab色彩空间；人工神经网络

0 引言

随着汽车工业的迅速发展以及大数据广泛应用的背景下，车牌识别系统作为智能交通中的一个重要的组成部分，有着更深层次的应用，目前对于车牌识别的研究还涉及计算机视觉、人工神经网络、模式识别等诸多领域，因此开展此系统的研究有着重要的理论意义及应用价值。

目前车牌定位算法很多[1-4]，传统的车牌识别技术系统采用边缘检测[5-6]结合神经网络的方法实现车牌识别，但其过程复杂、准确率低，易受背景环境、图片分辨率等影响，为了增加车牌识别系统应用场景，提升识别系统鲁棒性，本文在传统 sobel边缘检测的基础上加入了 Lab颜色空间识别[7]，模仿人体色彩空间判断进行车牌区域识别判断，但相较于文献[7]，本文对于Lab色彩识别采取单通道提取的方法。在字符识别方面，采用ANN人工神经网络[8-10]进行识别，提高车牌识别精度，整个车牌识别流程如图1所示。

图1 车牌识别流程Fig.1 License plate recognition process

1 车牌定位

1.1 CIE Lab色彩空间

Lab色彩空间是1931年国际照明委员会（CIE）制定的颜色度量国际标准的基础上建立起来的，1976年，经修改后被正式命名为 CIELab，是一种基于生理特征的颜色系统，这也就意味着是用数字化的方法来描述人的视觉感应，能够有效地模仿人体识别车牌时的色彩判断，此外，Lab还具有色域宽阔的特点，能够最大程度地表示色域之间的色彩的过渡。

Lab色彩空间如图 2所示。Lab颜色空间的 L分量表示像素的亮度，取值范围为[0,100]，表示从纯黑到纯白；a表示绿色到红色的范围，取值范围为[-128,127]；b表示从蓝色到黄色的范围，取值范围从[-128,127]。

图2 Lab色彩空间Fig.2 Lab color space

1.2 Lab色彩空间转换

由于一般图片输入的色彩空间为 RGB色彩空间，由RGB色彩空间转换成Lab色彩空间，需先由RGB转换成XYZ色彩空间，再由XYZ色彩空间转换成Lab。

（1）假设 r、g、b为像素的三个通道，利用Gammma函数提升原始图片对比度：

将优化后的R、G、B分量分别乘以不同的系数转化为X、Y、Z分量：

（2）利用 XYZ空间转化 Lab色彩空间的公式直接带入：

（3）为了提升转化速度，通常会使用以下简化算法公式(5)直接带入：

1.3 基于Lab色彩空间的单通道提取法

目前，国内的车牌分为蓝底白字、黄底黑字、黑底白字、白字黑字，其中以民用的蓝字白字的车牌适用范围最为广泛，所以本文选取蓝色车牌为例进行试验。利用颜色识别车牌时，需要选取适当的色彩空间使其对于颜色的描述准确匹配车牌区域内色彩，同时减少背景色彩的干扰。而目前最常见的颜色空间是基于R、G、B三原色的RGB色彩空间，但RGB空间中的三个分量存在很强的相关性，同时三个分量对光线的强弱较为敏感，所以不适用于车牌区域识别。而 Lab色彩空间色域宽阔，L、a、b三个分量比较独立，其颜色系统符合人体生理特征，能够更有效的表达色彩的判断，故采取Lab色彩空间识别。

由于车牌定位处理图像中是以车牌区域主的蓝色目标，而b分量色域恰好介于蓝色与黄色之间，考虑到图像遍历匹配操作对图片处理速度的影响，本文采取提取单一通道的方法提取b通道分量刻画车牌特征。

由于其中L通道表示图片的亮度，无法用于色彩识别，故不考虑L通道的提取。而从图3(a)中可以发现 a通道车牌区域与车灯区域灰度值趋于一致，在灰度直方图中，各个灰度级在像素点中的频率集中在一小段区间内，呈现单峰状，不能有效识别车牌区域。从图 3(b)中可以看出，图片内基本区别了背景区域、车灯区域以及车牌区域，灰度直方图中出现明显的多峰态，可以有效区分车牌区域与非车牌区域。

图3 实验对比图Fig.3 Experimental contrast chart

将所得到的b通道灰度图中灰度值阈值设置为150，利用固定阈值化的方法转化为二值图片，运用形态学闭操作，矩形模板大小为 17*17，连接车牌内缝隙，得到最终候选区域。实验图片处理结果如图4所示。

1.4 垂直边缘检测

由于色彩空间容易受到背景环境的影响，具有一定的局限性，所以本文在色彩识别的基础上加入了传统的sobel边缘检测，提高系统识别准确率。首先对色彩识别错误的图片重新载入，对原图像作高斯滤波处理，模板大小为 5*5，去除图片中的噪声干扰。随后将图片灰度化，利用sobel算子对灰度图水平方向导检测车牌垂直边缘。

图4 形态学处理结果Fig.4 The result of morphological processing

图5 sobel水平求导Fig.5 Sobel horizontal derivation

将图片作二值化处理，使用OTSU阈值化结合固定阈值化处理转化为二值图片，运用形态学闭操作连接车牌区域内字符间缝隙，模板大小为20*3，得到结果如图6所示。

1.5 SVM定位

在载入模型之前，首先对经过色彩识别处理或边缘检测处理的二值化图像提取轮廓，利用提取的轮廓宽高比及面积大小进行第一次筛选。

本文采用的支持向量机为由台湾林智仁教授开发的libsvm库，提取正负样本中的Hog（方向梯度直方图）特征进行训练，训练时SVM使用Liner核函数，迭代次数为10000次，容许误差为0.0001，车牌区域样本大小设为144*33，将训练好的数据生成xml文件，在进行车牌精确定位时直接载入模型。

图6 sobel边缘检测结果Fig.6 The result of sobel edge detection

对筛选后的区域提取Hog特征，输入进已经训练好的SVM模型进行比对，得到最终的车牌区域，实验结果如图7所示。

图7 车牌定位图Fig.7 License plate location

图8 神经网络结构图Fig.8 Neural network structure

2 ANN字符识别

2.1 BP算法

目前较为常见的字符识别方法有基于模板匹配的识别方法、基于字符结构的识别方法以及基于神经网络的字符识别方法。本文采用ANN神经网络进行识别，ANN神经网络设置为三层，分别为输出入层、输出层和隐藏层，神经网络中采用BACKPROP反向传播训练方法，神经元激励函数为 sigmoid，sigmoid函数表达式为：

设输入层节点数为n，隐含层节点数为l，输出层节点数 m，初始化输入层、隐含层和输出层神经元之间的连接权值ωij和ωjk，初始化隐含层函数阈值φj，输出层函数阈值θk。

1. 根据输入 x，输入层与隐含层间的连接权值ωij，隐含层阈值φj，隐含层输出为：

2. 根据隐含层输出hj，连接权值ωjk和阈值θk，输出层单元的输出为：

3. 设 Ok为期望输出，计算实际输出与期望输出的误差：

4. 权值更新。根据误差δk更新网络权值ωij和ωjk：

在BP-ANN神经网络中，首先将input layer中的信息前向传播送至hidden layer，通过激励函数进行运算，将输出信息送至output layer，正向传播时各网络权值不变，如果输出结果与预期值有差异则进行反向传播同时修改各层网络权值，反向传播完成后再次进行正向传播，直至差异值极小。

2.2 ANN训练

ANN训练前，首先将字符进行归一化处理，统一成大小为20*20的图像，并进行二值化处理，利用全特征输入的方法，统计每个字符的水平或垂直直方图，形成一个120维的特征向量。

训练ANN模型时，本文采用一个ANN神经网络识别字母、数字和汉字。输入层节点数为 120，输出层按照字符类别数设置为65，隐藏层层数按照n=sqrt（n1+n2）+a设置为40，动量参数设置为0.1，迭代3000次，误差为0.01，生成xml文件。进行车牌字符识别时，直接载入模型进行比对。

3 实验结果分析

3.1 HSV色彩空间识别对比

传统的 HSV色彩空间识别方法无法采用单通道提取的方法，需要遍历图像中的每个像素点，将蓝色色域所对应的 h，s，v分量与每个像素点中的进行匹配，寻找出符合条件的像素点，将符合条件的像素点置为255，不符合的置为0。

对比两种方法，从处理效果上分析，HSV中的分量取值范围很难确定，色域范围不容易把握，而Lab色彩空间识别在区分度上明显要更好，结果如图9；从处理速度上分析，HSV识别中的遍历图像的实现方式导致了图像处理速度的降低，Lab识别中的提取单通道的方法在损失一小部分准确率的情况下极大地提升了车牌定位的处理速度，有效弥补了遍历匹配检测时的车牌定位复杂、步骤繁琐等缺陷，本文随机选取了三张分辨率不同的图片进行比对，结果如表1所示。

图9 HSV结果图Fig.9 The result of HSV color space

表1 实验结果对比Tab.1 Comparison of experimental results

3.2 车牌识别结果

车牌识别系统结果如图10所示。

4 结论

车牌识别系统的设计覆盖了多个学科领域，涉及数字图像处理技术和神经网络研究，通过文献的对比，本文采用的方法具有明显的速度及准确优势，整个车牌系统具有良好的鲁棒性及适应性。今后的研究将利用色彩识别技术结合神经网络直接进行车牌定位，同时简化字符处理流程，对车牌字符能够进行整体识别，进一步加速车牌识别速度。

图10 字符识别结果Fig.10 The result of character recognition

[1] Parasuraman K. An Efficient Method for Indian Vehicle License Plate Extraction and Character Segment. 2010 IEEE International Conference on Computational Intelligence and Computing Research, 2010.

[2] Vishwanath N, Somasundaram S, Jariya Begum A R, et al. A novel 2-row indian LP character segmentation algorithm based on a hybrid approach. IEEE International Conference on Computational Intelligence and Computing Research,2012; (12): 1-4.

[3] 胡峰松, 朱浩. 基于多重特征和SURF算法的车牌定位研究[J]. 计算机工程应用. 2015. 51(17): 182-187.

[4] 郭延祥, 陈耀武. 基于边缘检测和颜色纹理直方图的车牌定位方法[J]. 计算机科学与探索, 2014, 8(6): 719-726.

[5] 王磊, 王瀚漓, 何良华. 基于双边缘检测的车牌识别算法[J]. 计算机工程与应用, 2013, 49(8): 169-173.

[6] 廖晓姣, 李英. 基于边缘检测和形态学的车牌定位算法[J].现代电子技术, 2011, 34(10): 17-19.

[7] 杨飚, 杨芩．Lab颜色空间和形态学处理相结合的双行车牌定位方法[J]. 科学技术与工程, 2014, 14(26): 108-110.

[8] 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): 359-362, 366.

[9] 周科伟. MATLAB 环境下基于神经网络的车牌识别[D].西安: 西安电子科技大学, 2009.

[10] 董程. 基于改进神经网络的车牌识别算法的研究及仿真[D]. 哈尔滨: 哈尔滨理工大学, 015.

Efficient License Plate Recognition System Based on Lab Color Space and ANN Neural Network

KONG Xiang-bin1,2, CHANG He1,2, LAN Hao-ming1,2, GONG Jia-sheng1,2, DONG Na3
(1. Hubei Key Laboratory for High-efficiency Utilization And Storage operation control of Scolar Energy, Hubei University of Technology,Wuhan, 430068, China; 2. Hubei Collaborative InNovation Center for High-efficiency Utilization of Scolar Energy, Hubei University of Technology, Wuhan, 430068, China; 3. Fiberhome Telecommunication Technologies Co., Ltd, Wuhan, 430070, China)

Aimed at the problem of license plate recognize processing complex and low accuracy rate of license plate character, a method of Lab color space recognition combined with the traditional Sobel edge detection is proposed to fing rough location of the license plate area.And then using SVM model to find accurate position.As for character recognition, this paper uses the ANN artificial neural network for vehicle license plate character recognition to improve recognition accuracy.Experimental results show that the proposed system recognizes license plate in image with fast speed and high accuracy.And it has strong robustness and practicality in character recognition.

Image recognition; License plate recognition; Lab color space; Artificial neural networks

TP391

A

10.3969/j.issn.1003-6970.2017.12.002

本文著录格式：孔祥斌，常贺，蓝浩铭，等. 基于Lab色彩空间和ANN神经网络的车牌识别系统[J]. 软件，2017，38（12）：05-09

国家自然科学基金项目(NO: 61471162)；国家国际科技合作专项项目(NO: 2015DFA10940)；太阳能高效利用湖北省协同创新中心开放基金项目(NO: HBSKFZD2015005, HBSKFTD2016002)；湖北省教育厅科研项目(NO: Q20171401)

孔祥斌(1978-)，男，讲师，主要研究方向：通信与信息系统。