基于脉冲神经网络的车牌识别

2018-01-26江苏省盐城中学杨晨武

电子世界 2018年1期

江苏省盐城中学杨晨武

1.引言

模式识别是人工智能一个重要领域，现在最著名的一种神经网络是前馈神经网络。反馈的神经是为了将输入转成我们所预期分类。传统神经网络对于许多领域表现出优越的特性，例如：医学，工程学和商业领域。然而，对于时态数据不能完全处理。近十年来，人工神经网络不断地发展，为了处理这些时态数据，我们构建了新一代神经网络，该网络称为“脉冲神经网络”。脉冲神经网络更接近人脑，可以用于任何的数据，适宜性更强。

脉冲神经作为第三代神经网络，对于提取图像信息和图像识别已经有较好的精度。准确提取运动图像的信息成为了人们追求的目标，也是对于人们的一种挑战。但是人脑的神经电路太过于复杂，大多数生物学家将其简化成单个神经元电路，对于提高视觉系统输出有着极其重要的作用。

因此，我们需要通过建立一个基于单个神经元和神经局部电路的结构或者用电回路建立一个生物系统的模型，来将视觉神经的感受野的仿真结构应用在实际的人工智能系统中，更加精确地提取运动目标的信息与特征。进一步通过特征值的矩阵运算得到结果。如果该模型能准确地提取运动目标的特征，从而提高分类的效果，将在今后的智能监控系统中拥有广阔的应用前景。

2.车牌图像预处理

2.1 图像预处理

我们获得的车牌图像都是彩色图像，且彩色图像的尺寸不一，并有一定的干扰，而且存储的消耗较大。所以我们需要对他进行预处理，预处理的过程直接影响到了车牌的识别准确率和效率，降低车牌中噪声的影响可以有效的提高准确率且图像灰度化可以降低系统的存储，节约处理时间提高效率。

脉冲神经网络最重要的是，图像的时间以及速率的编码：时间编码是基于概率模型，对于图像进行信息编码。图像格式转换及尺寸归一：也就是需要图像都进行一定得缩放，将大小放进统一尺寸当中，因此可以有效的提取特征，提高准确率。图像处理过程需要采取统一的格式转换或算法。本文采取图像类处理软件：ACDSEE进行变化。

图像灰度化，通过拍照得到的图像为RGB的三色图像，对于M*N大小的图像中，那么存储该图像的为三维数据，M*N*3。图像包括了大量的三位信息，不但在存储上有很大开销，而且在处理上速度过慢，而且识别的过程会涉及一些无关紧要的信息，对于识别过程中处理是极其不利的。对于处理之前我们需要灰度处理，这是为了节省时间以及内存。灰度处理的过程主要是采取加权平均，对于RBG赋予不同的权值，求得加权平均。

其中，可以得到最合理的灰度图像。

图像增强，是为了改善视觉效果，便于机器的分析与计算，对于图像的存在的问题进行分析处理。由于拍摄过程中图像较容易出现失真使得出现的图像和原始的图像有较大的区别，为了改善图的效果，我们可以通过对比度增强，滤波等方法对图像进行增强处理。直方图均衡过程中，图像中字符和背景的明暗对比会被削弱，对于识别过程获得阻碍。对于亮度的调整，我们可以对图像像素进行统计，找到了V1,V2，是的小于V1的像素值比例5%，大于V2占比例为5%，我们将亮度小于V1的全部调整为V1，大于V2的全部调整V2。接下来按照比率[0，255]拉伸。矫正过后可以通过滤波算法进行处理，为了处理噪声我们可以采用较为通用的高斯滤波。

图像二值化，二值化处理过程中，我们只有黑白两个颜色，二值化原理比较简单，当灰度值大于某一阈值我们就设为1，其他设为0。在设置过程分为三种方法，全局阈值法，局域阈值法和动态阈值方法。本文采用平均值方法进行二值化处理。取得阈值为TH。如果背景几乎不被干扰，平均值较小；如若背景有干扰，平均值较大；如果背景关照很暗，平均值中等。

背景色统一，在处理车牌的过程中，我们针对不同的汽车类型有不同的颜色，我们处理图像过程造成一定困难，有的是黑底，有的是蓝底，有的是黄底，我们必须进行背景的统一处理。我们将车牌统一转换成黑底白字进行处理。

我们在拍摄过程会出现拍摄角度的，车辆的运行会使得拍摄的车牌不是真正的矩形，我们采取了霍夫变换，检测直线。基本思想是点线对偶，通过建立离散参数空间，建立累加器，求出局部最小值确定倾斜程度进行几何图像矫正，我们在车牌的处理的实际过程中，基本都是存在汽车保险杠以及边框，需要车牌上下边框去除。基本思想是能够确定m*n，自动自下而上的扫描，统计每一行黑色像素点，设定阈值大于时停止，并且记录然后切除余下部分。

2.2 图像分割

进过一连串的预处理，得到了上下边缘紧密贴连的二值图像。我们通过垂直投影的方法投影。我们设定边界为w，我们自右向左的方法，逐列扫描当小于某个阈值，则认为字符边界，设定w=1.我们寻找下一个边界。一直循环直到切割完毕。经过上述步骤之后，将图像中七个字符边界全部找到，考虑了不一致以及二值化，采取了切割。如图1所示是预处理的结果。