改进遗传算法在车牌定位中的应用

改进遗传算法在车牌定位中的应用
作者：陈梅
来源：《现代电子技术》2008年第10期
摘要：为了更好地反映自然界的优胜劣汰，提出改进的遗传算法。

在改进的交叉与变异运算中引入个体的适应度。

把改进的遗传算法应用于车牌图像分割中，并根据车牌中字符分布的特点，利用车牌内部灰度值的变化频率实现车牌定位。

实验结果表明该算法不仅可以获得较好的车牌分割效果，而且能提高车牌定位的速度。

关键词：遗传算法；车牌定位；图像分割；个体适应度
中图分类号：TP391.4 文献标识码：B
文章编号：1004-373X(2008)10-155-
(School of Electrical Information and Automation Engineering,Qufu Normal
Unversity,Rizhao,276826,China)
Abstract：The improved genetic algorithm is proposed in order to better reflect the survival of
mutation.The improved genetic algorithm is applied to the image segmentation of license
plate,according to the character distributing in the license plate,license plate localization is implemented by the gray change frequency location.Experiment results show the algorithm can not only get better effect of segmentation to the license plate,but also improve the speed of license plate
Keywords：
车牌识别技术是计算机视觉、图像处理技术与模式识别技术的融合，其主要是采用计算机图像处理技术对车牌的图像进行分析，自动提取车牌信息，确定车牌号。

一般，在车牌自动识别系统中，处理的关键技术问题是车牌的定位及字符的识别。

由于在识别时进行字符特征提取和识别的对象都是在车牌区域内，所以从自然背景中分割出车牌区域，并正确识别矩形区域内
字符是提高汽车自动识别系统识别率的关键，对此人们提出了许多方法，如运用多层次分割对车牌进行定位[1]，运用小波与形态学的车牌图象分割方法[2]，基于彩色和纹理分析的车牌定位方法[3]等。

图像分割的最常用方法是阈值法，用改进的遗传算法可以较快地获得车牌图像的
分割及定位。

遗传算法是一种通过模拟生物选择和进化过程搜索最优解的方法[4]。

在实数编码的遗传算法中，交叉概率及变异概率一般为一个定值，缺少一定的自适应性。

为了使交叉与变异运算更好地反映自然界的优胜劣汰，本文提出改进的遗传算法，在其交叉与变异运算中引入个体的适应度，使适应度较大的个体，参与交叉与变异的可能性较大。

1 改进遗传算法
遗传算法是一种通过模拟自然界的进化过程搜索最优解的方法，其在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，并利用选择、交叉和变异运算对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。

在图像阈值分割算法中的关键问题是阈值的选取，利用遗传算法的目的就是要得到最佳分割阈值。

改进遗
传算法的具体实现步骤如下：
(1) 图像编码：在图像分阈值割中，传统的编码是将图像阈值编码成由0或1组成的有限长度的字符串。

这种方式的编码长度影响求解精度且不直观,本文采用了具有直观、易操作的
实数直接编码方式[5],即每个个体用一个n维的实向量来表示图像的阈值。

(2) 初始种群的生成：随机地产生n个个体组成的初始群体，该群体代表一些可能图像阈值的集合。

(3) 选择适应度函数：遗传算法对一个个体的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。

将信息论中 Shannon 熵概念用于图像分割时，测量图像灰度直方图的
熵，以便求得最佳分割阈值。

对于灰度范围{0,1,…,l-1}的直方图，其熵测量表示为：
－∑l－
其中，为第i个灰度出现的概率：pi=niW×H，其中W×H为图像的大小；ni为图像中
灰度值为i的像素的个数。

若阈值为t，则：pt=∑[DD(]t[]i=0[DD)]pi,Ht=－∑[DD(]t[]i=0[DD)]piln pi，与每个分布有关
的熵分别为 HA(t)和 HB(t)：
－∑ti=0piplnpt－
HB(t)=－ln(1－
熵判别的定义式为：
－pt)+Htpt+HT－Ht1－
当函数的值越大，图像分割效果就越好，因此可将该函数作为遗传算法中的适应度函数。

(4)选择:
选择运算主要实现对群体中的个体进行优胜劣汰操作，适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小；当适应度非常小时就会被淘汰。

选择算子采用轮盘赌选择方法
(5) 交叉:
交叉运算是两个父体根据交叉概率按某种方式相互交换其部分基因而产生一组新的个体。

为了使适应度较高的父体的特性遗传到新个体较好中，这里采用改进的交叉运算，其表达式为：
［P(x)×X+P(y)×Y］［P(x)+P(y)］
其中为新个体，X,Y分别为2个父体;P(x),P(y)分别为2个父体的被遗传到下一代的概论；H(x)为其适应度。

通过改进的交叉运算每两个父体都可能会产生一个新的个体，由于把
父体的适应度考虑到表达式中，其能够更好的反映生物界的优胜劣汰的特点。

(6) 变异:
变异运算是按一定的概率将个体编码串中的某些基因值用其他基因值来替换，来形成一个新的个体。

他决定了遗传算法的局部搜索能力，同时保持种群的多样性。

交叉运算和变异运算
的相互配合，共同完成对搜索空间的全局搜索和局部搜索。

在实数编码方式下，变异操作对个体X作用一个随机偏差量，在进化规划和进化策略[6]中一般采用高斯变异算子，用正态分布的随机变量作为变异操作中的偏差量。

为了能较好地反映生物界的进化，采用的是与适应度有关的量来作为偏差量，即：
其中，是随迭代次数增加而逐渐减少的量，令M=C•(C－N)，C表示一常量；表示迭代次数。

(7) 遗传算法的终止条件：
对新的一代，重新计算其适应度，经过新的选择、交叉和变异后，循环操作，如图1所示。

使群体中最优个体的适应度不断提高，若算法达到规定的迭代次数或经过一定的迭代次数后群体的适应度不在发生变化，此时算法停止，具有最高适应度的个体即为分割阈值。

图1 遗传算法的流程图
2 车牌图像的分割
车牌定位是对采集到的图像，能自动确定车牌的位置。

车牌的定位主要是车牌图像的分割。

车牌图像分割的阈值通过改进的遗传算法获得。

设定种群数目为10，最大迭代次数为30。

用实数对图像的阈值进行编码，经过选择、交叉及变异操作后，并计算适应度，若经过一定迭代次数后当满足算法终止的条件时，得到具有最高适应度的个体便是车牌图像分割的阈值。

根据得到的阈值对车牌原始图像（见图2）进行阈值分割，其表示为：
其中g(x,y)为各点灰度值，T为分割的阈值。

分割图像后的如图3所示。

[XC]
图2 原始图像
[XC]
图3 阈值分割后的图像
3 车牌的定位
车牌图像具有比较显著特征：车牌为近似水平的矩形区域；矩形区域内有连续按水平方向排列的字符，字符灰度与车牌底色灰度存在明显的差别。

由于车牌区字符分布较密集，每个字符有固定的宽度，且字符间有固定间距，所以在车牌处水平方向上灰度值的变化比车辆的其他非车牌区域的变化频率要高。

这样就可利用灰度值的变化频率，来对车牌进行定位。

车牌一般在车身上较低的位置，其下方基本上没有明显的边缘密集区域，采用从下向上的处理方法，这
样不但可以减小运算的速度，还可避免车身中其他文字的干扰。

图4中的黑色线段为车牌区某一水平线上各点的灰度值分布情况。

由灰度值的分布可知，车牌区的灰度值变化率较高，非车牌区的灰度值变化率较小，如图5所示。

在从下向上处理的过程中，灰度值变化率较高的区域可以作为车牌区。

根据车牌的固定长宽比，便可较准确地定位整个车牌区，如图6所示。

图4 车牌区的灰度值分布情况
图5 非车牌区的灰度值分布情况
图6 定位后的车牌
4 结语
本文对改进遗传算法在车牌定位中的应用进行了研究和实验，通过对车牌图像的分割及定位，表明通过该算法可以获得较好的车牌分割效果，不仅提高了车牌定位的速度，同时结合车牌及车牌中字符的分布特点，提高了车牌识别的实时性。

参考文献
［1］苑玮琦，伞晓钟.一种汽车牌照多层次分割定位方法［J］.中国体视学与图像分析，2004，9(4)：239-243.［2］戴青云，余英林.一种基于小波与形态学的车牌图像分割方法［J］.中国图像图形学报，2000，5(5)：412-415.
［3］郭捷,施鹏飞.基于彩色和纹理分析的车牌定位方法[J].中国图像图形学
报,2002,7(5):472-
［4］陈国良.遗传算法及其应用［M］.北京：人民邮电出版社，
［5］Wright A H.Genetic Algorithm for Real Parameter Optimization.In:Rawlins
［6］Fogel D B.An Introduction to Simulated Evolutionary Optimization［J］.IEEE
-
作者简介陈梅女，1975年出生，讲师，硕士。

主要研究方向为图像处理。