一种模板匹配和神经网络的车牌字符识别方法_王敏

采用 LEE (最小指数误差)误差函数算法 , 可有效地提高神经网络的性能 .L EE 误差函数为
J =abE (a >0 , a ≠1 , b >0), 式中 , E 为 LSE 函数 .LEE 误荡现 象 , 又便于神经网络的 VLSI 硬件电路实现 . 2 .2 采用改进的样本学习规则
中国车牌的字符模板分为汉字 、英文字母和 数字 模 板 , 由 统 计 方 法 构 造 并 保 存 到 数 据 库 中[ 2] .模板匹配是将字符模板和准化了的车牌区
字符进行匹配来识别字符 .
匹配步骤如下 : 步骤 1 根据不 同车牌类型的 字符组合先 后顺序 (如小型汽车的顺序为汉字 —0 或英文字 母 —英文字母或数字)取字符模板 . 步骤 2 依次取汉字模板进行匹配 , 模板在 车牌字符区上左右滑动 (滑动的目的是为了找到
Gm ×n =
…
,
g(m , 1) … g(m , n)
g(i , j)∈ {A , B , C , D};
f (1 , 1) … f (1 , n)
Fm ×n =
…
,
f (m , 1) … f (m , n)
f (i , j )∈ {A , B , C , D};
s(1 , 1) … s(1 , n)
第 29 卷 第 3 期 华 中 科 技 大 学 学 报 Vol.29 No .3 2001 年 3 月 J.Huazho ng Univ .o f Sci .& T ech . M ar . 2001
一种模板匹配和神经网络的 车牌字符识别方法
用本文提出的方法对从实际交通场景中获取 的大量车牌图像进行识别 , 取得了满意的结果 .
参考文献
[ 1] 刘效静 , 成 瑜 .汽车牌照自动识别技术研 究 .南京 航 空航天大学学报 , 1998 , 30(5):573～ 576
[ 2] 赵雪春 , 戚飞虎 .基于彩色分割的车牌自动 识别技术 . 上海交通大学学报 , 1998 , 32(10):4 ～ 9
“ ”运算的值实际上是加权值 , Sm ×n实际上是一
个模板和所处理的对应车牌区所对应像素之间的
相似程度的加权和函数 .事实上 , 加权值合理地反
映了字符 、背景 、字符边界和背景边界位置之间的 联系 .实验表明 :这种加权相似函数法与交叉相关
函数法相比具有同样的匹配正确率 , 且运算量不
到交叉相关函数法的 0 .1 %.
对于车牌字符识别 , 目前最常用的方法是基 于神经网络和模板匹配的方法 .文献 [ 1 , 2] 给出 了基于神经网络的车牌字符识别方法 , 对于解析 度较高 (车牌区宽度不小于 120 个像素)和图像 比较清晰的车牌 , 这些方法能有效地识别车牌中 的字符 , 但是对于较低解析度和较为模糊的车牌 , 以上方法是不可行的 .本文提出了一种改进的神 经网和一种四灰度加权相关函数模板匹配集成方 法来进行字符识别 , 使对车牌字符的识别性能得 到了改进 .
50 华 中 科 技 大 学 学 报 2001 年
用神经网络进行识别 ;而对于可独立分割出来的 车牌中的字符用两种方法均可识别 , 但这两种方 法识别的效果不一样 .
就识别率而言 , 用本文的模板匹配法识别车 牌字符时 , 同一车牌中的两个或两个以上的字符 同时 误识的 概率约 1 .6 %, 同时拒 识的概 率约 1 .7 %, 对中国车牌的识别率约 90 %;同样 , 用神 经网络识别时 , 误识的概率约 1 .2 %, 拒识的概率 约 1 .3 %, 识别率约 96 %.就识别时间而言 , 前者 比后者少得多 .另外对汉字识别而言 , 两者的识别 率相当 .
Sm ×n =
…
=
s(m , 1) … s(m , n)
G11 … G1n
Gm ×n
Fm ×n = … Gm1
, … Gmn
式中 , G11 =g(1 , 1) f (1 , 1);G1n =g(1 , n) f (1 , n);Gm1 =g(m , 1) f (m , 1);Gmn =g(m ,
对能分割出来的车牌字符 , 选择识别方法应 根据实际系统要求确定 .如 :对于识别率要求高的 系统 (如在高速公路收费系统中应用的车牌识别 系统), 应选择神经网络方法 ;对实时性要求高的
实际系统 (如在车流量较大的城市道路或流量观 测站中车牌识别系统), 应选择模板匹配方法 ;对 于用于统计只要求识别汉字的场合应选择模板匹 配方法 .
n) f (m , n). “ ” 运算 定义 如表 1所 示 .在 矩 阵 Sm ×n 的
表 1 运算表
f(i , j)
A B CD
A
9
0
5
1
g(i , j) B
0
9
3
3
C5
3
9
5
D
1
3
5
9
基础上定义模板和所处理的对应车牌区之间的相
似函数为
mn
M =(100/ 100) ∑ ∑ s(i , j )(9m n) , i =1 j =1
根据车牌类型和字符类型将神经网络分成四 个子网学习 :各省的简称子网 , 军种 、出境 、领事和 大使简称汉字子网 , 数字子网和英文字母子网 .各 子网中的节点数可根据不同的特点来设置 .分组 子网可以降低网络的复杂性 , 提高网络的识别 率[ 3] .
3 模板匹配和神经网络的集成
由于车牌采集 的条件 (场 景 、几何位 置 、灯 光 、天气 、车辆速度和摄象机的解析度等)不同 , 由定位得到的车牌中的字符有的可以独立分割出 来, 有的可以部分分割出来 , 有的则不能分割出 来 .对于不能独立分割出来的车牌中的字符 , 只能
传统的 BP 学习算法是一种随机梯度最小均 方算法 , 每次迭代的梯度值受样本中噪声干扰的 影响较大 , 所以有必要使用批处理方法将多个样 本的梯度进行平均以得到梯度的估值 .但是 , 在训 练模式样本数很大的情况下 , 这种方法势必增加 每次迭代的计算量 , 并且这种平均作用将会忽略 训练样本个 体的差异性 , 降低学习 的灵敏度 .因 此 , 将所有训练模式样本分成若干个子块分别进 行平均学习 , 当误差收敛到一预定数值时 , 再以此 刻权值为初值 , 转入下一子块进行学习 , 在所有的 子块被训练完后 , 若最后的误差达到预定的精度 , 则学习完毕 , 否则将转入下一个循环继续学习 , 直 到满足终止误差精度要求 . 2 .3 采用分组神经网络
Wang Min Huang X inhan Wei Wu L i Wei Abstract :A method of characters in vehicle num ber-plate using pat tern m at ch and neural netw orks is presented .T his method integ rates the advant ages of pat tern match and neural netw orks recognizing characters in vehicle number-plate .I t can be used to solve at the same time the problem t hat only pat tern match or neural netw ork is dif ficult to recog nize t he characters .T he recognit ion rate can be improved w ith the recognition time reduced and t he adaptable ability of recog nition method increased .T he experimental results show t hat , for a vehicle number-plate , recog nition rate of characters is more than 90 % and t he recognit ion time of characters is less than 1 .2 second by using t his met hod .It is obvious that this method is of more eff ective recognit ion ability t han other methods . Key words:vehicle character recogni tion ;pat tern mat ch ;neural netw orks ;integration Wang Min Assoc .P rof .;Dept .of Cont r .Sci .& Eng ., HUST , Wuhan 430074 , China .
度就是将模板和车牌标准化为 A , B , C 和 D 四
种灰度值的图像 .通过采集的 256 灰度级车牌图
像观察发现 :字符的灰度值 A 、背景的灰度值 B 、
背景和字符之间的边界灰度值 (分字符的边界靠
字符处的灰度值 C 、背景的边界靠背景处的灰度
值 D 两类)之间有较明显的界限 .取模板的大小
实验表明 :对汉字的识别阈值 T 取 85 %, 对
英文字母的阈值 T 取 80 %可得到最好的匹配效 果 .四灰度加权相似函数法识别率比二值图为基 础的模板匹配法至少高 15 %, 而识别时间相当 .
2 神经网络车牌字符识别
本研究对神经网络字符识别算法作了三方面 改进 .实验表明改进后的神经网络可以提高识别 率 1 %～ 3 %, 网络的收敛 速度可提高 30 %～ 50 %. 2 .1 采用改进的误差函数
步骤 3 依次取英文字母 , 以 S 1 为起点 , 进 行类似步骤 2 的计算找到最佳匹配的模板 , 并进 行识别判别 .同时得到新的模板在车牌字符区中 的右边界位置 , 更新 S 1 .