一种基于分级神经网络的车牌字符识别新方法

摘 要：为了进行车牌字符的有效识别，提出了一种分级径向基函数神经网络的车牌识别算法，识别网络由两级构成，一级径向基神经网络用于汉字、字母、混合和数字的粗分类; 二级子网用于对字母网络、混合网络和数字网络内部易混字符再进行精确识别。实验结果表明，提出的方法有效地提高了识别的精度，而且平均运行时间减少。

关键词：车牌识别; 径向基函数神经网络; 二级网络; 识别率

中图分类号：TN915-34文献标识码：A

文章编号：1004-373X(2011)01-0207-04

A New Method of License Plate Identification Based on Two-level Neural Network

CHAI Lan-juan, ZENG Huang-lin

(College of Automatic and Electrical Information Engineering, Sichuan University of Technology and Engineering, Zigong 643000，China)

Abstract： In order to carry out license plate identification effectively, a new method of license plate identification based on a two-level neural network is presented. The first-level network is used to classify mixed Chinese characters, letters, and numbers roughly, and the secondary sub-network is used to do exact recognition of confusable characters in mixed network again. The experimental results show that the proposed new method effectively improved the accuracy of license plate identification, and reduced an average time of license plate identification.

Keywords： license plate identification; RBF network; two-level network; recognition accuracy

0 引 言

随着我国经济的迅猛发展，我国的交通事业进入了一个高速发展的阶段，智能交通管理也显得越来越重要，它能提高交通服务的质量，促进交通运输事业的发展，而车牌识别系统是现代智能交通管理的重要组成部分，是计算机视觉、图像处理、神经网络和模式识别技术的综合应用［1-2］。车牌识别系统一般包括车牌定位、车牌字符分割、车牌字符识别等部分，而其中字符识别是车牌识别系统中重要的组成部分。车牌识别的研究,最早出现于20世纪80年代,可以粗略地计算出车辆的速度、车流量、道路负载等数据。通过图象识别、模式识别、人工神经网络识别等方法［3-5］，进一步发展国内外对汽车牌照识别系统的研究工作已经有了很大进展。随着我国交通事业的高速发展，目前报道的这些方法都存在识别速度慢、精度低、抗干扰性能差等问题。

车牌识别系统应该有强大的分类能力、容错能力和鲁棒性，而且能较好地解决车牌识别中所提出的因字符残缺不完整而无法识别的问题,还可以避免繁重的数据分析和数学建模工作,可以将信息存储与处理并行起来，从而大大提高运行速度［6-7］。本文提出一种分级识别思路，就是对已经进行了定位、预处理(灰度化、二值化)、字符分割、归一化的车牌图像，用一级径向基神经网络进行汉字、字母、混合和数字的粗分类; 二级子网用于对字母网络、混合网络和数字网络内部易混字符再进行精确识别，解决如车牌特征识别与分类输出问题。

1 基于分级神经网络识别网络的实现

在车牌自动识别系统中,经过车牌定位和字符分割,就进入到字符识别阶段。中国大陆(不包括香港、澳门、台湾)车牌主要由三种类型组成:黄底黑字、蓝底白字、白底黑字。字符也可以分成四种类型:中文字符、英文字母、阿拉伯数字、圆点分隔符。民用车牌，共由七位组成，例如:鲁U12345，牌照是由7个字符合成的字符串，其中第一个字符是汉字，由31个省、自治区和直辖市的简称组成。第二个字符是英文字母，第三个字符是英文字母或者是数字，第四、五、六、七个字符则是数字。因此，首先可以构造4个一级径向基神经网络 (RBF),即汉字、字母、混合和数字,用于粗分类;然后,对字母网络、混合网络和数字网络根据内部字符的易混程度(如0、O、Q、D等)分别构建了不同的二级子网进行精确识别。网络的组织结构如图1所示。

图1 基于分级神经网络车牌字符识别网络

一级网络工作过程如下：对采集到的车牌图像，经过定位、预处理、分割和归一化等处理之后，根据分割结果将七个不同位字符图像输入对应的一级网络进行识别,分割后的第一个字符输入一级汉字网络，第二个字符输入一级字母网络，第三个字符输入一级混合网络，第四、五、六、七个字符输入一级数字网络。每个一级网络输出该网络的识别结果及结果的置信度。

二级网络工作过程如下：经过一级网络产生的识别结果及置信度，将此识别结果及置信度输入一个类分流器的二级网络进行分流或直接输出识别结果，如果确定需要二级识别,将根据一级识别结果选择二级识别子网进行识别,最后将识别结果转入表决器进行评判表决,本文根据字符的易混淆程度最终确定了16个二级子网。这些二级子网分别是汉字京吉甘贵网、汉字冀蒙鲁晋网，汉字赣鄂豫网；字母CDLOU网、字母BFHPR网、字母ATVY网和字母ABEFLP网;八个混合子网:混合OCD网、混合158BEFR网、混合2379VZ网、混合1479ATY网、混合589BES网、混合358BHK网、混合6BCDGOU网和混合0O网;1个数字子网，即数字35网。

表决器工作过程如下：根据二级径向基神经网络(RBF网络)的输出产生结果转入表决器，表决器是通过一种基于竞争的网络结构进行评判，输出置信度大的识别结果作为最终结果，实现了“胜者为王败者为寇”的功能。

2 一种改进的径向基函数神经网络及其算法

在多层前向网络的研究中，径向基函数神经网络广泛应用于有导师学习的插值非线性函数拟合，近似非线性映射性质的系统建模、聚类等方面。在径向基函数神经网络中，它把输入分别输入到第一层的每一个输入神经元，第一层的每一个神经元的输出无加权地直接传送到隐层的神经元的输入端，隐层神经元的输入输出采用聚类特性，隐层神经元的输出经过加权求和直接产生输出，即输出层的神经元只有加权求和，而没有非线性。这种结构是多层相连接的，网络没有输出端反馈到输入端带来的全局稳定性问题，一种改进的径向基函数神经网络结构如图2所示。

图2 一种改进的径向基函数神经网络结构

RBF网络是一个前向神经网络，有三层，网络输入层神经元节点数就是系统特征因子个数(4个)，分别接收Up,Um,Uc,Uf。

输出层神经元节点数就是系统目标个数(7个)，分别输出Ma,Mm,Mc,Md,Me,Mf,Mw。

使用高斯函数作为神经元的输出函数:

ui=exp－12v－ciai2

(1)

式中：v=Up+Um+Uc+Uf;ci表示函数的中心;aiв美慈范ê数的宽度。

RBF网络的输出为:

f(xj)=1∑ni=1ui∑ni=1wiui

(2)

网络隐层节点预取若干个，在网络训练时，再对不同隐层节点数分别进行比较，最后根据误差变化过程确定出隐层节点合理的网络结构。

在径向基函数前向互联网络中，利用误差反向传输学习算法, 优化求解函数的中心ci，宽度ai，以及加权系数wi。

RBF网络训练方法：

对于第p(p=1,2,…,P)个模式，RBF网络训练过程中的输出为:

f(xpj(k))=1∑ni－1upi(k)∑ni=1wiupi(k)

(3)

epj是第p个模式的信号相对于输出层的第j神经元的输出与要求的输出之间的局部误差，П泶镂:

epj=dpj-fp(xj(k))

(4)

这里dpj是要求的输出。

对于整个训练集，网络的误差函数定义为:

E=∑Pp=1∑nNj=1(epj)

(5)

依据对于第P个模式的信号相对于输出层神经元的误差函数EТ锛小值计算。

当采用传统的均方误差Е(epj )=(dpj -f(xpj (k)))2时，利用梯度下降法，通过Ewij(k)Э汕笸络权值修改因子，网络权值修改的调整量为:

Δwij (k) = -2∑Pp=1∑nN j = 11∑ni = 1upi (k)∑ni = 1upi(k)

(6)

利用梯度下降法，通过ИEciЭ汕笸络中心修改因子，网络权值修改的调整量为:

Δci(k)=－2∑Pp=1∑nNj=1fpjci

(7)

利用梯度下降法，通过ИE郸联i(k)可求网络权值修改因子，网络权值修改的调整量为:

И

Δαi(k)=－2∑Pp=1∑nNj=1fpj郸联i

(8)

И

对P个模式的信号训练时，误差反向传输学习算法计算连接权调整，这种方法完成训练后整个神经元网络的总误差函数E可达极小。

3 基于分级神经网络识别网络的车牌字符识别结果

在实际的操作过程中，因光线、天气、拍摄等原因，汉字也容易出现断裂、粘连等现象，这也影响了汉字的识别率。本文采用基于字符的灰度图像提取字符特征,避免了汉字字符图像因断裂、粘连等影响使得提取的特征不准确的问题。通过上述径向基神经网络结构来训练，可得汉字网络独立字符识别结果，如表1所示(数据来源参考文献［8］)。

从表1中可以看出,系统对汉字独立字符的平均识别率为9292%,大于文献［8］的汉字独立字符识别率897%。

系统对于字母和数字已经有较高的识别率，经实验测试，结果如表2，表3所示。

表1 汉字网络独立字符识别率

字符总样本数正确率字符总样本数正确率

京3 4150.932粤1 5680.947

津2 7960.929桂2 5370.919

冀2 8030.949琼1 9420.927

晋3 0160.944渝1 1570.924

蒙1 7540.925川1 5290.922

辽2 7650.928贵2 1070.928

闽1 5740.928赣2 1490.924

鄂1 2390.939湘1 3570.941

云2 3310.937吉2 1540.939

藏1 8540.938黑1 7470.921

陕1 0370.929沪2 7450.901

甘1 6570.928苏1 2300.917

青1 1620.921浙1 0070.924

宁1 0450.935皖1 8730.926

鲁1 1790.928豫1 5480.919

新1 7940.937

表2 字母网络独立字符识别率

字符总样本数正确率字符总样本数正确率

A3 0800.920N1 4580.945

B1 0020.927O1 9880.906

C1 2350.923P1 7520.948

D1 2540.915Q1 1250.939

E1 1240.926R1 3910.957

F1 3560.923S2 5140.947

G1 2410.952T1 3540.948

H1 5320.935U2 3330.922

I1 0740.907V1 3200.958

J1 0240.958W1 1020.981

K1 1210.961X1 5870.971

L1 4250.924Y1 9850.952

M1 8560.941Z1 2420.987

从表3中可以看出，系统对数字的识别率已经很高了，识别率都高于95%，数字3,5和8比较容易混淆，所以这些易混淆数字的识别率相对来说会低些。

字母和数字的混合网络识别率如表4所示。

从表4中可以看出,混合网络中各字符的平均识别率为9245%,比数字独立字符识别率及字母独立字符识别率低,这也说明,神经网络随识别类别的增加,网络变得复杂,识别率会降低。

表3 数字网络独立字符识别率

字符0123456789

总样本数1 8481 0471 4931 3451 0851 3651 3911 2271 4331 375

正确率0.9810.9710.9690.9510.9780.9570.9680.9850.9530.961

表4 混合网络独立字符识别率

字符总样本数正确率字符总样本数正确率字符总样本数正确率

01 8480.921C1 2350.948O1 1630.807

11 0470.927D1 2540.913P1 7520.951

21 4930.928E1 1240.921Q1 3220.910

31 3450.934F1 3560.925R1 3910.949

41 0850.922G1 2410.937S2 5140.928

51 3650.947H1 5320.922T1 3540.932

61 3910.938I1 6580.834U2 3330.894

71 2270.931J1 0240.947V1 3200.957

81 4330.892K1 1210.942W1 1020.963

91 3750.935L1 4250.918X1 5870.951

A3 0800.931M1 8560.934Y1 9850.945

B1 0020.883N1 4580.943Z1 2420.922

为了整体衡量系统的性能,取1 500张实际交通道路抓拍的车牌图像进行测试。测试结果如表5所示,可以看出,全车牌识别率为87.9%,平均识别时间为174 ms,可以满足实际应用系统的技术要求。

表5 系统综合性能比较

识别方法测试样本数目识别率平均识别时间 /ms

新识别方法1 5000.879174

文献［8］识别方法1 0000.868181

文献［3］识别方法10079950

文献［4］识别方法5070

4 结 语

本文提出了一种基于分级RBF神经网络的车牌字符识别方法,用大量样本对所设计的网络进行了测试,识别率达到了90%以上，平均运行时间为174 ms,有效地提高了识别的精度。该方法不仅对于提高汽车车牌上字符的识别速度和识别正确率等问题是可行的，而且该思路也适合其它图象、字符等综合性识别, 因此具有良好的研究与开发价值。

参 考 文 献

［1］KERRY L C. Intelligent transportation systems[J]. Better Road, 2005, 75(7):75-76.

［2］BRIAN L S, WILLIAM T S. Development of integrated intelligent transportation systems[J].Trans. on Research Record, 1999,6 (4): 84-90.

［3］钟余.基于神经网络的车牌识别技术的研究与应用［D］.大连：大连海事大学，2007.

［4］李飞.基于人工神经网络的车牌识别系统的研究［D］.太原：中北大学,2007.

［5］王海涛，黄文杰，朱永凯,等.基于聚类分析与神经网络的车牌字符识别［J］.数据采集与处理,2008,23(2):238-242.

［6］HUANG Xiao-li, ZENG Huang-lin. A new image fusion algorithm based on fuzzy biorthogonal wavelet transform[J]. Proceeding of IFITA, 2009, 2: 684-686.

［7］ZENG Huang-lin, ZENG Xiao-hui. Reasoning decision rules of an uncertain system[C]// The Fourth International Conference on Rough Sets and Knowledge Technology，Proceeding of RSKT 2009. Australia: Springer-Verlag, 2009: 634-642.

［8］李孟歆.基于分级网络的车牌字符识别算法［J］.计算机工程与应用，2008，44(30)：213-216.

［9］ZENG Huang-lin, ZENG Xiao-hui. Studies on consistence of the knowledge simplification of an uncertain system[C]// Proceeding of 8th International Conference on Cognitive Informatics. Hongkong:[s.n.], 2009: 162-166.

［10］LI Meng-xin, WU Cheng-dong, YUE Yong. An automatic inspect system based on a neural network and uniform design[C]// Proc. International Conference on Machine Learning and Cybernetic.Guangzhou: IEEE Press, 2005: 4528-4532.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文