车牌识别技术研究-字符分割和字符识别_车牌识别方案

字符分割

字符分割可采用垂直投影法。由于字符块在竖直方向上的投影必然在字符间或字符内的间隙处取得局部最小值,因此字符的正确分割位置应该在上述局部最小值的附近,并且这个位置应满足车牌的字符书写格式、字符尺寸限制和一些其他条件。利用垂直投影法,对复杂环境下的汽车图像中的字符分割有较好的效果。对已切割出来的车牌图像在水平方向上从左到右检测各坐标的投影数值。检测到第一个投影值不为0的坐标可视为首字符的左边界,从该坐标向右检测到第一个投影值为0的坐标可视为首字符的右边界,其余字符的边界坐标同理可得。

通过字符的平均字宽和两字符左边界之间的平均距离去除可能存在的误分。对于字宽小于平均字宽一定比例(如0.3)的字符则视为无效字符;前后两字符距离小于平均距离且此距离与字宽之和不大于平均距离则可以合并为一个字符。

字符识别

人工神经网络模式识别方法的优点及其组成

人工神经网络模式识别方法是近些年提出的新方法,为字符识别研究提供了一种新手段,它具有一些传统技术所没有的优点:良好的容错能力、分类能力强、并行处理能力和自学习能力。因而,采用神经网络识别方式是一种很好的选择。使用人工神经网络方法实现模式识别,其运行速度快,自适应性能好,具有较高的分辨率,可处理一些环境信息十分复杂,背景知识不清楚,推理规则不明确的问题,允许样品有较大的缺损、畸变;该方法的缺点是其模型在不断丰富完善过程中,目前能识别的模式类还不够多。

一般神经网络字符识别系统由预处理,特征提取和神经网络分类器组成。预处理就是将原始数据中的无用信息删除,平滑等;特征提取必须能反应整个字符的特征;神经网络分类器的输入就是数字字符的特征向量;神经网络分类器的输出节点应该是字符数。

BP算法

可采用BP神经网络来进行车辆字符的识别。BP网络是采用非线性可微转移函数的多层网络以及Widrow Hoff提出的最小均方(Least mean Square)学习算法,即LMS算法。在该算法中,希望通过训练网络能找到一组权重,使得函数的值最小。其中E为总误差,p为一种输入模式;括号内第一项表示输入模式为p时输出结点i的期望值;第二项表示输入模式为p时输出结点i的实际值。

LMS算法用到了梯度下降法,即权重的增量正比于误差的负导数,故每修改一次权值,均向误差减少的方向移动,从而整个系统表现出在权重空间中向误差极小下移的特性。在字符识别中,实现的算法如下:

步骤1:将全部权值和结点的阈值预置为一个小的随机值。

步骤2:加载输入和输出。在n个输入结点上加载n维输入向量X,并指定每一输出结点的期望值t_i。

步骤3:计算实际输出结果值y_i。

步骤4:修正权值。其过程是由输出结点开始,反向地向第一隐含层传播由总误差诱发的权值修正,即反向传播(Back Propagation)。下一时刻的互联权值W_ij(t+1)由下式给出:

W_ij(t+1)=W_ij(t)+ηδ_jx'_i

式中,j为本节点序号,i是隐层或输入层节点的序号;x_i或者是结点i的输出或者是外部输入;η是增益项;δ_j是误差项,其取值分以下两种情况:

若j为输出结点,则

δ_j=y_j(1-y_i)(t_i-y_i)

其中,t_i为输出结点的期望值;y_i为实际输出值。

若j为内部隐含结点,则

δ_j=x'_j(1-x'_j)∑δ_kW_jk

其中,k为j结点所在层之上各层的全部结点。

步骤5:到达预定误差精度或循环次数后退出,否则转步骤2重复。

识别过程

提取特征法采用二维快速Fourier变换,得出的系数反映了图像在频域中的分布情况。进行Fourier变换后得到K个变换系数,从K个变换系数gk(k=0,1,2...,K-1)中选出M个有代表性的特征,使它满足类间距离要大、类内距离要小,这里选出16个作为有代表性的特征作为网络输入。取了0-9共十个数字作为待识别数,每个数字取20个样本进行训练,共有200个训练样本,另取10个样本作为识别样本。神经网络采用三层结构,提取特征法有16个输入,隐含层取24个神经元,输出为10个,取最大输出端对应的数字作为识别结果,如果所有输出端的结果都小于0.5,则认为系统无法识别。

结论

车牌识别是一门多学科的综合技术,涉及数字图形处理和神经网络技术,采用以上的方法将取得良好的识别结果。下一步的研究将是在算法上考虑进一步的改良,在实现上可采取可视化编程语言制作成软件,投入实际使用。

上海祁舜道闸专业服务：上海道闸车牌识别系统，车牌自动‌‌‌‌识别系统，无人值守停车管理系统，智慧停车场管理，智能人行通道，道闸，智能道闸，智能车位引导系统，停车场无感支付系统，门禁安装，人行通道翼闸、三辊闸、速通闸等，上海地区可上面测量，免费设计安装。

网站：http://www.qishunzn.com/