基于两级BP神经网络的机动车车标识别

陈庆程 陈家亮

1 車标定位

目前车牌定位的方法已经比较成熟,而车标的位置、尺寸都和车牌有很大关联,所以可以借助车牌提高车标定位的效率。假设车牌的宽度为W,则从车牌上边缘向上取一个边长为W的正方形区域,作为车标搜索区域。

已知车标候选区域,参考[3],利用形态学和联通区域分析(CCA),排除干扰,提取候选车标目标,具体操作如下:

(1)在水平方向做形态学闭运算,结果图记为Fc,原图记为Fr;

(2)应用top-hat,增强车标目标,结果图记为Ft=Fc-Fr;

(3)应用OTSU分割,获得车标候选区域掩图;

(4)利用形态学优化目标形状,排除噪声干扰;

(5)做连通区域分析(CCA),利用车标-车牌位置尺寸的先验知识排除错误:

①车标宽度和高度小于1.5倍车牌高度,大于0.5倍的车牌高度。

②车标中心位置应该在车牌竖直中心线附近。

2 基于BP神经网络的车标识别

车标识别包括识别和判定两个过程,单个BP神经网络虽然也可以一次性完成两个过程,但是这样网络的复杂度将会很高,可能会出现发散的问题。为了降低网络复杂度,提高识别准确度,本文采用两级BP神经网络来完成车标的识别过程:类型预测网络和类型校验网络。

2.1 车标类型预测网络

车标类型预测网络的目的是对车标类型进行预测,把输入的目标分发给置信度最高的类型对应的校验网络。预测网络包括输入层、隐层和输出层三个层次,每层节数目依次是1024,128和2。考虑到噪声和光照的影响,定位到的车标候选目标在输入网络前需要经过高斯平滑、直方图均衡化处理,然后后缩放到32X32,再按行展开形成1024维的输入向量。网络输出是一个二维向量[a,b],其中a表示输入属于本田的置信度,b表示输入属于大众的置信度,a,b ∈[0,1]。

试验中分别选择100张本田和大众车标作为训练集,本田车标的目标输出向量是[1,0],大众车标的目标输出向量是[0,1]。另外各选100张本田和大众车标作为验证集,经过反复训练,最终的预测网络在验证集上正确识别98%的本田车标以及95%的大众车标。

2.2 车标类型校验网络

车标类型校验网络的目的是对车标类型进行验证,排除错误的候选目标,提高识别准确率,降低识别错误率。

每一个类型验证网络有两个BP网络组成:基于灰度图的网络和基于边缘图的网络。两个网络都是1024X256X1的三层网络,输出目标属于该类型的置信度,两个网络的输出取和后,如果大于预先定义的阈值T,则判定为属于该类型,否则判定为错误。

验证网络的结构和预测网络相仿,但是训练集不同。以本田车标验证网络为例,训练时选取200张本田车标作为正样本,另外选取500张非本田车标图片作为负样本。原始灰度图按行展开后直接送入基于灰度图的验证网络进行训练。另外利用canny边缘检测算子,提取正负样本边缘图像,按行展开后送入基于边缘的验证网络进行训练。试验中发现,负样本的选择对识别可靠性影响很大。为了提高负样本的代表性,本文采用如下的“自举”方式筛选负样本:

①任意选择500张非本田车标图,作为负样本,训练网络。

②以训练好的网络识别另外一批非本田车标图,选取100张识别错误的替换原来已经正确识。

别的负样本,重新训练网络。

③反复①,②三次后,结束训练,最后一轮训练得到的网络具有最高的可靠性。

实验分析

试验中选择1500张车辆图片,其中本田和大众各500张,其他车辆500张,本文提出的方法正确识别率为92%,误检率为3%。分析实验结果,我们发现导致识别错误的原因主要有以下几点:

(1)车标尺寸太小,纹理模糊。

(2)车标受到高反光的影响。

(3)车标存在图像内、外较大旋转。

(4)易混淆车标,比如现代车标和本田比较相近。

参考文献

[1] Guangmin Sun.“The Location and Recognition of Chinese Vehicle License Plates under Complex Backgrounds”Jounal of Multimedia.Vol.4.NO.6,December 2009.

[2] 吕慧娟,吴飞.“基于Adaboost cascade的车牌检测技术”,河南大学学报,Vol.38 NO.3 May 2008.

[3] Miriam Butzke,Alexandre G.Silva,Marcelo da S.Hounsell,Maurício A.Pillon “Automatic Recognition of Vehicle Attributes Color Classification and Logo Segmentation”.

[4] APostolos P.Psyllos,Christos-Nikolaos E.Anagnostopoulos,Eleftherios Kayafas “Vehicle Logo Recognition Using a SIFT-Based Enhanced Matching Scheme”.IEEE Transactions on Intelligent Transportation Systems.VOL.11,No.2,JUNE 2010.