一种基于RBF神经网络对车牌数字识别的研究

张小春，任开春，曹龙汉，张兴起，张迁

（重庆通信学院 军事电力工程系，重庆 400035）

智能交通系统(Intelligent Traffic System，ITS)作为目前世界交通运输领域的前沿研究课题己经成为交通管理发展的主要方向，并已广泛应用于高速公路收费站、智能小区、电子警察等领域。ITS的核心是汽车牌照自动识别技术(License Plate Recognition，LPR)。LPR系统分为两个步骤：一是对牌照的精确定位，二是字符的识别。基于神经网络的模式识别方法是字符识别领域的一个重要研究方向。但目前大部分都是基于BP（Back Propagation）网络进行的。BP网络的主要缺点是易受干扰、难以确定隐层节点数、易陷入局部极值点。而对于径向基函数(Radial Basis Function，RBF)神经网络，由于结构简单、径向对称、光滑性好，可以保证学习速度快，且能实现全局最优。本文通过一种动态K-均值聚类算法的RBF网络对车牌数字进行了识别，试验结果表明，网络学习速度快，正确率较高，抗干扰力较强，具有一定应用价值。

1 RBF网络及其算法

1.1 RBF网络的拓扑结构

RBF神经网络[1]是一种前馈型神经网络，包含1个具有径向基函数神经元的隐层和1个具有线性神经元的输出层。RBF神经网络模型如图1所示。

1.2 RBF神经网络的结构特点

式中：dj为 隐单元函数宽度。显然，dj越 小，径向基函数的宽度也就越小，基函数就越具有选择性。高斯函数模型如图2所示。

于是，图1中的RBF神经网络的第k个输出就可以表示为

式中：wkj表示第j个隐层神经元与第k个神经元的连接权值，输入层与隐层之间的所有权值固定为1。图1中输出层节点中的Σ表示输出层神经元采用线性激活函数。

1.3 动态K-均值聚类算法选取RBF神经网络隐函数中心

K-均值聚类算法是一种自组织学习选取径向基函数中心的方法，径向基函数的中心值可以移动，并通过自组织学习确定其位置，从而使径向基函数的中心位于输入空间重要的区域。然而K-均值聚类算法的性能受到许多因素的影响，需要大量试验来确定K值的选择及初始化参数的选择，因而本文选取了另外一种动态K-均值算法。其算法实现步骤如下。

第1步：随机选取1个输入向量作为初始时的聚类中心，此时中心个数q=1，设置距离门限值ρ、正学习步长ηk和反学习步长ηr，且满足0＜ηr＜ ηk＜ 1，令 s=1。

第2步：计算第s个输入向量Ins与所有已知聚类中心Cj的距离dj。

式中：q是当前聚类中心的个数；n是第s个输入向量的维数，同时也是隐含层第j个中心的维数。

3）同业竞争：在国内，由于品牌建设落后，引领作用不强。众多陇药中，有影响力的佛慈制药、太宝制药、奇正藏药等少数品牌，与国内十大中药品牌的“北京同仁堂”“云南白药”等相比仍有较大差距。在国外,最大的竞争对手是日本、德国及韩国。日本现已成为除中国之外, 开展中草药研究历史久、范围广、水平高、从事人数多的国家。日本的中药企业以大企业为主, 产业集中度高。德国凭借其高技术和加工生产能力，成为目前世界产销植物药最多的国。

第4步：比较dk与距离门限值ρ，若dk＞ρ，则增加一个新的中心，即q=q+1，中心值就为该输入向量；若dk＜ρ，则按照RPCL方法修正获胜中心与次胜中心，其它中心保持不变。

第5步：s=s+1。若s＞输入样本数量，表示已经找到全部聚类中心C，算法结束，否则转到第2步。

2 RBF神经网络参数的确定

2.1 输入节点的确定

输入层与输出层的神经元数目由问题本身的性质决定，输入层神经元个数由待识别字符所提取的粗网格特征的维数大小确定[2]。在本车牌数字识别系统中，已经手工用画图工具将车牌中的数字切割出来，生成尺寸大小不一的24位点阵位图，从0～9的每一个数字都取了9个样本，切割完成的车牌样本命名为00.bmp，01.bmp，…，89.bmp，如图3所示。

再通过程序对每个图像进行处理，生成归一化的16×16点阵大小字符，以每个像素点为一个网格，因而输入层神经元个数取为256。

2.2 隐节点和输出节点数的确定

人工神经网络对模式的分类可以采用“M中取1”的方式来表示目标向量，因此，网络输出层神经元的数目即为待识别的类别数M，输出层的每一个神经元就代表一个目标种类。在本系统中，也采用“M中取l”的方式来表示目标向量。本系统将输入样本进行10个结果的输出，即0～9，这样，网络输出层神经元个数即为10。

2.3 确定隐函数中心Cj和半径dj

确定隐函数中心Cj采用动态K-均值聚类算法，如上文所述。

半径dj决 定了RBF单元接受域的大小，对网络的精度有极大的影响，半径选择的基本原则是使所有RBF隐单元的接受域之和覆盖整个训练样本空间。对样本空间分好类以后，dj计算根据如下k邻近的方法。

式中：x(k)和Cj的维数相同；x(k)即为距离Cj最近的K个点[3-4]。

2.4 训练隐层到输出层的连接权值

通过线性最小二乘法来训练RBF神经网络便可以得到隐层与输出层之间的连接权值。初始化时，先设定样本模式计数器p和训练次数q为1，误差E置为0，试验的误差阈值Emin设为0.05，初始学习率设定在0～1之间的值。本文共有训练样本数为P=90。故网络总误差为

2.5 识别测试样本

在神经网络模型确定后，将测试样本输入网络进行识别测试。每输入一个车牌数字图片后，经过程序的自动处理，将生成16×16的点阵图像作为输入特征矢量，经过隐层和输出层的计算后就可以得到每个字符的分类号，将这个分类号与输入特征矢量自带的分类号比较，相等则识别正确，反之则识别错误。

3 试验仿真结果

系统训练误差曲线如图4所示。

基于RBF神经网络的车牌数字识别系统操作界面如图5所示。

为了测试系统的整体性能，特在实际交通道路上抓拍了273张不同的车牌图像，其中，含3个数字的车牌数目共计174个，含4个数字的车牌数目共计87个，含5个数字的车牌数目共计12个。经过对车牌的分割处理，得到数目分布不均的从0到9的车牌数字共计930个。用此样本对所得车牌数字进行了识别，结果见表1。

由表1可以看出，识别正确率在90.6%～98.9%之间，平均正确率为95.91%。若考虑每一个车牌数字出现的概率后，即按照式（6）计算有

表1 识别结果

式中：p1i为数字出现的概率；p2i为每个数字单独识别的正确率；p为综合识别正确率，则由表1计算出综合识别正确率为p=95%。

数字识别系统对数字0～9的部分识别效果见表2。

表2 部分识别效果

表3所示为系统对带噪声、模糊、拍摄角度不好的图片的识别结果，右侧所示图片为经过算法自动处理后的图片，目视可知干扰都比较大，但是由于RBF神经网络的高度非线性化和高识别率，这些照片仍然得出了正确结果。

表3 对部分带噪声和模糊图片的识别结果

4 结论

本文通过K-均值聚类算法实现了RBF神经网络对车牌数字的识别。本系统经过对每个数字的训练后，能够对输入的车牌数字做到比较精确的识别，具有较高的识别准确率，区分字符能力较强，不易受噪声影响，在交通检测、停车场、和高速公路超速检测等方面有较高实用性和现实意义。

[1]魏海坤.神经网络结构设计的理论与方法[M].北京：国防工业出版社，2005：55-62.Wei Haikun. Theory and Method of Artificial Neural Networks Design[M]. Beijing：China National Defense Industry Press，2005：55-62.（in Chinese）

[2]高隽. 人工神经网络原理及仿真实例[M].北京：机械工业出版社，2010：98-102.Gao Jun. Artificial Neural Networks：Theory and Simulation Examples[M].Beijing：China Machine Press，2010：98-102. （in Chinese）

[3]KERRY L C. Intelligent Transportation Systems [J].Better Roads，2005，75(7)：75-76.

[4]李国友，姚磊，李惠光，等. 基于优化的RBF神经网络模式识别新方法[J]. 系统仿真学报，2006，18(1)：181-184.Li Guoyou，Yao Lei，Li Huiguang，et al. A New Method of Pattern Recognition Based on Optimized RBF Neural Networks [J]. Journal of System Simulation，2006，18(1)：181-184. （in Chinese）

[5]赵秀丽，李廷军，金慧琴，等. 基于RBF神经网络的数字模式识别方法[J].海军航空工程学报，2004，19(1)：191-192.Zhao Xiuli，Li Tingjun，Jin Huiqin, et al. A Way of Recognition Based on RBF Neural Network [J].Journal of Naval Aeronautical Engineering Institute，2004，19(1)：191-192. （in Chinese）

[6]张秀玲，李海滨. 基于RBF神经网络的数字模式识别方法[J]. 模式识别与人工智能，2002，15(1)：93-97.Zhang Xiuling，Li Haibin. A Digit Recognition Method Based on RBF Network [J]. Pattern Recognition and Artificial Intelligence，2002，15(1)：93-97. （in Chinese）