RBF神经网络在车牌字符识别中的应用

窦新宇

（唐山学院 装备制造系，河北 唐山063000）

智能交通系统（ITS）是近年来研究的一个热点领域，而车牌识别（LPR）技术是ITS的核心技术之一。我国的车牌包含汉字、字母、数字3方面信息。国外成熟的车牌识别系统由于不能很好地识别汉字，进而无法在国内直接应用；国内研究人员提出了诸如模板匹配的车牌识别算法［1］，BP神经网络的车牌识别算法［2］，但识别正确率与识别时间不能同时满足。针对此问题，本文提出了基于粗网格特征提取及RBF神经网络的车牌字符识别算法，能较好地解决识别正确率与识别时间之间的关系。

1 车牌识别原理

车牌识别技术是计算机视觉、图像处理和模式识别等技术相结合的产物。车牌识别原理是：首先，对车牌图像中的字符进行定位与分割提取；其次，对字符信息进行特征提取；再次，把分割后的字符信息输入集成神经网络进行训练；最后，输出车牌信息。［3］车牌识别系统一般包含四大部分，即获取车辆图像，定位车牌信息，分割车牌字符，识别车牌字符。车牌识别总流程图如图1所示。

1.1 车牌图像预处理

图像灰度化是对车牌图像进行预处理的最基本步骤。图像对比度选用线性灰度变化法加强，图像平滑采用维纳滤波法处理，图像锐化采用经典的Roberts算子进行。本文彩色图像实现灰度转化如下式：

图1 车牌识别总流程图

1.2 车牌定位

车牌定位是去除冗余信息获得车牌信息的过程。由于车牌区域的字符成连续变化，且具有频繁的灰度变换。从而利用水平位置上出现明暗交替的现象，采用纹理特征法对车牌进行初步定位，经初步定位后的车牌图像存在不同程度的字符倾斜，因而车牌几何校正部分选用Hough变换。Hough变换极坐标方程为

1.3 车牌字符分割

字符分割是把整体车牌区域分割成7个独立的字符空间，车牌中的前两个字符和后五个字符之间存在间隔符，会影响分割的准确度。针对此问题，本文采用基于先验知识的垂直投影分割法对车牌字符进行分割处理。该法步骤为：首先，水平分割线的位置是利用霍夫变换来确定，拟选垂直分割线的位置是通过寻找图像垂直投影谷底来确定；其次，确定车牌第2字符与第3字符间的位置边界，根据两字符间隔位置推算出垂直分割线的估算位置；再次，在估算位置附近根据方差及垂直投影信息，从拟选垂直分割线中确定垂直分割线；最后，把大小不一的字符进行归一化处理。

1.4 粗网格特征提取法

粗网格特征提取法是将分割后的图像划分到若干区域，统计每个网格中字符像素的数目，将总像素数目构造成一个N维的特征向量。［4］该方法是以网格为单位，个别像素点的误差累积不会影响图像总体像素的分布情况，从而增强了图像特征的鲁棒性和抗干扰性。待识别字符通过位置和大小归一化后，利用粗网格特征提取法把各个字符均分成N×N维的网格，依次统计每个网格内像素值是“1”的像素个数，从而获得一个N×N维的粗网格特征矩阵。

2 基于RBF神经网络的车牌字符识别算法

2.1 RBF神经网络原理

针对BP神经网络收敛速度较慢，易陷入局部最小值等问题［5］，本文选用网络结构简单，收敛速度快，全局逼近能力强的RBF神经网络对已分割车牌字符进行识别。RBF神经网络是典型的前向神经网络，具有三层网络结构：输入层、隐藏层、输出层。RBF网络核心思想是：首先，通过RBF建构隐藏层空间；其次，由隐藏层对输入层数据进行转换，将低维线性不可分数据变换为高维线性可分数据；最后，输出层对数据进行识别分类。

2.2 RBF神经网络算法

RBF神经网络具有多种学习算法，本文选用自组织选取中心的学习算法。该算法分为自组织学习和有导师学习两个阶段，第一阶段是求解隐藏层中基函数及方差；第二阶段是求解隐藏层到输出层的权值。

由于高斯函数通常被选为RBF网络的径向基函数，因此RBF网络的激活函数为

式中，‖xn－ch‖为欧式范数；ch为高斯函数中心；σ为高斯函数方差。

由RBF网络结构图可知输入输出之间的关系如下：

设样本的期望输出值为d，基函数的方差为

2.3 RBF神经网络的设计

RBF神经网络识别系统把特征提取后的字符信息分为3类：即汉字网络分类器、字母网络分类器和字母／数字混合网络分类器。3个网络的输入节点数均为64；汉字网络的输出节点数为36，字母网络的输出节点为25，字母／数字混合网络的输出节点数为34；隐藏层节点个数是由快速减聚类算法来确定，得到3个网络的隐藏层神经元个数依次为36，38和50。网络学习速率为0．35，学习步长为0．01，误差目标值为0．000 1，迭代次数为1 000次。

2.4 RBF神经网络字符识别

RBF神经网络识别系统的工作流程如图2所示。具体识别过程为：步骤1，提取字符特征作为输入信息；步骤2，RBF神经网络分类器对样本进行识别，判断分类器对样本是否识别，若是识别则输出初步识别结果，否则拒识；步骤3，判断初步识别结果中是否存在易混字符，若存在则转入细分类器进行识别，否则直接输出识别结果。

图2 识别系统的工作流程图

3 实验及结果分析

本文利用Matlab7．5作为集成开发环境，对100张不同条件下的车牌图片采用传统的模板匹配算法、BP神经网络算法作为对比模型。采用车牌识别的正确率（C%）、拒识率（R%）和错误率（F%）作为评价指标，几种算法的识别结果如表1所示。通过表1可知，BP，RBF神经网络算法的识别正确率要高于模板匹配算法。但在相同迭代次数下，RBF算法比BP算法有着更好的逼近能力，而且还有更快的收敛速度。本文以“鲁HC9669”为例进行RBF神经网络字符识别，结果如图3所示。对比结果表明，采用本文车牌识别算法能够有效地识别车牌字符，识别车牌字符的速度快，而且识别正确率比较高。

表1 识别结果

图3 RBF神经网络字符识别结果

4 结论

对车牌识别的过程进行了研究，重点论述了图像预处理的过程，RBF神经网络3种分类器的设计，同时引入据识别机制和易混淆字符细识别机制。通过不同识别方法的对比，RBF神经网络车牌识别算法加快了识别速度，提高了识别正确率，增强了系统鲁棒性及抗干扰能力。该方法达到了预期效果，具有一定的应用前景。

［1］ 魏武，黄心汉．基于模板匹配和神经网络的车牌识别方法［J］．模式识别与人工智能，2001，14（1）：123－126．

［2］ 蔡勇智．一种改进的神经网络算法车牌识别算法研究［J］．科技通报，2012，28（10）：128－130．

［3］ 张馨，林凤涛．图像处理技术在车牌字位与字符分割中的应用［J］．机械设计与制造，2012（12）：104－106．

［4］ 丁姗，刘希玉，葛纯苑．基于神经网络集成的车牌字符识别［J］．信息技术与信息化，2010（6）：86－89．

［5］ 丁伟．改进神经网络算法在车牌识别中的应用［J］．计算机仿真，2011，28（8）：359－360．