图形
图像与多媒体
、
Image Processing and Multimedia Technology
神经网络在车牌识别中的应用
王 力
王 小 华
王 莉
,
,
长 沙 理 工 大 学 电 气 与 信 息 工 程 学 院
湖 南 长 沙
,
410076)
(
摘 要
介 绍 了 中 国 车 牌 识 别 的 研 究 背 景 和 现 状
,
提 出 了 一 种 基 于 神 经 网 络 的 新 方 法
并 设 计 了
该 图 像 变 换 适 用 于 利 用 原 始 车 牌 来 增 加
,
:
:
一 种 没 有 直 接 预 处 理 的 车 牌 像 素 图 像 的 卷 积 神 经 网 络 结 构
训 练 数 据 库
关 键 词
实 验 结 果 验 证 了 本 车 牌 识 别 方 法 的 鲁 棒 性 和 有 无 车 牌 的 识 别 效 率
卷 积 神 经 网 络
车 牌 识 别
预 处 理
鲁 棒 性
。
。
。
中 图 分 类 号
: TP391.43
: A
文 章 编 号
: 1674 -7720 (2011)05-0038-03
;
;
文 献 标 识 码
;
Application of neural network in license plate recognition
( College of Electric and Information Engineering , Changsha University of Science and Technology , Changsha 410076 , China )
Wang Li ,Wang Xiaohua ,Wang Li
Abstract : The article introduces the background of Chinese vehicle plate recognition and situation, proposes a new method
based on neural network, and designs a license plate without direct pixel
image preprocessing of convolution neural network
structure. The image is applicable to transform the original
license to increase training database. The experimental results verify the
license plate identification method and robustness of the license plate recognition efficiency.
Key words : convolution neural network; robustness; preprocessing; license plate recognition
车辆牌照自动识别系统
LPR(License Plate Recognition)
是 把 计 算 机 视 觉 理 论 和 技 术 应 用 于 车 辆 牌 照 识 别 的 专
是 计 算 机 视 觉 与 模 式 识 别 在 智 能 交 通 领 域 中 的
用 系 统
,
综 合 应 用
通 信 技
术 和 工 程 学 等 多 门 学 科
是 智 能 交 通 系 统
涉 及 到 图 像 处 理
人 工 智 能
信 息 论
,
、
、
、
。 LPR
中 的 关 键 技 术 之 一 [ 1] 。
ITS
近 年 来
ITS
在 社 会 生 活 中 的 广 泛 应 用
已 经 逐 渐 地 应 用 到 现 实 生 活 中
,
也 发 展 得 非 常
具 有 广 阔
它 的 开 发 和 研 制 工 作 在 国 内 外 均 受 到 极 大
( Intelligent Traffic System)
随 着
快
的 发 展 前 景
的 关 注
,LPR
由 于
LPR
,
,
。
在 车 牌 识 别 系 统 中
、
,
,
包 括 背 景 复 杂 程 度
由 于 实 际 使 用 条 件 的 影 响
存
,
光 照
车 牌 污 损 以 及 由 于 拍 摄 角 度 或 车 辆 运 动 等
这 些 都 对 图 像 处 理 和 识 别 算
识 别 算 法 中 值 得 重 视 的 是 算 法 的
算 法 应 能 很 方 便 地
当 出 现 新 的 车 牌 模 式 时
、
在 着 许 多 影 响 识 别 率 的 因 素
条 件 的 变 化
原 因 导 致 字 符 变 形 歪 斜 等
法 提 出 了 很 高 的 要 求
学 习 能 力
,
适 应 新 模 式
轮 廓 匹 配
配
。
拓 扑 特 征 检 测
。
、
。
、
模 糊 模 式 识 别 和 神 经 网 络 等
、
距 离 的 模 板 匹
神 经 网 络 识 别 方
目 前 常 用 的 字 符 识 别 算 法 包 括 模 板 匹 配
基 于
,
Hausdo
其 中
,
。
、
。
38
微 型 机 与 应 用
《
》 2011
卷 第
期
5
30
法 具 有 稳 健 性 好
优 点
、
识 别 率 高
对 残 损 字 符 识 别 效 果 好 等
、
。
是 目 前 较 为 流 行 的 识 别 算 法 [ 2] 。
,
但 是 目 前 这 些 技 术 大 多 依 赖 于 图 像 预 处 理 前 阶 段
而 本 文 设 计 了 一 种 没 有 直 接 预 处 理 的 像
卷 积 神 经 网 络 方 法 的 应 用
以
最 大 程 度 地 保 证
而 且 本 卷 积 神 经 网 络 已 被 成
一 般 对 象
的 训 练 和 分 类
素 车 牌 结 构 的 卷 积 神 经 网 络
避 免 了 图 像 预 处 理 以 及 由 其 出 现 的 去 噪 问 题 的 影 响
确 保 没 有 相 关 资 料 的 不 切 实 际 的 假 设
了 丰 富 的 原 始 信 号 被 保 留
功 应 用 于 视 觉 图 形 装 置
识 别
。
例 如 手 写 字 符 识 别
人 脸 识 别 和 行 人 跟 踪 等
,
,
,
、
。
。
、
卷 积 神 经 网 络
1
卷 积 神 经 网 络 是 近 年 发 展 起 来 并 引 起 广 泛 重 视 的
在
一 种 高 效 识 别 方 法
研 究 猫 脑 皮 层 中 用 于 局 部 敏 感 和 方 向 选 择 的 神 经 元 时
,
发 现 其 独 特 的 网 络 结 构 可 以 有 效 地 降 低 反 馈 神 经 网 络
的 复 杂 性
继 而 提 出 了 卷 积 神 经 网 络
,Hubel
Wiesel
年 代
世 纪
。 20
和
60
Neural Networks) 。
研 究 热 点 之 一
免 了 对 图 像 的 复 杂 的 前 期 预 处 理
,CNN
特 别 是 在 模 式 分 类 领 域
,
CNN ( Convolutional
已 经 成 为 众 多 科 学 领 域 的
由 于 该 网 络 避
可 以 直 接 输 入 原 始 图
,
目 前
,
,
年 第
图形
图像与多媒体
、
Image Processing and Multimedia Technology
像
,
在
因 而 得 到 了 更 为 广 泛 的 应 用 [ 3] 。 FUKUSHIMA K
年 提 出 的 新 识 别 机 是 卷 积 神 经 网 络 的 第 一 个 实 现
随 后
其
提 出 的
该 方 法 综 合 了 各 种 改 进 方 法 的 优 点 并
。
具 有 代 表 性 的 研 究 成 果 是
更 多 的 科 研 工 作 者 对 该 网 络 进 行 了 改 进
Alexander
Taylor
,
改 进 认 知 机
1980
网 络
中
和
,
,
“
避 免 了 耗 时 的 误 差 反 向 传 播
” [ 4] ,
。
。
。
,
,
:(1)
CNN
。 (2)
特 征 提 取 层
的 基 本 结 构 一 般 包 括 两 层
每 个
并 提 取 该 局
与 其 他 特 征 间 的
网 络 的 每 个
特 征 映 射 层
每 个 特 征 映 射 是 一 个 平 面
一 旦 该 局 部 特 征 被 提 取 后
神 经 元 的 输 入 与 前 一 层 的 局 部 接 受 域 相 连
部 的 特 征
位 置 关 系 也 随 之 确 定 下 来
计 算 层 由 多 个 特 征 映 射 组 成
平 面 上 所 有 神 经 元 的 权 值 相 等
函 数 核 小 的
得 特 征 映 射 具 有 位 移 不 变 性
的 神 经 元 共 享 权 值
。
卷 积 神 经 网 络 中 的 每 一 个 卷 积 层 都 紧 跟 着 一 个 用 来 求
局 部 平 均 与 二 次 提 取 的 计 算 层
这 种 特 有 的 二 次 特 征 提
取 结 构 减 小 了 特 征 分 辨 率
,
特 征 映 射 结 构 采 用 影 响
使
由 于 一 个 映 射 面 上
函 数 作 为 卷 积 网 络 的 激 活 函 数 [ 5] ,
因 而 减 少 了 网 络 自 由 参 数 的 个 数
sigmoid
此 外
,
,
,
,
。
。
。
。
主 要 用 来 识 别 位 移
、
,
,
,
。
。
时
CNN
CNN
CNN
同 时
由 于
所 以 在 使 用
而 隐 式 地 从 训 练 数 据 中 进 行 学 习
缩 放 及 其 他 形 式 扭 曲 不 变
的 特 征 检 测 层 通 过 训 练 数 据
性 的 二 维 图 形
进 行 学 习
避 免 了 显 示 的 特 征 抽
由 于 同 一 特
取
所 以 网 络 可 以 并 行 学
征 映 射 面 上 的 神 经 元 权 值 相 同
习
这 也 是 卷 积 网 络 相 对 于 神 经 元 彼 此 相 连 网 络 的 一 大
,
卷 积 神 经 网 络 以 其 局 部 权 值 共 享 的 特 殊 结 构 在 语
优 势
音 识 别 和 图 像 处 理 方 面 有 着 独 特 的 优 越 性
其 布 局 更 接
近 于 实 际 的 生 物 神 经 网 络
权 值 共 享 降 低 了 网 络 的 复 杂
性
这
一 特 点 避 免 了 特 征 提 取 和 分 类 过 程 中 数 据 重 建 的 复 杂
度
特 别 是 多 维 输 入 向 量 的 图 像 可 以 直 接 输 入 网 络
,
,
,
,
,
。
,
。
卷 积 神 经 网 络 在 车 牌 识 别 中 的 应 用
,
,
。
,
,
,S
图 中
(simple)
为 了 提 高 车 牌 字 符 的 识 别 率
所 示
1
完 成 特 征 提 取
层 为 简 单
其 输 入 连 接 是 可 变 的
层 则 是 由 复 杂
它 的 输 入 连 接 是 固 定 的
基 于 卷 积 神 经 网 络 的 识 别 机 完 成 字 符 识 别
如 图
经 层
程 中 不 断 更 正
神 经 层
心 被 激 励 位 置 的 近 似 变 化
别 层
动 地 识 别 输 入 模 式
的 影 响
经 过 学 习
而 不 受 输 入 图 片 扭 曲
可 以 显 示 模 式 识 别 的 结 果
本 文 采 用 一 种 改 进 的
其 网 络 结 构
神 经 元 组 成 的 神
并 在 学 习 过
,
神 经 元 组 成 的
显 示 接 收 信
层 的 最 后 一 层 为 识
网 络 可 以 自
缩 放 和 位 移
(complex)
不 可 修 改
,
网 络 中
。 C
C
,
。
。
,
,
,
,
、
2
。
S
C
U0 UG Us1 Us2 Us3 Us4 Uc1
Uc2
卷积神经网络结构
图
1
Uc4
Uc3
从 图
组
1
层 和
组
4
可 以 看 出
网 络 由 输 入 层
差 异 提 取 层
,
层 组 成
U0,
主 要 流 程 如 下
,
,
S
C
UG、4
层 的 输 入
:U0→UG→
其 中 差 异 提 取
由 加 强 中 心 感 受 野 神 经
层 的 输
, UG
神 经 元 通 过
S
提 取 输 入 图 像 中 不 同 方 向 的 边 缘 成 分
US1→UC1→ US2→UC2→ US3→UC3→US4→ UC4。
层 对 应 于 视 网 膜 中 的 中 心 细 胞
元 平 面 和 抑 制 中 心 神 经 元 平 面 两 部 分 构 成
出 作 为 第 一 个
有 监 督 训 练
,
它 的 输 出 作 为
神 经 元 是 无 监 督 竞 争 学 习 的 自 组 织 神 经 元
过 监 督 竞 争 学 习 的 训 练 来 正 确 识 别 所 有 样 本
是 网 络 的 输 出 层 即 识 别 层
果 [ 6] 。
,
层 的
层 通
层
显 示 网 络 最 终 的 模 式 识 别 结
第 二 组 和 第 三 组 中
层 中 的
的 输 入
;UC4
; US4
; US1
UC1
S
S
,
;
差 异 提 取 层
的 输 出 如 下
:
UG
ν
,
uG(n ,k)= (-1) kΣaG(ν)·u0(n+ν
神 经 元 的 响 应 函 数 如 下
层
S
S
:
ν) ,
,0 ( k=1 ,2)
ucl(n,k)=
θl
1-θl
max
n
N=1
,
,
,
,
,
,
,,
,
,
,
,
,,
,
,
,
,,
,
1+
ΣΣasl(ν,φ,k)·ucl-1(n+ν,φ)
1+θl·ν(n)
-
1
,
,
,
,
,
,
,,
,0
,
,
,
,
,,
,
,
,
,,
,
式中
,asl(ν,φ,k)(≥0)
S
神 经 元 的 连 接 函 数
该 层
,
元 的 输 入 连 接 是 相 同 的 [ 7] 。 θl
当
asl
V
此 时
在 识 别 过 程 中
决 定 最 终 的 识 别 结 果
是隐含 层数
,kcl -1= 2 。
的半径
。
是上 一层
神 经 元
至
同 一 神 经 元 平 面 的 所 有 神 经
ucl-1(n+ν,φ)
C
层
l
S
是 第
时
层
l=1
,Us4
S
神 经 元 的 阈 值
,
即为
,ucl-1(n,k)
uG(n,k),
神 经 元 的 最 大 输 出
除
层 外
,
Uc4
其 余 三 层
层 的 神 经 元 响 应 函 数 如 下
:
C
(1)
(2)
。
,
,
,0
,0
max Σacl(ν)·usl(n+ν ,k) ,
ucl(n ,k)=
(3)
1+max Σacl(ν)·usl(n+ν ,k) ,
是
式 中
层 的 输 入
训 练 集 和 测 试 集 的 描 述
,acs(ν)
C
。
3
在 训 练 集 中 同 时 需 要 常 规 积 极 样 本 和 消 极 样 本
,
因 此 本 文 建 立 了 人 工 采 样 的 不 同 领 域 收 集 得 到 实 时
交 通 场 景 的
大 多 数 基 于
学 习 方 法 的 中 国 牌 照 的 车 牌 识 别 使 用 一 个 大 约 为
因 为 作 为 最 小 的 一 个 窗 口 可 以
辆 车 牌 图 像 积 极 训 练 集
400
。
的 输 入 窗 口 [ 9 ] ,
16 × 48
做 到 不 遗 漏 任 何 重 要 信 息
。
选 择 了 中 央 部 分 窗 口 车 牌
图
适 用 于 裁 剪 的 车 牌
和 地 位 上 的 优 势
不 规 范 的 样 本
,
、
,
考 虑 到 字 符 识 别 的 进 程
如 大 小 为
,
的 直 方
20 × 60
正 常 情 况 下 都
卷 积 神 经 网 络 的 鲁 棒 性 具 有 规 模
。
因 此 本 文 的 目 标 是 为 其 鲁 棒 性 提 供
,
均 衡 和 整 体 亮 度 校 正 都 没 有 强 度
为 了 创 造 更 多 的 样 本
并 加 强 不 变 性 的 强 度
转 换 和 对 比 还 原 转 换 适 用 于 所 有 原 有 的 训 练 样 本
得 到 的 积 极 样 本 训 练 集 包 括
车 牌 的 实 物 图
块 车 牌
2 400
图
2
,
。
,
色 彩
最 后
,
是 一 些
。
。
微 型 机 与 应 用
》 2011
年 第
卷 第
期
5
30
《
欢 迎 网 上 投 稿 www.pcachina.com
39
图形
图像与多媒体
、
Image Processing and Multimedia Technology
.
[ 1 ]
参 考 文 献
高 隽
社
边 肇 祺
高 隽
业 出 版 社
, 2004 .
[ 3 ]
[ 2 ]
.
.
, 2003 .
智 能 信 息 处 理 方 法 导 论
北 京
:
[ M ] .
机 械 工 业 出 版
模 式 识 别
北 京
清 华 大 学 出 版 社
[ M ] .
:
, 1987 .
人 工 神 经 网 络 原 理 及 仿 真 实 例
北 京
机 械 工
[ M ] .
:
(c)
原来图像减少对
比度的图像
[ 4 ] NEUBAUER C. Evaluation of convolutional neural networks
for visual recognition [J]. Neural Netwoks, 1998,9 (4):685-
原始图像
(a)
实 验 结 果
(b)
图
扭转彩色图像
车牌实物图
2
4
实 验 共 分 两 步 进 行
包 括 定 位
(
预 处 理
条 件 下 得 到 的
个
元 细 胞 平 面 数
200
) [ 10] 训 练 卷 积 神 经 网 络
,
前 期 对 采 集 到 的 车 牌 图 片 进 行
后 期 首 先 选 取 理 想 预 处 理
的 样 本 图 片
每 个 字 符 为
) ,
分 割 等
、
个
(
20 × 60
得 到 各 层 的 权 值
20
阈 值 及 神 经
然 后 使 用 优 化 后 的 神 经 网 络 识 别 机 对
每 个 字 符 为
测 试 样 本 字 符 图 像
个
,
、
,
的
个
200
进 行 识 别
20 × 60
(
20
其 正 确 的 识 别 率 达 到
)
,
99 % 。
对 于 神 经 网 络
当 过 度 训 练 时
过 度 训 练 是 一 个 不 可 忽 视 的 严 重 问
,
虽 然 训 练 错 误 不 断 减 少
但 是 随 着 时
测 试 误 差 经 过 最 小 值 后 开 始 一 定 数 量 的 增 加
其
并 且 可 以 观 察 到 这 一 现 象 的 识 别 率 并 不 稳 定
,
,
。
题
间 的 推 移
迭 代
学 习 曲 线 如 图
,
,
。
所 示
。
3
%
/
率
别
识
110
100
90
80
70
60
50
40
30
20
10
0
0 100 200 300 400 500 600 700 800 900 1 000
训练时间
/s
有无牌照的识别效率
图
实 验 结 果 表 明
3
,CNN
样 本 空 间 覆 盖 越 完 备 则 识 别 率 越 高
避 免 显 式 的 特 征 提 取 过 程
构 筑 训 练 样 本 空 间 贡 献 较 大 的 特 征
更 高 的 识 别 率 和 抗 干 扰 性 [ 11] 。
在 训 练 样 本 库 中 未 曾 出 现 或 出 现 较 少
用 于 车 牌 识 别 切 实 可 行
训 练
卷 积 神 经 网 络 通 过
隐 式 地 从 训 练 样 本 中 获 取 对
与 传 统 网 络 相 比 有
识 别 失 败 原 因 是 该 类 样 本
。
,
,
,
,
,
本 文 利 用 神 经 网 络 的 优 势
优 化 了 网 络 系 统 中 各 层 的 权 值 参 数
采 用 一 种 改 进 的 基 于 卷
积 神 经 网 络 的 识 别 机 制 对 车 牌 照 中 的 字 符 进 行 识 别
该
识 别 方 法 通 过 对 理 想 预 处 理 条 件 下 的 车 牌 字 符 图 片 的
学 习
大 大 提 高 了
,
前 期 预 处 理 会
车 牌 照 中 的 字 符 识 别 率
出 现 车 牌 定 位 不 清
这 些 都 会 影
响 识 别 效 果
将 对 网 络 结 构 提 出 进 一 步 的 改 进
较 差 条 件 下 的 车 牌 字 符
,
字 符 分 割 错 误 等 缺 点
,
使 其 可 以 识 别 预 处 理
在 今 后 的 工 作 中
降 低 实 际 识 别 率
但 实 际 应 用 中
因 此
。
,
。
,
,
、
,
。
。
。
696.
[ 5 ] Li Baoqing, Li Baoxin. Building pattern classifiers using
convolutional neural networks [J]. Neural Networks, 2001,5
[ 6 ]
(3):3081-3085.
唐 汉 征
子 工 程
.
, 2004 , 2 (1 ) : 66 - 69 .
车 牌 识 别 系 统 的 工 作 原 理 及 其 应 用
现 代 电
[ J ] .
[ 7 ]
FUKUSHIMA K. Neocognitron
for
handwritten
digit
recognition[J]. Neurocomputing, 2003:161-180.
[ 8 ] FUKUSHIMA K. Neocognitron: a hierarchical neural network
capable of visual pattern recognition [J]. Neural Networks,
[ 9 ]
[ 10 ]
.
1988,1(2):119-130.
魏 武
学 报
王 璞
学 院 学 报
.
一 种 基 于 模 板 匹 配 的车 牌 识 别 方 法
, 2001 (1 ) : 104 - 106 .
车 牌 字 符 识 别 的 混 合 特 征 提 取 方 法
, 2004 (3 ) : 30 - 33 .
中 国 公 路
沈 阳 工 业
[ J ] .
[ J ] .
神 经 网
[ 11 ] HAGAN M T , DEMUTH H B , BEALE M H .
络 设 计
北 京
机 械 工 业 出 版 社
[ M ] .
:
, 2002 .
收 稿 日 期
(
: 2010 - 10 - 08 )
作 者 简 介
王 力
:
男
,
, 1985
信 息 检 测 与 处 理
。
向
:
,
男
王 小 华
电 力 系 统 谐 波 分 析
王 莉
, 1968
,
年 生
女
,
, 1985
系 统 谐 波 分 析
。
年 生
,
硕 士 研 究 生
,
主 要 研 究 方 向
智 能
:
年 生
教 授
硕 士 生 导 师
,
,
主 要 研 究 方
,
数 字 滤 波 器 设 计 等
。
硕 士 研 究 生
,
,
主 要 研 究 方 向
电 力
:
(
/
元
本
192
: 16
定 价
全 年
订 阅 代 号
: 2-889
元
欢 迎 订 阅
"
!!!!!!!!!!!!!!!!!!!!!"
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
!
"!!!!!!!!!!!!!!!!!!!!!"
电子技术应用网站
www.chinaaet.com
欢迎访问
月 刊
)
40
微 型 机 与 应 用
》 2011
年 第
卷 第
期
5
30
《