基于人工神经网络的车牌识别系统与方法
【专利摘要】本发明公开了一种基于人工神经网络的车牌识别系统，它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏，其特征在于：它还包括数字信号处理器，所述的数字信号处理器的型号为TMS320DM642，图像传感器与视频编码器连接，视频编码器与数字信号处理器连接，数字信号处理器与视频解码器连接，视频解码器和数字信号处理器与通信接口模块连接。本发明运行速度块、识别精度高、简单、鲁棒性强，对于大部分光照条件差和较为模糊的各种底色车牌都能够做到准确的识别。
【专利说明】基于人工神经网络的车牌识别系统与方法
【技术领域】
[0001] 本发明涉及智能交通领域，尤其是一种基于人工神经网络的车牌识别系统与方 法。
【背景技术】
[0002] 随着我国经济的高速发展，人民生活水平的不断提高，私有车辆越来越多，交通需 求量也越来越大，现有的交通基础设施建设速度远远跟不上机动车辆和其他交通工具的增 长速度。传统的人工管理方式已经越来越不能满足实际工作的需要。如何将安全可靠快捷 的对车辆进行监控，为人类提供高科技带来的简便、时尚、安全的现代生活，成为了一个全 新的课题。在此背景下，智能交通的理念迎来了发展机遇。
[0003] 智能交通前景十分广阔，随着我国城市化进程的加快和汽车销量的大幅攀升，城 市堵车日趋严重，给人们生活带来了诸多不便，并产生大量的气体排放，交通事故频繁，在 此背景下，政府加大力度投入智能交通迫在眉睫。智能交通行业规模也越来越大，从长期来 看，智能交通的发展如汽车监控、车辆自动识别、实时路况等将成为智能交通的主要内容。
[0004] 车辆牌照是全世界唯一对车辆身份识别的标记，尽管牌照的字符、颜色、格式内容 和制作材料会多种多样，但是车牌照仍是全球范围内最为精确和特定的识别标志。因此，车 牌识别技术在交通系统管理中有着十分重要的作用。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种基于人工神经网络的车牌识别 系统与方法。
[0006] 本发明的目的是通过以下技术方案来实现的：一种基于人工神经网络的车牌识别 系统，它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏，其特征在于：它还包 括数字信号处理器，所述的数字信号处理器的型号为TMS320DM642,图像传感器与视频编码 器连接，视频编码器与数字信号处理器连接，数字信号处理器与视频解码器连接，视频解码 器和数字信号处理器与通信接口模块连接。
[0007] 所述的基于人工神经网络的车牌识别系统执行车牌识别的方法，包括以下步骤：
[0008] S1 :获取图像序列，并存储到内存；
[0009] S2 :对图像进行预处理，包括二值化、降噪、图像增强以及边缘检测；
[0010] S3 :对车牌定位，提取出车牌图像，具体子步骤如下；
[0011] S31 :对S2预处理后的图像进行小波变换，分级提取图像的边缘；
[0012] S32 :形态化处理，对车牌轮廓进行初步定位；
[0013] S33 :筛选车牌区域和伪车牌区域；
[0014] S34 :采用投影法进行二次定位；
[0015] S4 :对S3提取出的车牌图像进行二值化处理，查找倾斜的角度，采用改进坐标变 换的方法对车牌进行倾斜扶正；
[0016] S5:利用垂直投影图中的字符的峰群特点，采用基于字符连通域宽高检测和先验 知识相结合的方法进行车牌字符切割；
[0017] S6 :利用基于神经网络的方法进行字符识别；
[0018] S7:显示识别结果。
[0019] 所述的通信接口模块包括MAX485、TC35和CP2200。
[0020] 本发明的有益效果是：⑴运行速度高，三秒内返回识别结果，实时处理比较好。
[0021] ⑵字符识别采用基于BP神经网络的改进算法，识别精度高，在整个识别过程中， 识别率达到了 98. 5%，已经完全达到了工程应用标准。
[0022] (3)字符分割采用基于字符连通域宽高检测和先验知识相结合的方法，很好地解 决了字符粘连对分割的干扰，同时完成了对车牌图像的滤波。
[0023] (4)系统通过采用优化小波变换的算法提取LP的边缘信息，并进行字符的二值 化，对于大部分光照条件差和较为模糊的各种底色车牌都能够做到准确的识别。
【专利附图】
【附图说明】
[0024] 图1为本发明系统结构方框图；
[0025] 图2为本发明方法流程框图；
[0026] 图3为车牌定位流程框图；
[0027] 图4为车牌倾斜扶正流程框图；
[0028] 图5为车牌字符切割流程框图。
【具体实施方式】
[0029] 下面结合附图进一步详细描述本发明的技术方案：如图1所示，一种基于人工神 经网络的车牌识别系统，它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏， 其特征在于：它还包括数字信号处理器，所述的数字信号处理器的型号为TMS320DM642,图 像传感器与视频编码器连接，视频编码器与数字信号处理器连接，数字信号处理器与视频 解码器连接，视频解码器和数字信号处理器与通信接口模块连接。
[0030] 所述的通信接口模块包括MAX485、TC35和CP2200。
[0031] 所述的数字信号处理器的型号为TMS320DM642。
[0032] 所述的视频编码器的型号为SAA7121。
[0033] 所述的视频解码器的型号为TVP5150。
[0034] 如图2所示，所述的基于人工神经网络的车牌识别系统执行车牌识别的方法，包 括以下步骤：
[0035] S1 :获取图像序列，并存储到内存；
[0036] S2 :对图像进行预处理，包括二值化、降噪、图像增强以及边缘检测；
[0037] S3 :对车牌定位，提取出车牌图像，具体子步骤如下；
[0038] S31 :对S2预处理后的图像进行小波变换，分级提取图像的边缘；
[0039] S32 :形态化处理，对车牌轮廓进行初步定位；
[0040] S33 :筛选车牌区域和伪车牌区域；
[0041] S34 :采用投影法进行二次定位；
[0042] S4 :对S3提取出的车牌图像进行二值化处理，查找倾斜的角度，采用改进坐标变 换的方法对车牌进行倾斜扶正；
[0043] S5:利用垂直投影图中的字符的峰群特点，采用基于字符连通域宽高检测和先验 知识相结合的方法进行车牌字符切割；
[0044] S6 :利用基于神经网络的方法进行字符识别；
[0045] S7 :显示识别结果。
[0046] 图像预处理包括灰度变换、灰度拉伸、图像滤波、图像增强、二值化处理。预处理前 的图像都是24位真彩色图像。彩色图像包含着大量的颜色信息，不但在存储上开销很大， 而且在处理上也会降低系统的执行速度，而且大多数图像处理技术都是针对256级灰度图 的。因此，在对图像进行识别等处理中经常将彩色图像转变为灰度图像灰度图中的灰度和 彩色图中的RGB颜色对应，其中加权平均值法对R、G、B值赋予权值后加权平均，其转换公 式为：f(i，j) = (〇.299XR+0.587XG+0.114XB)/3。
[0047] 灰度拉伸，即根据灰度直方图的分布有选择地对灰度区间进行分段拉伸，以增强 对比度对。图像使用维纳滤波主要是为了消除图像中存在的一些噪声。输入图像经过小波 变换后分解得到四个分量，分别为平滑分量? +1、水平分量&+1、垂直分量'+1和对角线分量 Dj+1。其中水平分量&+1表示水平方向的低频分量和垂直分量的高频分量，垂直分量' +1表 示水平方向的高频分量和垂直分量的低频分量，对角线分量Dm表示水平方向的高频分量 和垂直分量的高频分量。利用扫描行跳变点数确定出水平候选区，再根据车牌区域垂直投 影图的统计规律对水平区域筛选、定位。
[0048] 从图像的底部开始向顶部逐行扫描，如果满足在一定距离内灰度值跳变14次，且 相邻两跳变的距离在一定的范围内，就记录下跳变在该行的起点和终点位置，本文称该起 点和终点的连线为行扫描线，如果有连续10行以上的行扫描线，且相邻上下行的扫描位置 相邻，就认为是车牌候选区域。
[0049] 如图4所示，基于差分投影的车牌倾斜校正的原理：将车牌旋转一个角度，然后计 算旋转后车牌图像的水平差分投影图。当车牌倾斜的时候，其水平差分图在水平方向上的 投影范围比较大，均值较小，当车牌旋转到水平位置的时候，其水平差分图在水平方向的投 影范围最小且均值最大。当然，通常情况下，车牌的倾斜范围在±15。该方法的好处是不受 边框的存在与否和字符的清晰程度的影响。利用Hough变换查找车牌倾斜角度的方法，最 重要的是找到基准线，并且作为基准线的这条直线应该满足水平直线和垂直直线的要求。 在有车牌边框的图像中，车牌边框往往成为了基准线，但是其倾斜的车牌其边框也是倾斜 的，因此计算十分复杂，对此采用一种简单的优化投影方法来找出车牌的角度本文对定位 出来的车牌，重新二值化，然后进行垂直投影，车牌的高度已找出，可估算字符的宽度，然后 在投影图中寻找到第二和第三个字符的间隔处，分别向左找2个字符和向右找5个字符，这 样处理值是为了去除车牌两边的边框。
[0050] 字符识别采用基于人工神经网络的办法。
[0051] 人工神经网络（简称ANN)是一个并行、分布处理的结构，它由处理单元及其联接 的无向讯号通道互联而成。这些处理单元具有局部内存，可以完成局部操作，即它必须仅仅 依赖于经过输入联接到达处理单元的所有信号的当前值和存储单元局部内存中的值，每一 个单元都有一个单一的输出联接，输出信号可以是任何需要的数学模型。
[0052] BP算法（误差反向传播算法）在解空间中寻找能够最小训练误差的网络权值，但 是对于含有非线形Sigmoid单元的多层网络，误差曲面可能含有多个不同的局部极小值， 梯度下降有可能陷入到这些局部的极小值中。因此，BP算法仅能够保证收敛到误差E的某 个局部极小值，而不一定收敛到全局最小误差。练速度；第三，避免落入局部极小值点。
[0053] 改进方法为：
[0054] (1)优化初始权重法
[0055] 如果把网络权值初始化为接近于0的值[_0. 05, 0. 05]之间的任意一个数，则作为 Sigmoid单元净输入的η也必然接近于0,因此在早期的梯度下降步骤中，网络表现为一个 非常平滑的函数，近似为输入的线性函数。
[0056] (2)增加冲量项法
[0057] 增加冲量项可以带动梯度下降搜索冲过狭窄的局部极小值而不陷入其中，同时在 梯度不变的区域逐渐增大搜索步长，从而可以加快收敛的作用。
[0058] (3)使用随机的梯度下降代替真正的梯度下降
[0059] 梯度下降的随机近似于对于每个训练例沿一个不同的误差曲面有效下降，它依靠 这些梯度的平均来近似对于整个训练集合的梯度，这些不同的误差曲面通常有不同的局部 极小值，这使得下降过程尽可能的减小了陷入某一个局部极小值。
[0060] 本设计采用有动量的梯度下降法对神经网络进行改进，提高学习速度并增加算法 的可靠性，改进算法为：
[0061] ffi； j (k+1) = ffi； j (k) + η ((l~a) D (k) +aD (k~l))
[0062] 其中，D(k)表示K时刻的负梯度，D(k-l)表示K-l时刻的负梯度，η为学习率， a e [0，1]是动量因子。当a = 0时，权值修正只与当前负梯度有关系，当a = 1时，修正权 值就完全取决于上一次循环的负梯度了。这种方法加入的动量项实际上相当于阻尼项，它 减小了学习过程的振荡趋势，从而改善了收敛性。
【权利要求】
1. 一种基于人工神经网络的车牌识别系统，它包括图像传感器、视频编码器、视频解码 器和触摸液晶显示屏，其特征在于：它还包括数字信号处理器，所述的数字信号处理器的型 号为TMS320DM642,图像传感器与视频编码器连接，视频编码器与数字信号处理器连接，数 字信号处理器与视频解码器连接，视频解码器和数字信号处理器与通信接口模块连接； 所述的基于人工神经网络的车牌识别系统执行车牌识别的方法，包括以下步骤： 51 :获取图像序列，并存储到内存； 52 :对图像进行预处理，包括二值化、降噪、图像增强以及边缘检测； 53 :对车牌定位，提取出车牌图像，具体子步骤如下； 531 :对S2预处理后的图像进行小波变换，分级提取图像的边缘； 532 :形态化处理，对车牌轮廓进行初步定位； 533 :筛选车牌区域和伪车牌区域； 534 :采用投影法进行二次定位； 54 :对S3提取出的车牌图像进行二值化处理，查找倾斜的角度，采用改进坐标变换的 方法对车牌进行倾斜扶正； 55 :利用垂直投影图中的字符的峰群特点，采用基于字符连通域宽高检测和先验知识 相结合的方法进行车牌字符切割； 56 :利用基于神经网络的方法进行字符识别； 57 :显示识别结果。
2. 根据权利要求1所述的一种基于人工神经网络的车牌识别系统，其特征在于：所述 的通信接口模块包括MAX485、TC35和CP2200。
【文档编号】G06K9/62GK104156731SQ201410371195
【公开日】2014年11月19日 申请日期:2014年7月31日 优先权日:2014年7月31日
【发明者】徐雷鸣 申请人:成都易默生汽车技术有限公司