一种基于简化卷积神经网络的车牌自动识别系统的制作方法
【技术领域】
[0001] 本发明涉及车牌识别领域，特别涉及一种基于简化卷积神经网络的车牌自动识别 系统，解决日常背景下的车牌定位与自动识别两方面技术问题。
【背景技术】
[0002] 科技在不断更新和发展，深刻影响了人们的日常生活，在车辆智能化管理领域也 不例外。智能交通系统概念19世纪就开始提出，已成为当今世界道路交通的发展趋势。车 牌识别技术以计算机技术、图像处理技术、模式识别为基础，建立车辆的特征模型，如号牌、 车型、颜色等，并实现自动识别。车位引导技术通过多种有效方式把车辆准确无误的引导到 空余车位位置，给业主停车及物业的管理带来极大便利。
[0003] 现有的车牌识别系统大多是针对特定场合下的车牌识别。在这些特定的场合下， 车辆的背景都非常单一，且拍摄到的车牌的大小和位置都比较固定，因此容易定位和识别。 但是，在日常背景下，拍摄到的车辆图像可能含有更加复杂的背景，甚至一个图像中会出现 多辆车的情况，同时周围的大树、楼房和路牌），以及阳光照射角度都会对车牌的定位和识 别产生影响，带来更大的难度。这就导致了现有的这些方法并不能有效地解决日常背景下 车牌的自动识别，主要存在两方面的缺陷。
[0004] 定位方面：边缘和色彩作为车牌特征中最为有效的两个，得到了广泛应用。车牌 区域包含有大量的边缘信息，日常场景中也充斥着很多类似的边缘。只有适当处理这些边 缘信息，才能准确定位到车牌区域。基于普通边缘的方法在背景复杂度较大情况下会引入 大量的噪声。同时，边缘的方法往往受限于输入图像的尺寸，从而限制了定位方法的应用领 域。对于背景复杂度中等的日常背景中的车牌定位任务，普通边缘和普通彩色方法由于抗 噪性能不强，错误检测率较高，同时由于噪声的干扰，定位成功率会有不同程度的下降。
[0005] 识别方面：卷积神经网络由于其结构的优越性，避免了主观的特征提取，从而在光 学字符识别领域取得了广泛的应用。在车牌字符识别任务中，由于车牌字符字形规整，变化 不如手写字体复杂，而传统深度卷积神经网络结构复杂，参数众多，不仅降低了训练速度， 而且神经网络的训练难以收敛到令人满意的结果，容易发生欠拟合的情况，识别效果不佳。
【发明内容】
[0006] 本发明目的是：提供一种基于简化卷积神经网络的车牌自动识别系统，解决背景 技术中所述的车牌定位与自动识别两方面的技术问题，提高车牌识别效率和准确率。
[0007] 本发明的技术方案是：
[0008] -种基于简化卷积神经网络的车牌自动识别系统，所述卷积神经网络包括输入 层、卷积层、池化层、隐层和分类输出层，车牌识别的步骤包括：
[0009] S1、定位车牌的彩色边缘；
[0010] S2、分割车牌字符；
[0011] S3、基于简化卷积神经网络的车牌字符的自动识别。
[0012] 优选的，步骤S1所述定位车牌的彩色边缘方法包括：
[0013] S1-1、首先将彩色输入图像在RGB色彩空间中按通道分离为R、G和B分量图，使用 Sobel算子对R、G和B分量图分别求取它们的边缘图，记作ER、和E B;
[0014] S1-2、求出上述边缘图后，使用大小为13X25的均值矩阵进行卷积，得到密度图 矩阵D ;
[0015] S1-3、之后使用大津二值法对得到的矩阵D进行二值化，并使用连通分量提取方 法提取出所有的连通分量；
[0016] S1-4、在得到连通分量后，计算这些连通分量的宽高比Ratio和面积Area，最后仅 保留满足以下条件的连通分量：
[0020] 其中，Θ为车牌面积占图像区域面积Imagesize的最小比例，和γ _分别为 车牌宽高比的上下阈值，Θ取0.001~0.006, 丫_取4.0~4.5, γ議取2.0~2. 5。
[0021] 如果经过滤除后没有可用的连通分量，则放大步骤S1-1中彩色边缘点的判决边 界，并重复步骤Si-ι~S1-4。若仍无法定位出车牌，则说明输入图像中可能不存在车牌区 域，返回定位失败信息。
[0022] 优选的，步骤S2所述分割车牌字符的方法包括：
[0023] 首先对彩色车牌图像使用下式进行灰度化处理，保留原始彩色车牌图像备用，并 使用大津二值法对灰度化处理的图像进行二值化，之后采用连通分量提取和灰度投影的方 法对原始彩色车牌图像进行字符分割。基于中国车牌的先验知识，即字符数和字符间距，结 合之前保留的彩色车牌，得到待识别的7个彩色输入字符。
[0027] 其中std ()为标准差，（i, j)为像素点坐标，i e [0, Η)，j e [0, W)，Η为图像尚度， W为图像宽度。
[0028] 优选的，步骤S3所述的基于简化卷积神经网络的车牌字符的自动识别的方法包 括：
[0029] 在5层卷积神经网络，即输入层、卷积层、池化层、隐层和分类输出层，每层根据一 定的规则产生输出特征矩阵或向量。
[0030] 在输入层，所有的输入彩色图像大小为48X24,格式为BMP。首先使用灰度转换 算法将其转换为灰度图像，再使用Sobel算子进行边缘提取并将图像矩阵的元素归一化到 [0，1]区间内，得到网络的输入。
[0031] 在卷积层，使用90个独立的卷积核对输入图像分别进行卷积，得到90个特征图， 卷积核的大小为7X7,卷积核的移动模式为Valid模式，即卷积核的中心在输入图像范围 内移动，且需要保证核的每个元素的投影都在输入图像内，因此卷积层的输出为90个大小 为42X18的特征图。
[0032] 在池化层，池的大小为6X6,池化操作将输入分割为互不重叠的多个池块，以每个 池中的最大值作为整个池的特征值输出，因此池化层的输出为90个大小为7X3的特征图。
[0033] 在隐层，依次将池化层输出的特征图按行拉伸为长度为1890的1维的输入向量， 将此输入向量作为隐层的输入，隐层有200个神经元，对输入特征向量进行空间变换，从而 提取更有效的特征。
[0034] 在分类层，对隐层提取的特征向量进行分类输出。根据不同应用，个数设置不同， 中文字符应用为31个，英文数字字符应用为34个。
[0035] 优选的，所述池化层的池化操作分为2步：
[0036] (1)将输入矩阵MHXW切割成
个尺寸为psXps的互不重叠的小矩阵；
[0037] (2)将每个小矩阵中的最大值作为该矩阵的特征值输出到对应位置，得到池化输 出矩阵。
[0038] 优选的，所述车牌识别还包括卷积神经网络的训练过程，所述训练过程的训练误 差采用交叉熵定义，使用误差反向传递算法进行权值更新，并使用提前停止算法控制训练 流程。
[0039] 具体的，对采用Softmax模型的分类层，设input为一维输入列向量，d为期望输 出标号，中文的d取值为0~30,英文数字混合的d取值为0~33,神经元j的输出〇。定 义如下：
[0041] 其中〇是一维输出列向量，每项的值代表输入input划分为该项标号类的概率。如 对于一个4类划分问题，〇 = [0. 1，0. 2, 0. 4, 0. 3]τ表示input被分为第0、1、2和3类的概 率分别为1〇%、20%、40%和30%。\为神经元]_的输入，由下式得到：
[0043] 其中为前一层神经元i的输出，评彡为连接前一层神经元i和Softmax层神经元 j的权值，b为偏置。
[0044] 根据交叉熵定义，可得误差表达式为：
[0045] E = -In (od)
[0046] 其中d为期望标号，ο# 〇的第d项。比如ο = [0. 1，0. 2, 0. 4, 0. 3] 9寸，若期望 标号d为0,则误差E =-1η (0. 1) = 2. 3026。若期望标号d为2,则误差E =-In (