基于卷积神经网络的车牌照字符识别研究_图文

1、第十二届全国图象图形学学术会议基于卷积神经网络的车牌照字符识别研究陆璐 张旭东 赵莹 高隽台肥工业大学计算机学院图像与信息处理研究室合肥230009:lulu2120163conl摘要:针对传统车牌识别算法中字符识别率偏低的缺点,本文采用基于卷积神经网络的议别方法,通过对车牌字符图像的 样本学习,优化神经网络每层的权值参数,从而在很大程度上提高车牌的字符识别率。仿真结果表明,采用卷积神经网络的 识别方法对车牌照中的字符进行识别,正确识别牢可以到达99%,识别率和抗干扰性明显优于其他识别方法.关键词:卷积神经网络字符识别率样本学习The Vehicle License Plate Charact

2、er Recognition Using Convolutional Neural NetwoksLu lu,Zhang Xu-dong,Zhao Ying,Gao Jun(School ofcomputer andinformation,HefeiUmvcrsity ofTcchnology,Hefei,230009;lulu212163cort3Abstract:In allusionthe low character recognition rate in the traditional recogmtion tasks ofvehicle license.the paper propo

3、ses a new recognition method using Convolutional Neural Networks.After the leaming of character samples,the parameters of the Network are optimized and the recognition rate is improved greatly.Test shows that the correct character recognition rate can reach 99pereent by using this method,far better

4、than the traditional methodsKey words:Convolutional Neural Networks,character recognition rate,samples learning1引言随着现代交通的迅猛发展,车牌自动识别技术 在现实生活中逐渐得以广泛应用,成为计算机视觉 与模式识别技术在智能交通领域应用的重要研究 课题之一。传统的识别方法如逻辑特征法,统计模式法, 模糊模式法,句法结构法等都能进行车牌识别。逻 辑特征法对需通过众多规则的推理达到识别目标的 问题,有很好的效果,但当样品有缺损,背景不清 晰,规则不明确甚至有歧义时,效果不好;统计模 式法

5、比较成熟,能考虑到干扰、噪声等影响,识别 模式类型能力强,但难以描述模式的性质,难以从 整体角度考虑识别问题:模糊模式具有相当强的抗 干扰、抗畸变能力,允许样品有相当程度的干扰与 畸变,但其准确合理的隶属度函数往往难以建立; 句法结构法采用规则和文法来表达模式类别和判别 条件,对图像畸变的抗干扰能力较强,但当存在十 扰及噪卢时,抽取基元困难,且易失误。人工神经 网络所具有的非线性特性、大量的并行分布结构以 及学习和归纳能力使其在诸如建模、时间序列分析、 模式识别、信号处理以及控制等方面得到广泛的应 用。尤其而对缺少物理或统计理解、观察数据中存 在着统计变化等棘手问题,神经网络能够提供较为基金项

6、目:国家自然科学基金项目(60375011、安徽省优秀青年科技基金(04042044和安徽省重点科研项目(03021012 第一作者简介:陆璐(1982一,女,硕七研究生,主要研究方向智能信息处理。陆璐等:基于卷襁神经网络的车牌照字符识别研究有效的解决方法。】。卷积神经网络是为识别二维形 状而特殊设计的一个多层感知器。它具有一些传 统技术所没有的优点:良好的容错能力、并行处 理能力和自学习能力,可处理环境信息复杂,背 景知识不清楚,推理规则不明确情况下的问题, 允许样品有较大的缺损、畸变,运行速度快,自 适应性能好,具有较高的分辨率。本文将卷积神 经网络应用于车牌照字符的识别,实验证明了该 方

7、法是有效可行的。2卷积神经网络卷积神经网络是近年发展起来,并引起广泛 重视的一种高效识别方法。20世纪60年代,Hubel 和Wiesel在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HJ阻有 效地降低反馈神经网络的复杂件,继而提出了卷 积神经网络(Convolutional Neural Networks一简称 CNN14J。现在,CNN已经成为众多科学领域的 研究热点之一,特别是在模式分类领域,由于该 网络避免了刘图像的复杂前期预处理,可以直接 输入原始图像,因而得到了更为广泛的应用。 K Fukushima在1980年提出的新t别机是卷积神 经网络的第一个实现嘲络

8、。随后,更多的科研工 作者对该网络进行了改进。其中,具有代表性的 研究成果是Mexander和Taylor提出的“改进认 知机”,该方法综合了各种改进方法的优点并避免 ,耗时的误差反向传播。一般地,CNN的基本结构包括两层,其一为 特征提取层,每个神经元的输入与前一层的局部 接受域相连,并提取该局部的特征。一旦该局部 特征被提取后,它与其它特征问的位置关系也随 之确定下来;其二是特征映射层,嘲络的每个计 算层由多个特征映射组成,每个特征映射是一个 平面,平面上所有神经元的权值相等。特征映射 结构采用影响函数核小的sigmoid函数作为卷积 网络的激活函数,使得特征映射具有位移不变性。 此外,由

9、于一个映射面上的神经元共享权值,因 而减少了网络自由参数的个数。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,这种特有的两次特征提取结 构减小了特征分辨率。CNN主要用来识别位移、缩放及其他形式扭 曲不变性的二维图形。 由于CNN的特征检测层 通过训练数据进行学习,所以在使用CNN时, 避免了显示的特征抽取,而隐式地从训练数据中 进行学习151;再者由于同一特征映射面上的神经 元权值相同,所以网络可以并行学习,这也是卷 积网络相对于神经元彼此相连网络的一大优势。 卷积神经网络以其局部权值共享的特殊结构在语 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

10、际的生物神经网络,权值共享降低 了网络的复杂性,特别是多维输入向量的图像町 以直接输入刚络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。3车牌字符识别系统一个完整的车牌自动识别系统主要包括图像 采集与预处理、车牌定位与宁符分割、字符识别 几个模块喇,如图I所示。i戮_一磊五r+豸丽L+叠 图1车牌自动识别系统框图(The vehicle license plate recognition system图1中,图像采集与预处理模块对动态采集 到的图像进行处理,以克服噪声干扰,改善识别 效果,主要包括图像增强以滤除噪声、校正不均 匀光照,增强对比度使图像具有可辨性以及对车 牌的倾斜校正便于

11、定位等处理;车牌定位模块是 在动态采集的图像巾,自动找到车牌的位置,常 用算法包括基于车牌形状特性的定位算法,基 于车牌区域灰度变化特征的定位算法,基于矢量 量化的车牌定位算法,基于彩色车牌图像的定位 算法:字符分割模块则在车牌图像上自动提取单 个字符的图像,常用的方法可蚍分为两人类,一 类算法是对每一字符采片j阴影掩膜技术进行编 码,提取字符特征,另一类是利用字符固定宽度、 间距的固定比例关系等先验知识来提取单一字 符;字符识别模块是最后的处理模块,完成对每 个字符图像的识别,常用方法包括模板匹配法和 神经网络法等,本文采用的是神经网络识别法。根据是否进行特征提取,神经网络字符识别 系统可分

12、为两人类:有特征提取部分的识别系统 和无特征提取部分的识别系统。前者实际上是传 统方法与神经网络方法技术的结合,这种方法可310第十二届全国图象图形学学术会议以充分利用人的经验来获取模式特征以及神经网 络分类能力来识别字符,特征提取必须能反应整 个字符的特征,才能达到较高的识别率;后者则 省去特征抽取,将整个字符直接作为神经网络的 输入。这种方式虽然在一定程度上增加了神经网 络结构的复杂度,但是网络的抗干扰性能和识别 率较前者都有很大的提高。本文中将要采用的 CNN就属于第二类神经网络。4基于卷积神经网络的车牌照字符 识别方法为了提高车牌字符的识别率,本文采用一种 改进的基于卷积神经网络的识别

13、机完成字符识别 7J,其网络结构81如图2所示。图2神经网络网络结构fNetworks图2巾,S层为简单(simple神经元组成的 神经层,完成特征提取,其输入连接是可变的, 并在学习过程中不断更正。C层则是由复杂 (complex神经元组成的神经层,它的输入连接 是固定的,小可修改,显示感受野被激励位置的 近似变化。网络中c层的最后一层为识别层,给 出模式识别的结果。经过学习,网络可以自动地 识别输入模式,而不受输入图片扭吐,缩放和位 移的影响。 来正确识别所有样本:%4层是网络的输出层即识 别层,显示网络最终的模式识别结果。差异提取层%的输出如式(1所示。 姒小:。“(州t吲。ouo(n+

14、v】,ol:12 (1 式中,%(f是神经元连接的强度,该层有2个神经元平面,当k=2时,为加强中心神经元, k=1时,代表抑止中心神经元,如是v的半径。 U6层每个神经元的所有输入连接还必须满足一个 约束条件即%(v=o,才能起到差异提取的 作用。悱如s层s神经元的响应函数如式(2所示:州嚆。I蛊筹竺叫,。1(2式中,(I SI【v,r,k(o是上一层c神经元 cf10+V,Jr至该层s神经元的连接函数,同一神 经元平面的所有神经元的输入连接是相同的。舅是 第,层s神经元的闽值,A。,是v的半径。当f=1时, UCI-I,茁即为“G(n,k,此时,Kcf l=2。在识 别过程中,弧。层s神经

15、元的最大输出决定最终的 识别结果。除【0。层外,其余三层C层的c神经元响从图2中可以看出,网络由输入层,差异提 应函数如式(3所示取层U,、4组S层和4层C层组成,主要流程图如下;“叫嗡嘲啦鹊喝啦嘲嘲。其中差异提取层对应于视网膜巾的中心细胞,由加强中心感受野神经元平面和抑制中心神经元平面两部分构成,【0层的输出作为第一个S层的输入; U。,层中的s神经元通过有监督训练,提取输入图像 中不同方向的边缘成分,它的输出作为L0。的输入; 第二组和第三组中S层的神经元是无监督竞争学列 的自组织神经元;U4层通过监督竞争学习的训I练 式中,nd(V是c层的输入。5实验结果(35.1实验结果实验共分两步进

16、行,前期对摄取到的车牌图 片进行预处理包括定位,分割等.后期首先选取陆璐等:基于卷积神经网络的车牌照字符识别研究理想预处理条件下得到的200个20X36的样本图片(每个字符为20个训练卷积神经网络,得到各层的权值,阈值及神经元细胞平面数,然后使用优化后的神经网络识别机完成对200个2036的(每个字符为20个测试样本字符图像的识别,正确识别率达到99%,结果如图3所示。圆圈口圈园圈3待识别图像(Recognized picture识别结果为:80459与传统的识别方法比较如表1所示,表1识别结果比较表识别方法 识别率卷诎神经网络法 模板匹配法H 结构特丌法 99% 95% 94%由表1的统计结

17、果可以看出,基于卷积神经 网络的车牌字符识别方法可毗获得99%的正确 识别率,明显优于结构法,模板匹配法等传统识 别方法。5.2结果分析实验结果表明CNN用于车牌识别切实可行, 训练样本空间覆盖越完备则识别率越高。卷积神 经刚络通过避免显式地特征提取过程,隐式地从 训练样奉中获取对构筑训练样本空间贡献较大的 特征,与传统网络相比有更高的识别率和抗干扰 性。谚别失败原因是由于该类样本在训练样本库 中未曾出现或出现较少。 6结论本文利用神经刚络的优势,采用种改进的 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,优化了网络系统中各层 的

18、权值参数,大大提高了车牌照中的字符识别率。 但实际应用中,前期预处理会出现车牌定位不清, 字符分割错误等缺点,这些都会影响识别效果, 降低网络的实际识别率。所以,在今后的工作中, 会对网络结构提出进一步的改进,使之可以识别 预处理较差条件下的车牌宁符。参考文献I】 高隽,智能信息处理方法导论【北京:机械T业出版社 20042】 边肇棋,模式iJ2SlJ CM北京:北清华大学出版社。1987f3高隽,I神经呵络臆理及仿真实伊tJfMj北京;机槭工业出|豉 社.200344Claus Neubauer-Evaluation of Convolutional Neural Networks for Visual Recognition,Neuml Netwoks,vol9,rio 4,pp 685696(1998【5】5BaoQing Li,Baoxin Li Bdiding Pattem Classifiers Us岫 Convolufional NeuKd Networks Ncllral Networks.vol 5.no 8 PP308l-3085f6】 唐衩f=:车牌识别系统的T作原理厦其应用现代电子工程 ,2004,2,(1666917】 K Fukushima Neoc