摘 要： 针对车牌字符图像进行特征提取与识别算法的研究。使用BP神经网络识别算法建立车牌字符图像的识别。由于常规BP神经网络算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外，BP网络结构参数的选取对算法的性能影响很大，而参数的选取通常是根据经验公式选取的，存在很大的随机性和盲目性，使算法的性能无法得到保证。因此该文使用收敛速度快、适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化，研究一种双粒子群优化的改进BP神经网络算法。最后通过车牌识别实验对识别算法进行研究，结果表明，通过对神经网络算法进行改进，使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型，具有较好的识别性能。
关键词： 车牌字符识别； 特征提取； 神经网络； 粒子群优化算法
中图分类号： TN926?34； U495 文献标识码： A 文章编号： 1004?373X（2016）16?0102?03
Abstract： The feature extraction and recognition algorithm of license plate character image are studied. The BP neural network recognition algorithm is used to identify the license plate character image. Since the conventional BP neural network algorithm is easy to fall into local minimum value and low convergence efficiency， and difficult to determine the network structure parameters in training process， moreover， since the selection of BP network structure parameters has great influence on the performance of the algorithm， and the parameters selection is usually based on the empirical formula and has prodigious randomness and blindness， the performance of the algorithm can’t be guaranteed. Therefore， the PSO algorithm is used to optimize the performance of BP neural network algorithm， which has fast convergence rate and is suitable for global search. The improved BP neural network algorithm for the dual particle swarm optimization is studied. The recognition algorithm is studied with the experiment of license plate recognition. The results show that the recognition accuracy of Chinese characters recognition model， letters recognition model and mixed recognition model established by means of the improved neural network algorithm is superior to that of the model established with conventional neural network algorithm， and the recognition algorithm has good recognition performance.
Keywords： license plate character recognition； feature extraction； neural network； particle swarm optimization algorithm
0 引 言
在现代交通智能管理和数字化信息控制实现的道路上，车牌识别正发挥着越来越重要的作用。车牌识别主要用于停车管理、收发管理、超速等违章的追查以及车辆识别等。对于车牌识别需要进行车牌定位、车牌字符的分割以及车牌字符识别三步实现，每一步骤都是研究的热点与重点，本文主要针对车牌字符图像进行特征提取与识别[1]。
对于车牌字符识别主要分为基于结构识别方法和基于统计的识别方法。其中基于结构识别方法采用局部变换的方法，比较符合人类直觉，但是抗干扰抗噪声能力较弱；基于统计的识别方法，主要有神经网络算法、支持向量机算法等成熟的算法，因其识别率高、识别速度快、抗干扰抗噪声能力强等优势得到了广泛应用[2]。
1 车牌图像特征提取
我国国内固定的车牌字符颜色以及车牌背景主要有蓝底白字、黄底黑字以及白底黑字等搭配，本文主要针对外围框为440 mm×140 mm的蓝底白字车牌进行识别研究，样式如图1所示[3]。
本文由神经网络识别算法建立车牌字符图像的识别。首先需要将车牌字符图像进行特征提取，之后将提取的特征作为学习训练样本输入神经网络识别模型，提高识别模型的泛化能力。车牌图像的特征提取对于车牌识别至关重要，也是车牌能够被正确识别的关键，对车牌识别的特征要求满足：特征结构要稳定，抗噪声能力强；特征的维数要尽量低，便于计算机实现；特征要能够表示完整的物体[4?5]。 使用常规的方法，将车牌图像字符转换为二值化图像点阵作为图像特征，直接作为神经网络识别算法的输入，会使得识别算法的网络结构过大，不易于计算机的实现和实现效率过低等。因此本文使用粗网络字符特征提取法代替常规方法[6?8]。首先将字符进行归一化处理，使得所有待处理车牌字符图像的长宽相同，设归一化后的二值化点阵图像用[fi，j]表示：
[fi，j=0， 白像素1 ， 黑像素] （1）
式中：[fi，j=0]，白像素表示此像素点没有笔画；[fi，j=1]，黑像素表示此像素点有笔画。
将归一化处理的图像划分[M×N]的网格，统计网格内黑像素的个数，获得以黑像素的个数表示[M×N]的网格特征。以数字字符“0”为例说明粗网格特征提取方法，待识别的字符“0”如图2所示。将待识别的字符“0”归一化到32×16字符点阵，如图3所示。将图3中得到字符点阵划分为8×4的网格，如图4所示。之后根据粗网格特征提取的图像处理方法，统计网格内黑像素个数，最后得到待识别的字符“0”的特征8×4网格，如图5所示。
2 神经网络识别模型及改进方法
常规BP神经网络是基于梯度下降算法的反向传播神经网络，目标函数是误差的平方，所以算法本身存在训练过程容易陷入局部最小值、收敛效率低以及网络结构参数不易确定等缺点。另外，BP网络结构参数的选取对算法的性能影响很大，而参数的选取通常是根据经验公式选取，存在很大的随机性和盲目性，算法的性能无法得到保证[9?10]。
因此本文使用收敛速度快，适用于全局搜索的PSO优化算法对BP神经网络算法的性能进行优化，研究一种双粒子群优化的改进BP神经网络算法。本文使用第一层PSO算法优化BP神经网络的隐含层神经个数。使用第二次PSO算法优化BP神经网络的网络权值。
在对第一层PSO算法的编码时，仅需要确定其数量，粒子维数等于1，设[particle_outer=M]，M在1～100范围内。
在对第二层PSO算法的编码时，需要确定BP神经网络输入层到隐含层网络权值以及隐含层到输出层的网络权值和阈值，设：
3 车牌识别实验
本文采集100幅640×480的车牌图像，通过图像字符分割等预处理后，得到700个车牌字符识别样本。其中500个样本作为训练样本，剩余200个样本作为测试样本。使用常规神经网络算法建立的识别模型与本文研究的改进型神经网络算法建立的识别模型进行对比试验。两种识别模型的识别结果如表1所示。
表1 两种识别模型的识别结果 %
由表1可看出，本文通过对神经网络算法进行改进，使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型，具有较好的识别性能。通过实验结果分析可知，本文研究的识别模型不仅能够识别图像清晰规范的车牌字符图像，对噪声干扰、变形、底面褪色以及图像模糊情况下的车牌字符图像也具有一定的识别能力，识别结果如图6所示。产生错误识别主要来源于：车牌图像的拍摄角度使得字符产生变形；车牌长时间使用，底色褪色，褪色部分和字符部分容易混淆；光线、环境以及摄像设备等使得车牌图像模糊；在长期使用过程中，车牌上存有污点、泥点等。
果
4 结 论
对车牌识别需要进行车牌定位、车牌字符的分割以及车牌字符识别三步实现，每一步骤都是研究的热点与重点，本文主要针对车牌字符图像进行特征提取与识别。本文使用BP神经网络识别算法建立车牌字符图像的识别。并使用双粒子群优化算法对常规BP神经网络算法进行优化。通过实验研究识别算法的性能，结果表明：本文通过对神经网络算法进行改进，使用其建立汉字识别模型、字母识别模型以及混合识别模型的识别准确率均优于常规神经网络算法建立的模型，具有较好的识别性能。本文研究的识别模型不仅能够识别图像清晰规范的车牌字符图像，对噪声干扰、变形、底面褪色以及图像模糊情况下的车牌字符图像也具有一定的识别能力。
参考文献
[1] 赵志宏，杨绍普，马增强.基于卷积神经网络LeNet?5的车牌字符识别研究[J].系统仿真学报，2010，22（3）：638?641.
[2] 吴佳.车辆牌照识别系统的设计与实现[D].北京：北京交通大学，2015.
[3] 梁朝军.基于支持向量机的车牌识别系统的研究[D].合肥：合肥工业大学，2004.
[4] 陆璐.卷积神经网络的研究及其在车牌识别系统中的应用[D].合肥：合肥工业大学，2006.
[5] 张吉斌.基于图像处理及支持向量机的车牌识别技术研究[D].兰州：兰州交通大学，2013.
[6] 冯知凡.基于图像处理及BP神经网络的车牌识别技术的研究[D].武汉：武汉科技大学，2011.
[7] 赵钲.基于支持向量机的车牌识别技术的研究[D].西安：西安电子科技大学，2008.
[8] 杜晶.基于支持向量机的车牌字符识别研究[D].邯郸：河北工程大学，2008.
[9] 谭骏，陈兴蜀，杜敏，等.基于自适应BP神经网络的网络流量识别算法[J].电子科技大学学报，2012，41（4）：580?585.
[10] 王永贵，林琳，刘宪国.结合双粒子群和K?means的混合文本聚类算法[J].计算机应用研究，2014，31（2）：364?368.
[11] 吴定海，张培林，李胜，等.基于混沌变异的自适应双粒子群优化[J].控制与决策，2011，26（7）：1083?1086.
[12] 谷海红，齐名军，许少华.一种基于混沌优化机制的双粒子群优化算法[J].计算机应用与软件，2008，25（10）：258?260.
[13] 商建平，俞树荣.基于双粒子群算法的板式换热器优化设计[J].自动化与仪器仪表，2015（3）：78?80.
