一種利用Hough變換和先驗(yàn)知識(shí)的車牌識(shí)別新方法

下面將進(jìn)行校正。選取圖9每1列如圖10所示的最下方的1值像素，經(jīng)過(guò)Hough變換后如圖11所示的可檢測(cè)到邊緣直線，此直線傾角(即車牌傾角θ)根據(jù)公式：

對(duì)圖9進(jìn)行坐標(biāo)轉(zhuǎn)換便實(shí)現(xiàn)了車牌傾斜校正，如圖12所示。其中x0、y0為原坐標(biāo)，x、y為轉(zhuǎn)換后坐標(biāo)。

對(duì)矯正后的車牌采用垂直投影法進(jìn)行字符分割，結(jié)果如圖13所示。

圖13(a)中有2個(gè)連續(xù)的“0”字符粘連在一起，未能被分離，原因是鉚釘剛好處在它們中間的位置。用圖像處理的手段消除鉚釘而又不影響字符信息其難度很大。對(duì)于這種情況，針對(duì)性的解決辦法是直接將包含2個(gè)字符的分割板塊對(duì)等中切。1個(gè)字符的寬度不會(huì)超過(guò)整塊車牌寬度的1/5，連續(xù)2個(gè)字符的寬度肯定超過(guò)整塊車牌寬度的1/5，根據(jù)此先驗(yàn)知識(shí)，以寬度大于車牌1/5且小于車牌2/5為條件，可以方便地確定是否存在粘連塊。圖13(b)與圖13(c)沒(méi)有受到鉚釘干擾，因而能1次性分割成功。圖14是將粘連板塊對(duì)等中切后的結(jié)果。

3 字符識(shí)別

在分類器的選取上，既要求其要有良好的容錯(cuò)，又要求其具有良好的自適應(yīng)的能力。神經(jīng)網(wǎng)絡(luò)具有與人腦相似的高度并行性、良好的容錯(cuò)性和聯(lián)想記憶功能、自適應(yīng)、自學(xué)習(xí)能力和容錯(cuò)等特點(diǎn)，特別是以改進(jìn)型BP網(wǎng)絡(luò)為代表的神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)能力、強(qiáng)大的分類能力、容錯(cuò)能力或魯棒性，可以實(shí)現(xiàn)輸入到輸出的非線性映射。因此本文選擇BP神經(jīng)網(wǎng)絡(luò)作為字符進(jìn)行分類、識(shí)別的主要方法。

3.1 字符預(yù)處理

對(duì)切割出來(lái)的車牌字符很有必要進(jìn)行預(yù)處理，預(yù)處理包括：

(1)大小歸一化

為了便于訓(xùn)練和識(shí)別，需要對(duì)字符圖像進(jìn)行規(guī)范化處理，使它們變成統(tǒng)一尺寸的圖像，本文中將字符片段歸一化為24×14大小。

(2)特征提取

即由歸一化得到的字符確定網(wǎng)絡(luò)輸入向量。本文是將24×14網(wǎng)格轉(zhuǎn)換為單一向量輸入。

3.2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

大多數(shù)實(shí)際的神經(jīng)網(wǎng)絡(luò)只需要2～3層神經(jīng)元[6]，本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)包含2個(gè)隱含層。對(duì)于神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)目的確定，沒(méi)有一個(gè)固定的規(guī)律可遵循。本文中對(duì)隱含層內(nèi)節(jié)點(diǎn)數(shù)的確定，是以找到1個(gè)經(jīng)過(guò)樣本訓(xùn)練后，其網(wǎng)絡(luò)輸出與實(shí)際結(jié)果最近似的網(wǎng)絡(luò)，這是一個(gè)搜索的過(guò)程。參考相關(guān)隱含層確定的準(zhǔn)則[7]，通過(guò)逐個(gè)比試最終確定，第1個(gè)隱含層節(jié)點(diǎn)數(shù)為15個(gè)，第2個(gè)隱含層節(jié)點(diǎn)數(shù)為10個(gè)，學(xué)習(xí)速度為0.01。

實(shí)驗(yàn)中選取了300幅實(shí)際的車牌。這些車牌圖像的大小和拍攝的角度有所不同，有些車牌圖像比較清楚，有些則有缺陷。然后在Matlab7.0環(huán)境下對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練樣本由200個(gè)車牌的1 400個(gè)字符組成。剩下的100幅車牌圖像用于識(shí)別試驗(yàn)。試驗(yàn)結(jié)果：正確識(shí)別91幅，誤識(shí)6幅，不能識(shí)別3幅，平均識(shí)別速率0.94 s/幅。在實(shí)驗(yàn)過(guò)程中數(shù)字識(shí)別率最高，字母次之，漢字識(shí)別率最低。

本文系統(tǒng)地研究了一套車牌識(shí)別算法，包含了車牌定位、字符分割、字符識(shí)別3個(gè)環(huán)節(jié)。其前后銜接緊密，互補(bǔ)性好，整體準(zhǔn)確性高，穩(wěn)定性好，具有較強(qiáng)的實(shí)用性。但仍存在一些問(wèn)題需要進(jìn)一步改進(jìn)，如車牌定位時(shí)，距離伸縮性不夠，字符傾斜校正存在一些失真，字符特征提取還需要更有效的方法。