基于径向基函数神经网络的车牌识别技术研究.pdf.doc

基于径向基 函数 excel方差函数excelsd函数已知函数     2 f x m x mx m      2 1 4 2拉格朗日函数pdf函数公式下载 神经网络的车牌识别技术研究.pdf.doc 论文 政研论文下载论文大学下载论文大学下载关于长拳的论文浙大论文封面下载 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 目:基于径向基函数神经网络的车牌识别技术研究 专 业:应用数学 硕士生:石志享 (签名) 指导教师:丁正生 (签名) 摘要 车牌识别技术是实现交通管理智能化的核心技术之一，在智能交通领域有着重要的 应用价值，车牌识别系统主要包含车牌定位，车牌字符分割和车牌字符识别。神经网络 识别是模式识别领域中的一个重要研究方向，它具有自组织学习、容错性高和鲁棒性强 的特点，非常适合车牌识别研究，本文主要做了以下工作: 首先对基于彩色图像的车牌定位方法和基于灰度图像的车牌定位方法进行了比较 研究，然后根据我国车牌的特点和纹理特征，对车牌进行Haar特征提取，采用 Adaboost 算法进行车牌定位，对常用的 Haar矩形特征进行扩展，定义了一种新的四矩形 Haar条 件矩形特征。实验结果表明，利用新增的四矩形 Haar条件特征不仅缩短了车牌定位时 在车牌分割时，对车牌用 Otsu法进行二值化处理，目的是提取图像的有效信息， 间，还提高了车牌定位准确率。 用 Hough变换法对其进行倾斜矫正、中值滤波法进行去噪处理。针对垂直投影分割法和 模板匹配分割法的缺点，提出了一种新的垂直投影和多模板匹配相结合的字符分割方 法。与以往的模板定义不同，本文把每个字符的宽度以及字符与字符之间的宽度定义为 字符序列分割的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 模板，这里说的多模板指得是在原有的字符模板的基础上，对已有 的字符分布模板库进行弹性缩放。实验证明，该方法准确分割字符率为 98.35%，分割 准确率比单独使用前面两种分割法有了很大的提高。 接着对分割好的字符进行 hog特征提取，简单介绍了几种常用的车牌识别方法，对 BP神经网络和 RBF神经网络进行对比分析，最终采用 RBF神经网络进行车牌字符的识 别，并用遗传算法对 RBF神经网络的权值进行了优化，目的是提高网络的非线性逼近 能力，保证识别准确率和识别效果。最后进行网络识别仿真，结果表明，优化后的网络 不仅稳定性强，识别准确率也有很大的提高，由优化前的 95.8%提高到 98.2%。 关键词:车牌定位;字符分割;字符识别;RBF神经网络;遗传算法 研究类型:应用研究 Subject : Research on License Plate Recognition Radial Basis Function Neural Network Technology Based on Specialty : Applied Mathematics Name : Shi Zhixiang (Signature) Instructor: Ding Zhengsheng (Signature) ABSTRACT Intelligent transportation system is a cutting-edge research subject in the current field of transportation, and the license plate recognition is one of the core technologies to realize intelligent traffic management, which is of important application value in intelligent transportation systems. License plate recognition system mainly includes license plate location, character segmentation and character recognition. Neural network recognition is an important research direction in the field of pattern recognition, which has the features of self-organized learning, high fault tolerance and Strong robustness, then it’s Very suitable for license plate recognition. The main job of this paper is that applying radial basis function neural network (RBFNN) to license plate recognition systems to improve recognition accuracy and recognition of license plate recognition system speed. The main job is as follows: Firstly, a comparative study is done at license plate location method based color images and gray-scale images, and the paper adopts the license plate location method based on Adaboost algorithm con siding of the disadvantage that color images are affected easily by the light and it’s has a longer positioning time. A plate has been grayed before it’s positioning, and three commonly used Haar features are expanded in the process of positioning in accordance with the characteristics and texture of the license plate in our country in the process of positioning, Defines a new four rectangular Haar condition characterized. Experimental results show that the method not only shortens positioning time, but also improves the plate positioning accuracy. Secondly, dividing the license plates which have been positioned, and finalization processing has been done before the divide in order to extract the image information facilitate, then process the license plates with tilt correction and median filtering. As the disadvantage of methods by vertical projection template matching which are commonly used, a new dividing method of combining the vertical projection and multi-template matching is proposed, The method is accurate character segmentation rate of 98.35%, it is higher than the vertical projection segmentation method and template matching segmentation method. Then Hog feature extraction has been done at the characters which have been divided well, then I make a brief introduction about the common used methods of the license plate recognition, and a comparative analysis is done at the advantage and disadvantage of BP neural network and RBF neural network, Finally adopted RBF neural network to identify the license plate characters and use genetic algorithm weights RBF neural network optimized for the purpose of improving approximation of nonlinear network capacity to ensure recognition accuracy and recognition. Finally, the simulation of the network proves that it’s of strong network stability optimized and high recognition accuracy, and the license plate recognition system is completed finally. Key words : License plate positived;Character divided;Character recognition;RBF neural network;Genetic algorithm Thesis : Application Research 目录 目录 1绪论.........................................................................................................................................1 1.1选题背景及研究意义...................................................................................................1 1.2车牌识别系统的国内外研究历史及发展趋势...........................................................1 1.3车牌识别系统的发展现状...........................................................................................2 1.3.1车牌定位技术.....................................................................................................3 1.3.2车牌字符分割技术.............................................................................................3 1.3.3车牌字符识别技术.............................................................................................4 1.4研究方法与技术路线...................................................................................................4 2车牌定位.................................................................................................................................7 2.1我国车牌的特征............................................................................................................7 2.2基于颜色特征的车牌定位............................................................................................8 2.2.1 RGB和 HSV空间.............................................................................................. 8 2.2.2 HSV空间中车牌定位.......................................................................................10 2.3车辆图像灰度化..........................................................................................................11 2.4基于 Adaboost算法的车牌定位................................................................................ 13 2.4.1 Haar特征...........................................................................................................13 2.4.2扩展的 Haar特 征.............................................................................................14 2.4.3 Adaboost算法................................................................................................... 19 2.5本章小结......................................................................................................................23 3车牌字符分割.......................................................................................................................24 3.1车牌图像预处理..........................................................................................................24 3.1.1车牌图像二值化................................................................................................24 3.1.2倾斜校正............................................................................................................26 3.1.3图像滤波............................................................................................................28 3.2车牌字符分割..............................................................................................................29 3.3垂直投影与多模板匹配相结合的字符分割方法......................................................29 3.3.1最优分割线的定位...........................................................................................30 3.3.2匹配测度...........................................................................................................31 3.4本章小结......................................................................................................................32 4车牌字符识别.......................................................................................................................33 4.1车牌字符特征提取......................................................................................................33 I 目录 4.1.1 hog特征.............................................................................................................33 4.1.2车牌字符 hog特征的计算................................................................................34 4.2车牌字符识别方法...............................................................................................35 4.3 BP神经网络和 RBF神经网络.................................................................................. 36 4.3.1 BP神经网络......................................................................................................36 4.3.2 RBF神经网络...................................................................................................38 4.4遗传算法.....................................................................................................................41 4.4.1遗传算法的优点................................................................................................42 4.4.2遗传算法优化 RBF神经网络..........................................................................42 4.4.3字符识别训练....................................................................................................44 4.5本章小结......................................................................................................................46 5结论与展望...........................................................................................................................47 5.1总结..............................................................................................................................47 5.2展望..............................................................................................................................47 致 谢...................................................................................................................................49 参考文献...................................................................................................................................50 II 1绪论 1绪论 1.1选题背景及研究意义 进入 21世纪以来，全球经济发展速度日益加快，对能源需求的增加在很大程度上 也反映了机动车的数量在不断上升。我国居民生活水平与上个世纪末相比又提高了一个 层次，私家车的倍增也使交通拥堵的问题接踵而至。因此，缓解交通堵塞，恢复城市道 路畅通迫在眉睫，这就要求我们尽快建立一个智能化的交通系统。智能交通系统 (Intelligent Transportation System，简称 ITS)是在传统的交通理论和实践理论的基础上 建立起来的，其目的是增大交通系统的安全性和可靠性，智能交通系统把先进的各种现 代信息技术进行集成后运用于整个交通运输管理体系，从而建立起的全面发挥作用的、 准确、高效的运输管理系统。它在有效满足道路交通需求的同时，提高了道路通行能 [1] 力，保证道路交通流畅，是目前交通管理的主要发展模式。 [2] 车牌识别系统 (License Plate Recognition System，简称 LPRS)是现代智能交通 系统的重要组成部分，其功能是对拍摄到的汽车图像进行处理分析，自动识别汽车牌照 号码，在监控道路车流量，管理高速公路车辆时，应用的比较多。人们十分重视车牌识 别系统的的研究开发，这是因为车牌识别系统是实现交通管理现代化和智能化的关键， 它的发展在大大促使交通系统智能化的同时，对于维护道路交通安全，保证交通畅通也 起着很重要的作用。 车牌识别系统主要由车牌定位、字符分割和字符识别三部分组成。车牌识别系统 [3] 在小区出入口和地下停车场管理、高速公路收费、城市道路监控、违章车辆统计等方面 应用广泛。利用车牌识别系统，可以在发生交通肇事案件时，实现对肇事车辆的通缉追 捕。还可以解决在公路收费站和停车场收费站由于人为失误操作或疏忽大意等原因所造 成的费用信息有误、收款去向信息不明等问题。因此，研究车牌识别系统具有重大的现 实意义。 1.2车牌识别系统的国内外研究历史及发展趋势 车牌自动识别系统可以在汽车运行情况下，不依靠人为操作，实现对车牌字符的识 别，它对于智能交通系统的发展有着举足轻重的作用，产生于六十年代，当时国内外的 研究者，对系统的研究只是针对某些特定的简单问题。到了八十年代，随着人们生活水 平的提高和计算机技术的发展，人们开始对交通系统实施智能化管理。许多国家开始重 视智能交通的发展，投入了大量的财力和人力，改善交通环境和设施，以提高交通系统 的应变能力，改善社会交通环境，实现交通信息的智能化和社会化，促进社会经济更好 1 西安科技大学硕士学位论文 的发展。 由于国外经济比较发展，为了应对由经济发展所带来的各种交通问题，他们很早就 采用现代交通法规进行交通管理，所以他们对车牌识别系统进行研究开发的时间也比我 国超前。位于英国伦敦的 Racal Messenger Ltd公司研制出一种名为“ARGUS”的识别 系统，不仅可以处理常规的黑白图像，又可以处理色彩比较丰富的图像，而且反应极为 迅速。东南亚的发达国家新加坡也在该方面有一定突破，其国内著名的 Optasia公司， 经过1年的努力研制出名为“VLPRS”的系统，这是根据新加坡车牌的特性所研制，识 别率已经高达98%以上。中东以色列的一家公司开发研制出的 See/Car系统的中国版本 可以对我国的车牌数字进行识别，但是缺憾是不能识别车牌中的汉字。除此之外，欧美 一些车牌识别技术起步比较早的国家，比如北美的加拿大和美国，欧洲的德、意、法、 英等国，也结合了本国的车牌特点与交通法规，研究开发出来适合自己国家交通特点的 用于识别各类车牌的先进车牌识别系统。 相比之下，我国的现代交通系统起步比西方晚，对车牌的自动识别也是直到上世纪 80年代末期才开始被列为研究重点。首先就是在事故频发的交通路段，把当时尚未普及 的计算机技术应用于监视管理系统。然后由于我国车牌文字的特殊性，不光是简单的数 字与字母的结合，还有位于车牌首位的代表各个省市简称的汉字字符。汉字的不容易识 别增加了车牌的识别难度，还有就是我国汽车牌照格式有很多种并且汽车车牌的悬挂位 置不统一，这些因素都增加了车牌识别的难度和识别时间。目前国内走在前列的车牌识 别研究机构有以下几家:北京中科院研究所、西安交大的图形研究识别实验室、浙江大 学的自动化学院等。这些机构在近二十年的时间里研究出多种不同类型的车牌识别系 统，对我国车牌识别技术的发展都起到了很大的推动作用。 针对我国的的经济发展速度和交通发展状况，我们国家十分重视车牌识别技术的研 究，并且已经取得了不小的进步。但是由于我国车牌字符是由汉字和字母以及数字三部 分混合组成的，所以对我国的车牌进行识别时，不光识别的难度会增大，车牌识别系统 还会难以实现实时处理，出现识别正确率低，识别速度慢等问题。再加上不同的车型牌 照悬挂位置不相同，行驶速度、光照条件和天气等因素都会使图像出现各种各样的问题， 如:图像模糊、倾斜、噪声大等，这都会影响车牌识别的准确率和速度。目前，虽然人 们发现的用于车牌识别的方法很多，但有很大一部分还不够完善，识别准确率和识别速 度均达不到实际需要的标准，不能投入到实际应用中。随着计算机网络的发展，图像处 理技术的改进，我们也要提高车牌识别技术，以提高识别准确率和识别速度，更好的解 决现在出现的各种交通问题，综合以上因素，十分有必要继续加强对车牌识别技术的研 究。 1.3车牌识别系统的发展现状 2 1绪论 车牌识别技术主要分为三个部分:车牌定位和车牌字符分割以及车牌字符识别。车 牌定位是利用车牌区域的的通用特征，搜索图像中最符合车牌特征的区域，并将其标识 出来;车牌字符分割是将字符从定位后的车牌图像中切割出来，并把它们进行处理，变 成大小一致的单个字符;车牌字符识别在整个车牌识别系统中有着很重要的地位，它的 作用是将分割出来的字符进行一系列处理之后，输入到计算机，通过计算机进行识别， 并输出结果。 1.3.1车牌定位技术 车牌定位是从拍摄到的车辆图像中找出长方形的车牌区域。简单的说就是从车辆图 像中找到车牌图像并它标识出来的过程，定位车牌是决定车牌识别系统性能的关键第一 步。目前常用的车牌定位方法主要有基于灰度颜色图像的车牌定位、基于彩色图像的车 牌定位。 彩色图像颜色信息丰富，但是容易受到光照的影响，当车牌颜色与图片中的其他颜 色相差不大时，易出现错定位的情况。与彩色图像相比，灰度图像色彩简单、内存占用 小，计算速度快，所以国内外的研究者对基于灰度图像的车牌定位方法的研究较多。目 前常用的基于灰度图像的车牌定位方法主要有:神经网络的方法、基于车牌区域纹理特 征的方法、基于边缘与颜色信息的方法、基于 Adaboost算法的定位方法、基于直线 边缘 检测 工程第三方检测合同工程防雷检测合同植筋拉拔检测方案传感器技术课后答案检测机构通用要求培训 的方法以及其它综合多种算法的定位方法。 [4] [5] [6] 在基于 Adaboost的定位算法中， Adaboost属于分类器算法，其目的就是通 过对同 [7] 一个样本集的训练得到不同的分类器。在利用 Adaboost算法进行分类时，刚开给每个训练样本设定一个权值，并且每个训练样本的权值都是相同的，这个权值代表的 始我们 是训练样本被某个弱分类器选中的概率，训练样本的过程其实就是样本权值调整的过 程。如果这个训练样本被错误分类，那么它的权值就会增大，这样在构造新的训练样本 时，它被选中的机会就会变大，会生成一个新的训练样本集。如此重复下去之后，每一 轮都会产生一个最合适的弱分类器，把这些弱分类器按一定的权重比组合起来，就构成 一个更强大的分类器。本文就是通过提取车牌的 Haar特征，然后结合 Adaboost算法， 实现车牌定位。 1.3.2车牌字符分割技术 在对车牌准确定位之后，要对车牌字符进行分割。车牌字符的准确分割是正确识别 字符的基础也是车牌识别系统的重点和难点，车牌字符分割就是将车牌上的每个字符从 整个图像中逐个提取出来的过程。字符的倾斜、变形、污损、断裂与粘连等都会使字符 分割的复杂性变大，导致字符的误切割，因此找到一种好的字符分割算法很重要。目前 常用的字符分割方法有:基于形态特征的分割方法、基于垂直投影法的分割方法、基于 3 西安科技大学硕士学位论文 先验知识和垂直投影相结合的分割方法以及基于模板匹配的分割方法。 垂直投影分割法的主要思想是对处理好的车牌二值图进行 x轴方向投影和 y轴方 向投影，依靠车牌字符在x轴方向的投影，找到字符与字符之间的间隔，在 y轴方向[8] 的 投影找到车牌上下边框，以此找到车牌字符串边界的大致位置，垂直投影法比较适用于 字符断裂、没有粘连的情况。模板匹配分割法是先根据车牌字符的排列规则，计算出 [9] 字符的竖直积分投影，然后与字符模板相匹配，得到最佳的匹配位置，实现对字符的分 割，利用模板匹配能否实现对字符的准确分割依赖于车牌定位的准确度。 1.3.3车牌字符识别技术 车牌字符识别就是对分割处理好的字符进行逐一分类识别，它车牌字符识别是车牌 识别系统的最后一个环节。常用的字符识别方法主要有:基于模板匹配的识别方法、基 以及基于支持向量机的识别方法，基于神经网络的 于 PCA和网格特征的识别方法 [10] [11] [12] 识别方法等等。基于神经网络的字符识别算法 是当前应用比较普遍的识别算法，在用 它进行车牌识别时，首先需要提取车牌字符图像的特征，然后使用这些特征来训练神经 网络，实现字符的识别。神经网络能很好地解决字符图像中的噪声和图像部分缺失等问 题。在进行神经网络设计时，经常会遇到以下几个问题:特征值相似的字符的如何区分、 怎么选择网络的输入数据、网络结构如何设计等等。 BP神经网络、RBF(径向基函数)神经网络、模糊神经网络、 Elman神经网络和 Hopfield神经网络等都是现在比较广泛应用的神经网络。但是与车牌字符识别相结合的 主要有 BP神经网络和 RBF神经网络，RBF神经网络在逼近能力方面和分类计算方面 都比 BP神经网络强，可以作为车牌字符的分类器。RBF神经网络结构简单，具有以下 (1)逼近能力强，不容易出现局部最小; 几个特点: (2)收敛速度较快; (3)拓扑结构比其它网络简单。 所以 RBF在神经网络、模拟函数等领域得到广泛应用。 1.4研究方法与技术路线 [13] 车牌识别系统主要由车牌定位、字符分割以及字符识别三部分组成 。车牌准确定 位是正确分割车牌字符的前提，而正确分割车牌字符又是准确车牌识别的基础，因此准 确定位车牌是车牌识别的首要任务。本文研究了目前比较常用的基于颜色特征的和基于 Adaboost算法的车牌定位方法，彩色图像颜色信息丰富，但是容易受光照条件的影响， 造成定位错误。而 Adaboost算法在进行车牌目标检测时具有执行性高，检测效果好， 系统实时性强的优点，考虑到我国车牌的特点，本文最后采用改进的 Adaboost算法进 4 1绪论 行车牌定位，就是在定位的过程中对 Haar特征进行了扩展，提出了(4,1)条件矩形 Haar 特征，和以前的(2,1),(3,1)条件矩形结合起来，通过计算图片的 Haar特征找出车牌位置， 完成车牌的定位。 车牌字符分割:对定位好的车牌采用全局阈值(Otsu)算法进行二值化处理，采用 [14] Hough变换对车牌进行倾斜校正 ，再对图像利用中值滤波进行去噪处理，最后结合我 国车牌的特点,采用垂直投影与模板匹配相结合的方法对字符进行分割处理。 车牌识别:先对字符识别中比较常用的 BP神经网络和 RBF神经网络的优缺 点进 行比较分析。为了提高网络的非线性逼近能力和稳定性，利用遗传算法对 RBF神经网 络的权值进行优化。在进行车牌字符识别时，对切割后车牌字符先进行大小归一化处理， 然后再对样本字符进行特征提取。最后把提取到的字符特征输入到径向基神经网络中进 行训练，建立径向基神经网络，进行车牌字符的精确识别。 最后对网络进行识别训练仿真，实验结果表明，优化后的网络不仅稳定性强，识别 准确率也更高，最终完成车牌识别系统的研究。 5 西安科技大学硕士学位论文 图 1.1车牌识别技术路线图 6 2车牌定位 2车牌定位 车牌定位是车牌识别的关键第一步，车牌准确定位是正确分割车牌字符的前提，车 牌定位就是对拍摄到的车辆图片进行一系列变换处理，找到车牌图像并把它标识出来。 由于某些人为因素和客观原因，拍摄到车牌图像经常会受到外界各种因素的影响，导致 图片质量不均等，部分图像受外界影响过大，这就给车牌定位带来一定的难度。所以虽 然目前车牌定位的方法很多，却很难找到一种合适的方法来对所有的车牌进行准确定 位。本章在分析研究了常用的基于颜色特征的车牌定位方法的优缺点后，决定采用基于 Adaboost算法的车牌定位方法，在利用 Adaboost算法时，把它和一种新定义的 Haar特 征相结合，实现了车牌定位。 2.1我国车牌的特征 我国的车辆牌照本身有明显的特征，我国现行使用的是车辆牌照符合 2007年 11 月 1日实施的“GA36-2007”标准，其主要特征有以下四点: (1)现有的车牌有四种颜色类型:蓝底白字、黄底黑字、白底黑字和白底红字。 (2)我国目前的车牌由七个字符组成，它们基本成水平排列，而且字符与字符之间 有一定的间隔，第一位字符是各省名的缩写，第二位字符代表城市，剩下的就是英文字 母或阿拉伯数字; (3)车牌的边缘是由直线段围成的 440 mm ×140mm的矩形，包括边框时宽高比为 440:140=3.14:1，不含边框及铆钉等背景区域时的宽高比为 409:90=4.54:1;字符边框的 大小是90mm× 45mm，对于车牌字符。除了第 2个与第 3个之间的距离是 34mm外，其 它字符之间的距离是 12mm;字符与车牌左右边框、上下边框之间的间距分别是 15.5mm 和 10mm; (4)车牌上下边缘有四个铆钉，分别位于第二个字符和第六个字符的上面和下面。 我国车辆目前使用的标准牌照如图 2.1和图 2.2: 7 西安科技大学硕士学位论文 图 2.1小型汽车车牌 图 图 2.2小型汽车号牌式样图 2.2基于颜色特征的车牌定位 利用车牌的颜色特征进行车牌定位是目前比较常用的定位方法。通常我们采集到的 车牌图像都是彩色图像，彩色图像具有丰富的颜色信息，车牌字符与车牌底色的颜色对 比强烈，车牌的颜色特征明显，并且我国车牌有统一的尺寸和固定的字符密度，这些都 能帮助我们准确地确定出车牌所在的位置，实现车牌的粗定位。 2.2.1 RGB和 HSV空间 在利用车牌的颜色特征进行车牌定位时，最常用的颜色模型有 RGB和 HSV两种。 在 RGB模型中，我们把红(R)、绿(G)、和蓝(B )3种颜色的亮度值按不同的比例 混合来表示该空间中某一点的像素值。在 RGB空间中，当光照强度发生改变时，R、G、 B三个分量也会跟着发生变化，导致图像颜色发生改变，由于该颜色模型容易受光照条 件的影响，所以不适合彩色车牌的定位。在 HSV空间中，H、S、V代表不同的颜色信 8 2车牌定位 息，H最接近人眼对颜色的感知，它代表色调,S描述色彩的饱和度，用来衡量人眼所看 [15] 到的颜色的深浅,V表示亮度，作用是划分图像像素的灰度 。HSV空间模型是非线性 的，与 RGB颜色空间相比，它描述色彩时采用的是用户直观的方法，更满足人们的视 觉需求并且不容易受光照的影响，适合在车牌定位中使用。因此，在利用车牌的颜色特 征进行定位时需要将车辆图片从 RGB颜色空间向 HSV颜色空间进行处理变换，再进行 车牌定位，变换公式如下: ?未定义，S = 0 ? G ? B ? 1+ V ? min{G,B},S ? 0且V = R ? ? H = (2.1) B ? R ? 3 + ? min{B, R}, S ? 0且V = G ? R ? G ? 5 + min{R,G},S ? 0且V = B ? ? V = max{R,G,B} (2.2) ?0,V = 0 (2.3) zhi ku quan 20150721S = {R,G,B} ?V ? min,V ? 0 ? ? ? V 其中，RGB颜色空间模型和 HSV颜色空间模型如下所 示: 图 2.3 RGB颜色模 型 9 西安科技大学硕士学位论文 图 2.4 HSV颜色模 型 2.2.2 HSV空间中车牌定位 本文的主要研究对象是蓝底白字的车牌图像。大量研究证明，在 HSV颜色空间中， 描述蓝色的 H、S、V分量都有一定的取值范围，通常情况下，对于蓝底白字的车牌来 zhi ku quan 20150721 说，车牌底色的色调和饱和度以及亮度的取值范围如下表所示: 表2.1蓝色分量取值范围 色调 饱和度 亮度 200~255度 0.35~1 0.3~1 根据上面表格中的车牌底色各分量的取值范围，把车辆图像的各像素分量与上表中 的 H、S、V三个分量相比较就可以把车牌区域确定出来。我们将满足200 < h < 255， 0.35 < s < 1,0.3 < v < 1的像素点认为是车牌底色(蓝色)，并将该点的像素值记为1，其 他像素点记为0，即: p(i, j) = ?1，if 200 < h < 255，0.35< s < 1，0.3 < v < 1 (2.4) ? 0，else ? 标记为 1的部分表示车牌底色区域，标记为 0的部分则表示非车牌底色区域，从 而 完成车牌的粗定位。但是有时候会出现车牌区域颜色与周围颜色相接近的情况，在完成 车牌粗定位之后，我们可以通过统计蓝白像素点的方法对车牌进行精确定位。对粗定位 得到的车牌区域，从上到下进行沿 x轴方向的行扫描，计算里面的蓝色像素，找出含有 蓝色像素值最多的那一行，只要它满足一定的阈值，就可以把它当做车牌的上边框或下 10 2车牌定位 边框。同理，再对该车牌图像从左到右进行沿 y轴方向的列扫描，确定出车牌的左右边 框，实现车牌精确定位。在 HSV空间车牌定位如下所示: 图 2.3车牌原 图 图 2.4车牌行方向定位图 zhi ku quan 20150721 图 2.5车牌在 HSV空间定位图 在车牌底色与周围车牌区域颜色对比明显时，基于颜色特征的定位方法的具有很高 的定位的准确率。但是因为 HSV空间对光照不是特别敏感，在车牌区域和附近的区域 颜色差别不大时，该方法的定位错误率较高，并且图片由 RGB空间转换到 HSV空间时 所耗时间较长，会导致定位速度慢，定位时间长。所以本文采用基于 Adaboost算法的 车牌定位方法，在定位之前需要先对车辆图片进行灰度化处理。 2.3车辆图像灰度化 [16] 图像灰度化 ，就是将彩色图像转化为黑白图像，在转化的过程中，会剔除图像的 11 西安科技大学硕士学位论文 颜色信息保存图像的亮度信息，和我们经常看到的黑白照片很像。不过这里的黑白图像 指的是具有 256个灰度级的灰度图像，256个灰度级是连续由暗到明变化的。灰度图像 的作用是简化处理过程、缩短处理时间，这是因为在对图像进行灰度化处理后，会大大 减少图像的没用信息只保留有效信息。在灰度图像的 256个灰度级中，0灰度级最暗， 255灰度级最亮。 最常用的图像灰度化方法有四种，它们是分量法、最大值法和加权平均值法。本文 [17] 采用加权平均值法对车牌图像进行灰度化 。 根据一定的判别标准，对彩色图像的 R，G，B分量进行灰度化处理，使图像在灰 度化后，R，G，B等于它们原先值的加权和平均。即: R = G = B = R?WR +G ?WG + B?WB (2.5) 3 其中WR，WG，WB为R，G，B的权值，当WR = 0.9，WG =1.77，WB = 0.33， 即当 R = G = B = 0.3R + 0.59G + 0.11B (2.6) 时能得到最能满足人们视觉要求的灰度图像。 zhi ku quan 20150721 图 2.6拍摄到的车辆原图 12 2车牌定位 图 2.7灰度化后的车辆图片 2.4基于 Adaboost算法的车牌 定位 2.4.1 Haar特征 [18] 影响 Adaboost算法的因素主要有两个:特征的选取和特征值的计算 。在利用 Adaboost算法时，采用的是输入图像的 Haar特征，Haar特征就是我们常说的矩形特征。 通常在给出的条件固定的情况下，与基于像素特征的分类检测系统相比，利用 Haar特 zhi ku quan 20150721 征进行检测不仅能很快找到目标区域，检测速度也要比前者快很多，Haar特征在人脸识 别中应用的比较广泛。 图 2.8 Haar特征在人脸识别中的应用 Haar特征在人脸识别中的应用也是比较早的，原因是对某些简单的图形结构，如图 像中的边缘、线段，Haar特征敏感度很高，并且它能很好地描绘水平和垂直以及对角等 特定方向的方向结构。Haar的这些特征刚好与车牌的特征相吻合，因此我们可以通过提 取车牌的 Haar特征来实现车牌的定位。常用的 Haar特征有以下几种:两矩形特征、三 矩形特征以及四矩形特征，通常情况下，边缘特征用两矩形特征描述，用三矩形特征描 述线性特征、用四矩形特征描述特定方向的特征。人们经常用到的三种 Haar特征如表 2.2 所示: 13 西安科技大学硕士学位论文 表 2.2常用的 Haar特征 两矩形特征 三矩形特征 四矩形特征 一般情况下，我们用白色矩形像素和与黑色矩形像素和之间的差值来表示特征模 板的特征值。我们可以通过计算子窗口中的特征个数来得到这个子窗口中所有的特征矩 形的个数，训练时，在图像的子窗口中分别依次移动这三类矩形特征，这就可以得到图 像中全部的各类矩形特征。需要说明的是，在图像子窗口中即使是同一类型矩形特征， 但如果它们所处的位置不同，它们就属于不同的特征。也就是说矩形特征的大小，形状 和所处的位置只要有一个不相同，它们就是不同的特征。在确定了矩形特征的类型之后， zhi ku quan 20150721 矩形特征的个数是由子窗口的大小决定的。例如在一个16 ×16的检测窗口中，矩形特征 的数量约为 32000个。特征模板可以以任意大小，任意形状出现在图像子窗口中，在找 出图像子窗口的所有特征之后，就可以根据提取到的 Haar特征结合 Adaboost算法进行 车牌定位了。 2.4.2扩展的 Haar特征 因为我国车牌长宽比固定，由七个字符组成的，字符呈水平排列，每个字符之间有 固定的间隙，这些与 Haar特征的描述方式十分匹配。在本文中，根据我国车牌的结构 和纹理特征以及 Haar特征的一些特点，在原有的 Harr特征的基础上，定义扩展了一种 新型的 Haar特征，本文把新定义扩展的四矩形 Haar特征与以前的三种 Haar特征相结 合来描述车牌图像的线性特征，从而实现车牌的定位。这里只新定义扩展了四矩形的 Harr特征而没定义其它矩形特征如:五矩形，六矩形和七矩形 Haar特征等等，是考虑 到我国车牌有七个字符组成以及拍摄到的车牌字符可能存在粘连，断裂和污点等问题， 这里只取采取车牌字符的一半，四矩形 Haar特征就好，再者就是有效特征越少，训练 速度越快，所以这里采用四矩形的 Haar特征最好。本文新定义的扩展 Haar特征如下图 所示: 14 2车牌定位 图 2.9新扩展的 Haar特征 (1)条件矩形的定义以及矩形特征个数的计算 如图所示在一个m × m大小的子窗口中，计算其中矩形特征的个数。 zhi ku quan 20150721 在m×m子窗口中，确定矩形的方法就是找出矩形的左上边的端点 A(x1, y1)以及图 2.10 m×m子窗口 右 [19] 下边的端点 B(x2, y2 )，这里，我们把满足下面两个条件(称为(s,t)条件，满足(s,t)条件 的矩形称为条件矩形 ): 1)对水平位置的边进行等分，分成 s 段; 2)对竖直位置的边进行等分，分成t段; 满足(s,t)条件的矩形最小是 s×t或 t× s，最大是[m s]? s×[m t]?t或[m t]?t ×[m s]? s，这 里[ ]表示取整运算。 满足(s,t)条件的条件矩形的确定方法:在 m × m的子窗口中，选择一点 A(x1, y1): 中 x1 ?{1,2,L,m ? s,m? s +1}, y ?{1,2,L,m?t,m ?t +1};在 A点固定以后，1 其 在图 2.10的阴影部分包括边缘选择一点 B(x2, y2): x2 ? X ={x1 + s ?1, x2 + 2?s ?1,K,x1 +(p?1)?s ?1, x1 + p?s ?1} y2 ? X ={y1 +t ?1, y2 + 2?t ?1,K, y1 +(p?1)?t ?1, y1 + p?t ?1} ?m? x1 +1? ?m? y1 +1? 其中 p ,q = ,并且知道: X = p, Y = q。 ? ? s t ? ? ? ? = ? ? 在图像m×m大小的窗口里，符合(s,t)条件的特征矩形的总和为: 15 西安科技大学硕士学位论文 m?s+1m?t+1 m ? = ? ?p?q (s,t) x1=1 y1=1 m?s+1m?t+1?m?x1+1? ?m?y1+1? ? = ? ? ? ?? ? s t ? ? ?? x1=1 y1=1 m?s+?1m?x1 +1? m?t+?1m?y1+1? (2.7) = ? ? ? ? ? ? ? s t ? ? ? ? x =1 y 1 1 ??m? ?m?1? ?s+1? ? ??m? ?m?1?+L+?t+1? ? + + =? +L+ ?? ? ? ? ? ? +1??? +1? s s s t ?? ? ? ? ? ? ? ??t ? ? ? ? ? ?? ? ? ? ? ? ? ? ? 实际上，(s,t)条件描述了不同类型的矩形特征的特点，考虑到我国车牌的特点，这 t 里我们主要研究对应(2,1),(3,1)条件的条件矩形以及新扩展的(4,1)条件的条件矩形，见下 表: 表 2.3三种条件矩形模板 特征模板 zhi ku quan 20150721 (s,t)条件 (2,1) (3,1) (4,1) m 以m × m子窗口为例，m × m子窗口中 3种特征模板的特征总数量为，即分别满 ? 足 3个(s,t)条件的矩形特征的数量总和公式为: m (2.8) 下面以 24 ×24子窗口为例，按照上文提到的方法，计算里面三种Haar条件矩形特征 的特征总数量: 16 2车牌定位 m m m m ? = ? + ? + ? (2,1) (3,1) (4,1) ? ?? 24? ? 23?? +L?3? ? ?? 24? ? 23?? +L + ?2? =? + +1?×? + +1? ?? ? ? ? ? ? ? 2 ? ? 2 ? ?2? ? ? ? ? ?? ? ? ? ?1? ? 1 ? ? 1 ? ? ??24? ? 23?? +L?4? ? ?? 24? ? 23?? +L + ?2? + ? + + 1?×? + + 1? ? ? ?? ? ? ? ? ? ? 3 ? ? 3 ? ?3? ? ? ? ? ? ?? ? ? ?1? ? 1 ? ? 1 ? ? ??24? ? 23?? +L?5? ? ?? 24? ? 23?? +L + ?2? + ? + + 1?×? + + 1? ? ? ?? ? ? ? ? ? ? 4 ? ? 4 ? ?4? ? ? ? ? ? ?? ? ? (2.9) ?1? ? 1 ? ? 1 ? =(12+ 11+11+L + 2 + 1+ 1)×(24 + 23+L + 2 +1) ? ? +(8 + 7 + 7 +L + 1+1+ 1)×(24 + 23 +L + 2 + 1) +(6 + 5 + 5 +L+ 1+ 1+1)×(24 + 23 +L+ 2 + 1) =144× 300+ 92× 300 + 66× 300 = 43200+ 27600+ 19800 = 90600 (2)积分图的概念 对于得到的矩形特征，它们的特征值是可以利用积分图进行计算，对积分图的定义 如下: 对图像中任意一点 A(x, y)，如图 2.11所示，点 A的积分图就是位于它左上 侧区域内 的所有点的像素之和，定义为: ii(x, y)= ? (2.10) x'?x,y'?y i(x', y') 图 2.11点 A的积分图就是它左上侧区域内的所有点像素 之和 这里，积分图用 ii(x, y)描述，点 ( ) ( ) i x , y处的原始图像用 i x，y描述。在彩色图像中， ' ' ' ' (x', y')表示该点的像素值，在灰度图像中，表示的是取值范围在 0~255之间的灰度值。 17 西安科技大学硕士学位论文 积分图也可以由下面两个公式求出: s(x, y)= s(x, y ?1)+ i(x, y) (2.11) ii(x, y)= ii(x ?1, y)+ s(x, y) ( ) 其中， s(x,y)= ?i y '?y x, y ' ，表示点 A(x, y)以及沿y轴方向上的所有原始图像之和， 并且有s(x,0)= 0,ii(0, y)= 0 (3)利用积分图计算特征值 根据积分图的定义，我们可以计算一个区域各个端点积分图来得到该区域的像素 值。如图(4)所示:在该图中，ii(1)表示区域 A的像素值，ii(2)表示区域 A+ B的像素 值，ii(3)表示区域 A + C的像素值，ii(4)表示区域 A + B + C + D的像素值，像素值可以表示为:ii(4)+ii(1)?ii(2)?ii(3) 则区域 D的 图 2.12区域 A、 B、C和 因为矩形特征的特征值与区域像素有关，而区域像素又由区域特征端点的积分图 D 求得，所以我们可以通过计算矩形特征端点的积分图来得到矩形特征的特征值。如下图 所示，以满足 (2,1)条件特征的矩形为例，使用积分图计算其特征值: 图 2.13积分图计算特征值 18 2车牌定位 从上面给出的特征值的涵义得，(2,1)条件矩形的特征值是区域 A的像素值减去区域 B的像素值，而区域 A和区域 B的像素值如下表示: 区域 A的像素值=ii(5)+ ii(1)? ii(2)? ii(4) 区域 B的像素值=ii(6)+ii(2) ?ii(5) ?ii(3) 所以该矩形特征的特征值为: ii(5)+ii(1)?ii(2)?ii(4)?[ii(6)+ii(2)?ii(5) ?ii(3)] =[ii(5)?ii(4)]+[ii(3)?ii(2)]?[ii(2)?ii(1)]?[ii(6)? ii(5)] 这就表明，矩形特征的特征值，与图像在空间中所处的位置没有关系，是由特征矩 形的端点的积分图所决定的。通过计算特征矩形的端点的积分图，再进行简单的加减运 算，就可以得到特征值，正因如此，特征的计算速度会大大提高，进而提高目标的检测 速度。 2.4.3 Adaboost算法 Adaboost是一种分类器算法，其目的就是通过对同一个样本集进行分类训练得到不 同的分类器。在利用 Adaboost算法进行分类时，刚开始我们会给每个训练样本设定一 个权值，并且每个训练样本的权值都是相同的，这个权值表示的是训练样本被某个弱分 类器选中的概率。训练样本的过程其实就是样本权值调整的过程，如果这个训练样本被 错误分类，那么它的权值就会增大，这样在构造下一个训练样本集时，它被选中的概率 就会增大，生成一个新的训练样本集。如此重复下去之后，每一轮都会产生一个最合适 的弱分类器，把这些弱分类器按一定的权重比组合起来，就可以组成一个最终的强分类 器。 其实产生弱分类器的过程就是做决策的过程，一个 Haar特征只可以训练产生一个 弱分类器，也就是说影响分类器做决策的判断标准只有一个，被称为树桩。关键就是我 们怎么判断决策结果，这就要求我们在比较输入图片的特征值和弱分类器中的特征时， 事先设定一个阈值，这里我们规定，当输入车牌图片的特征值大于事先设定的阈值时判 定它为车牌。训练最优弱分类器的过程实际上就是在寻找合适的分类器阈值，使在该阈 值下，分类器对所有样本的判断误差最低。 (1)弱分类器的训练与选取 计算出训练车牌子窗口中的矩形 Haar特征数量和特征值后，就可以进行弱分类器 训练。对每一个 Haar特征 f，训练一个弱分类器h(x, f , p,θ)，分类误差最小时的阈 值 f就是我们所要找的判断车牌位置的最佳阈值。 19 西安科技大学硕士学位论文 ?1 pf(x)< pθ h(x, f , p,θ)= (2.12) ? 0其它 ? 这里，检测子窗口用字母 x表示，特征用 f表示， p代表指示不等号方向， θ为分 类阈值。 弱分类器训练的过程大致可分为如下几个步骤: 1.计算每一个训练样本的每一个特征的特征值。 2.将特征值排序。 3.对排好序的每个元素: + ?计算全部车牌样本的权重和u ; ? ?计算全部非车牌样本的权重和u ; + ?计算该元素之前的车牌样本的权重和v ; ? ?计算该元素之前的非车牌样本的权重和v ; 4(分类阈值从该元素的特征值 f p和 f p j?1之间的数寻找，在这个阈值的下j 分类器的 分类误差为: e = min v + + u ? ? v ? ,v ? + (2.13) ( ( ) (u + ? v +)) 重复以上操作，可以得到一个车牌分类误差最低的阈值，从而得到我们想要的那个 最佳弱分类器。这样经过多次迭代之后，会出现多个最佳弱分类器，这些弱分类器组成 一个强分类器。实际上，每一次的迭代分两类过程，系统都会训练样本并且重新分配权 重，重新分配的原则是降低被正确分类的训练样本的权重，增大被正确分类的训练样本 的权重。然后把得到的那些弱分类器进行加权求和，就可以得到最终的强分类器。 (2)Adaboost训练强分类器的过程: (i)给定一系列的训练样本(x1,y1),(x2, y2),L,(x3, y3),其中 yi = 0表示其为负样本 (非车牌)， yi =1表示其为正样本(车牌)， n为一共训练样本的数量。 = D(i)，对非车牌来说 D(i)= 1，对车牌来说 (ii)初始化权重 ，这里， 2m 2l w(1,i) D(i)= 1 m,l分别是非车牌样本和车牌样本的数量， m +l = n。 (iii)对u = 1,L,U: ?归一化权重: 20 2车牌定位 w(u ,i) n (2.14) q(u,i) = ? j=1w(u, j) ?对所有的特征 f，通过训练得到与之相对应的弱分类器 h(x, f , p,θ)，对它 们 的分类错误率(ε f)进行加权求和: (2.15) ? ε f = iqi h(xi , f , p,θ)? yi ?选取分类错误率最小的弱分类 ( )，其中分类错误率用 εu表示: ε u = min f , p,θ iqi h(xi , f , p,θ)? yi h x ? u (2.16) =?iqi h(xi, fu, pu,θu)? yi 这里hu(x)= h(x, fu, pu ,θu ) 1?ei，用ei = 0 ?根据得到的最佳弱分类器，调整车牌样本的权重:wu+1,i = wu,iβu ε u 描述车牌样本正确分类，ei =1描述车牌样本错误分类， βu = 1?ε u (iv)最后的强分类器为: U U ? ( )? 1 1， α u ? ? ? C(x)= 2 ? u =1 u=1 (2.17) α uhu x ? 0，其它 ? 其中α u = log 1，表示第次迭代产生的车牌分类误差最小的那个弱分类器在最 u β u 终的强分类器中所占的分配权重。 我们在利用这个最终得到的分类器寻找车牌位置时，将检测窗口在图像中截取的子 图像输入到 Adaboost网络，得到最终分类器的输出。当所有最佳分类器的加权投票结 果与最终的那个强分类器的输出阈值相差很小时，我们可以认为该区域可能含有车牌成 分，此时利用不同的检测窗口在原窗口的较小邻域内进一步搜索，看该点是否属于车牌 区域，从而完成车牌的定位。这里需要注意的是，因为我国车牌的长宽比大约为 3.14， 所以为了方便计算，我们可以选取长宽比接近 3:1的检测窗口。 在本文中，根据我国车牌的的纹理特征以及车牌字符的特点，仅利用三种 Haar特 征，即两矩形 Haar特征中的(2,1)条件矩形，三矩形 Harr特征中的(3,1)条件矩形以 21 西安科技大学硕士学位论文 及本文新增的四矩形线性 Haar特征中的(4,1)条件矩形来进行车牌定位。由于减少了 不必要的 Haar特征，仅采用以上三种线性的条件矩形 Haar特征，大大缩短了特征计算 的时间，提高了车牌定位准确率，本文选取 500张车牌样本进行定位测试，部分车牌定 位图像如下所示: 22 2车牌定位 图 2.14部分车牌样本定位图 2.5本章小结 本章的主要工作是介绍了基于颜色特征的定位方法和基于 Adaboost算法的车牌定 位方法，决定采用基于 Adaboost算法的车牌定位方法。与传统的 Adaboost算法不同的 是，本文在定位的过程中，根据我国车牌的结构和纹理特点，对常用的 Haar特征进行 了扩展，最后在 Adaboost算法的基础上，利用新扩展的 Haar特征实现了车牌定位。实 验证明，该方法具有定位准确率高，定位时间短，鲁棒性强的优点。 23 西安科技大学硕士学位论文 3车牌字符分割 字符准确分割是正确识别车牌的前提，如果字符分割不准确，就不可能正确识别车 牌。但是在进行字符分割时会受到各种主观或客观因素的影响，如:车牌图像不清晰、 切割方法不对、定位不准确等等，这些原因都会增大字符分割的难度，分割结果难以达 到我们的期望值。目前，常用的几种字符分割方法主要有:基于先验知识的字符分割方 法、基于垂直投影的分割方法、基于连通区域的字符分割方法、基于聚类分析的字符分 割方法等等，本文采用基于多模板匹配的车牌字符分割方法。在进行车牌图像拍摄时， 图像中的车牌常常存在着这样或那样的问题，所以在进行车牌字符分割之前还要对定位 好的车牌图像进行预处理，如灰度图像二值化、滤波去噪、倾斜矫正等等。 3.1车牌图像预处理 3.1.1车牌图像二值化 灰度图像二值化就是根据灰度图像中不同的点灰度等级不同的特点,把原来的灰 [20] 度图像变为仅用两个灰度值来表示的二值图 。我们在对车辆图像进行灰度化之后，还 要对其进行二值化，车牌二值化就是把车牌区域用两个灰度值表示，用一个灰度值表示 车牌上的字符，一个灰度值表示车牌背景，这样就可以把车牌字符和车牌背景区分开来， 方便我们对车牌字符进行分割。 车牌图像的二值化就是选取一个合适的阈值，灰度值大于该阈值的被认定为字符图 像，标记为 1，灰度值小于该阈值的被认定为车牌背景，标记为 0，如公式(3.1)所示， 其中 f (x, y)表示图像的灰度值，t表示选择的阈值。 1 f (i, j)? t ? (i, j)= f '(3.1) ? 0 f (i, j)< t ? 因此，在对车牌图像进行二值化时，阈值起着至关重要的作用，选择合适的阈值能 够正确区分车牌背景和车牌上的字符。 全局阈值法和局部阈值法是比较常用的两种二值化方法。常用的全局阈值法有大津 [21] (Otsu)法、直方图法、全局迭代法等。全局阈值法 比较适用于目标和背景对比鲜明 并且直方图呈双峰分布的图像,不适用于由光照和噪声等原因造成的直方图分布不对称 的图像。局部阈值法比较适用于不均匀光照的情况，这是因为不均匀光照虽然会改变图 像的灰度分布，但不会改变局部图像的性质，遗憾的是在文字图像中，局部阈值法不能 保障字符笔画的连通性，会笔画断裂的情况发生。本文采用全局阈值法中的大津(Otsu) 24 3车牌字符分割 法对灰度图像进行二值化。 大津(Otsu)法又叫做最大类间方差法，它在 1979年由 Otsu提出，所以又称为 Otsu 二值化方法。这种二值化阈值选取算法比较简单，所以得到广泛的应用。Otsu方法是对 图像像素进行分割归类，其基本思想如下:设图像像素总数为N，灰度区间为[0,L-1], 对应灰度级i的像素数为ni，灰度分布概率 pi为: pi = ni / N, (3.2) i = 0,1,2,L, L ?1 L?1 pi =1 (3.3) ? i=0 选取一个阈值T，把图像中的点按这个阈值划分成两类 C0和C1， C0表示灰 度值在 [0,T]之间的像素集合，C1表示灰度值在[T +1,L ?1]之间的像素集合，对于灰度分布概 率 pi，整幅图像的均值为: L ?1 uT = ipi (3.4) ? i=0 则C0和C1的均值为: T u0 = ipi /ω 0 (3.5) ? i=0 L?1 (3.6) u1 = ? ipi /ω1 i=T +1 其中: T ω 0 = p i (3.7) ? i = 0 L ?1 ω1 = pi = 1? ω 0 (3.8) ? i=T +1 由上面三式可得: (3.9) u T = ω 0u 0 + ω 1u 1 25 西安科技大学硕士学位论文 类间方差定义为: σB2 =ω0(u0 ?uT )2 +ω1(u1 ?uT )2 =ω0(u02 +uT 2)+uT 2(ω0 +ω1)? 2(ω0u0 +ω1u1)uT =ω0u02 +ω1u12 ?uT 2 =ω0u02 +ω1u12 ?(ω0u0 +ω1u1)2 (3.10) =ω0u02(1?ω0)+ω1u12(1?ω1) ?2ω1ω0u0u1 2 =ω1ω0(u0 ?u1) 2 在[0, L ?1]范围内对T进行取值，Otsu法的最佳阈值就是满足方差 最大的那个 σ B T值。二值化后的图片如下: a原始车牌图片 b灰度化车牌图片 c二值化车牌图片 图 3.1车牌二值化处 理 3.1.2倾斜校正 定位好的车牌会存在不同程度的水平和垂直倾斜，这是由拍摄条件、光照条件以及 道路交通环境等因素所造成的。如果在分割之前不对车牌进行相应的倾斜矫正，就不可 能对车牌进行正确分割，倾斜校正的关键在于要找出倾斜角，然后根据倾斜角对车牌进 行旋转，完成车牌的倾斜校正。我国的车牌都是大小统一，长宽比例固定的矩形，拍摄 回来的照片即使发生倾斜，也是在一定的范围内，所以我们可以将车牌区域分解为上下 边框和左右边框，对其进行识别矫正。本文采用 Hough变换法对车牌进行倾斜校正。 Hough变换是在图像全局性的基础上把各个边界像素衔接起来组成区域闭合边界 的变换，它利用点与线之间的对偶性，在一定的曲线变换关系下，将原始图像空间中特 定的曲线转化为参数空间的点，这样就把检测原始图像中给定曲线的问题变为在参数空 [22] 间中寻找峰值的问题 。我们可以将 Hough变换推广为检测直线、椭圆、圆、弧线等等， 对已知区域形状的图形，通过 Hough变换可以将间断边缘的像素点连接起来得到边界曲 线。Hough变换不易受噪声和断裂曲线的影响，检测直线的能力强的优点。 由于 Hough变换不易受噪声和曲线间断的影响，具有很强的检测直线的能力，所以 26 3车牌字符分割 [23] 我们利用它对车牌图像进行倾斜矫正。具体的步骤如下 : (1)确定出汽车牌照的上下车牌边界。我们可以采用边缘检测算子对车牌图像进行 竖直变换，利用变换后的图像直接求出该图在竖直方向的跳变图，接下来对跳变图进行 Hough变换，获得图像中车牌的上下边框。 (2)接着确定车牌上下边界的倾斜度数。这里我们依靠直线的连续性和直线的长度 的特点，得到车牌上下边界的倾斜度数。 (3)最后对车牌图像进行水平方向的矫正。在对车牌水平方向矫正之后，再对车牌 图像的左右边界进行矫正，车牌矫正过程图和结果图如下图所示: 图 3.2车牌矫正图 像 如图所示，在利用 Hough变换进行车牌矫正时，车牌一顺时针旋转了 3.5度，车 牌 二逆时针旋转了 3.4度，所以只需对车牌一的顺时针旋转 3.5度，车牌二逆时针旋转 3.4 度就可完成车牌倾斜矫正，矫正后的车牌如下: 27 西安科技大学硕士学位论文 图 3.3矫正后的车牌图 像 3.1.3图像滤波 在对车牌字符进行分割时，车牌图像由于受到外界多种噪声的影响，所以车牌字符 的灰度值会发生或大或小的变化，降低车牌图像的质量，对字符的分割、后面字符特征 的提取以及图像识别造成极大的影响。所以我们在对车牌进行倾斜矫正之后还要想办法 对车牌图像进行进一步的处理，在保留车牌图像原有的各种特征的同时，又能去除外界 噪声对车牌图像的影响。 图像滤波的作用就是在保证图像细节特征不变的前提下对图像进行消噪处理，它在 [24] 图像预处理中起着很重要的作用，决定着图像处理和分析结果是准确度和可信度 。图 像滤波的方法很多，本文就比较常用的高斯滤波法和中值滤波法做一下简单介绍。 (1)高斯滤波是一种线性平滑滤波，是目前应用比较广泛的滤波器之一。对图像进行 高斯滤波处理就是统计图像中所有点的像素值，我们把某一点的灰度值和它邻域内的其 [25] 他像素点的灰度值加权平均值叫做这一点的像素值 。 (2)中值滤波法是一种能有效消除噪声的非线性信号处理技术。它把某一点特定邻域 窗口内的所有像素点灰度值中处于中间位置的那个值定义为该点的像素值。其步骤就是 从图像中选择一个采样窗口，选取里面奇数个点的灰度值，然后对这些灰度值进行排序， [26] 处于中间位置的那个灰度值就是当前像素点的灰度值 。在图像处理中，中值滤波能有 效去除椒盐噪声，保护图像的边缘信息,是一种有效地去除噪声的方法，它能很好地对 条纹图象进行相位分析，但不适用于条纹中心分析。 噪声产生的原因是各不相同的，同一个滤波器对不同噪声的滤波效果和处理速度也 是不同的，没有绝对好的滤波器，只有相对合适的滤波器，所以在对图像进行滤波处理 时我们要根据具体情况来选择合适的滤波器。本文采用中值滤波的方法对图像进行滤波 处理，处理后的车牌如图: 图 3.4滤波后的车牌图 像 28 3车牌字符分割 3.2车牌字符分割 我国车牌是按照一定的规则分布的单行字符序列，车牌字符的大小和长宽比都有一 定范围，字符之间的间距也不是任意变化的，而是以有限规则生成的。目前比较常见的 字符分割方法有:基于投影特征的字符分割方法、基于最小面积法的字符分割方法、基 于聚类分析的字符分割方法、基于先验知识的字符分割方法、基于模板匹配和垂直投影 相结合的字符分割方法等等。 [27] 垂直投影分割法 是对图片进行二值化后处理后，车牌区域内只有黑色像素和白色 像素，我们可以利用字符区域内白色像素较多，字符间隙区域白色像素很少的特点。对 车牌内的白色像素个数进行垂直方向上的统计，这样得到的就是沿 x轴方向的波浪形状 的曲线，由于字符与字符之间是由一定的间距的，所以我们可以把出现波谷的地方，也 就是白素像素值较少的地方当做是字符的边界，对字符进行分割。垂直投影分割法比较 适用于轻微变形的车牌字符，但是有铆钉、边框和字符粘连的车牌，不能有效进行分割。 模板匹配法是在确定车牌的上下边框之后，从车牌左边往右边对车牌图像进行扫 描，找出满足字符区域与字符间隙区域白色像素差值最大的那个点，就可将字符分割出 来。模板匹配法适用于分割字符粘连及铆钉等噪声干扰的车牌，也能很好地分割左右结 构的汉字，缺点是不能有效分割变形的车牌。 3.3垂直投影与多模板匹配相结合的字符分割方法 本文针对垂直投影分割法和模板匹配法的优缺点，提出了垂直投影与多模板匹配相 结合的字符分割方法来进行车牌字符的分割。这种方法是在对字符进行垂直投影分割的 基础上，再利用字符分布模板对其进行进一步的分割校正。需要指出的是:与以前的字 符模板定义不同，在本文中，我们把每个字符的宽度以及字符与字符之间的宽度定义为 字符序列分布的标准模板，这里说的多模板指得是在原有的字符模板的基础上，对已有 的字符分布模板库进行弹性缩放，这样做的目的是扩大模板库增大匹配率，提高分割效 果。试验证明该方法具有分割准确率高、鲁棒性强的特点。在实际使用的时候，会根据 不同的情况对当前模板各元素进行整体缩放来寻找出字符的最优分割。 该算法的基本思想是通过计算当前图像在模板库中最优字符分割匹配，来获取最终 的分割结果，因此该算法的核心是模板库的建立和匹配测度的方法。模板库可以事先建 立，但通常情况下不可能完全覆盖我们所要切割的全部字符，这就需要我们在进行字符 模板匹配时对已有的模板库进行在线弹性缩放，看二者是否匹配。其中匹配测度是决定 该方法性能的关键，起着至关重要的作用。 29 西安科技大学硕士学位论文 3.3.1最优分割线的定位 在进行分割之前我们需要先对字符模板库进行缩放，这是因为模板库不可能覆盖所 有可能的情况，所以需要对标准模板进行一定的比例缩放，本文选取的缩放比例是0.8 到1.2。 其次，在匹配之前，我们要先判断出字符间隙可能出现的位置，本文在这里给出了 备选分割线的概念，我们把同时满足条件??或仅满足条件?的列作为备选分割线，这 里???分别指的是: ?列灰度均值小于指定的阈值， ?列灰度标准差小于指定的阈值 ?与左右相邻列灰度均值差大于与指定的阈值 这里选取的阈值是车牌上所有投影灰度值均值的 1/3,字符间隙可能出现的位置也 就是备选分割线可能的位置。 这时，我们可以先对字符进行模板匹配得到备选分割线的位置，但是该位置不一定 是该字符间隙的最优分割位置。所以需要按照一定的方法寻找当前字符间隙的最优分割 边界，具体步骤如下: (a)若当前位置是备选分割线，则: (i)若该分割线为字符间隙的左边界。在一定领域内，从初始位置向左寻找最外层 的备选分割线作为当前分割线。 (ii)若该分割线为字符间隙的右边界。在一定领域内，从初始位置向右寻找最外层 的备选分割线作为当前分割线。 (b)若当前位置不是备选分割线，则: (i)在一定领域内，同时向左右两边扩展搜索范围，一旦找到备选分割线则立即跳 出。 (ii)在一定领域内，没有找到备选分割线，则将该领域内具有最小灰度均值的列作 为分割线位置。 在找到最优分割线之后我们就可以对字符进行分割了。 图 3.6红色区域表示备选分割线 30 3车牌字符分割 3.3.2匹配测度 通过上述一系列方法得到字符之后，我们还要进行匹配测度的计算。匹配测度包括 三部分:字符边界匹配分数、字符间隙匹配分数和字符本身匹配分数。其中: 字符边界匹配分数。 降低:若该列的灰度均值大于指定的阈值，减去固定分数，这里我们选取车牌上所 有投影灰度值均值的 1/5作为固定分数。 增大:若该列的灰度均值小于指定的阈值，计算该列各点与左右相邻点的梯度值， 相加并归一化。 字符间隙匹配分数。 降低:若该区域的灰度均值大于指定的阈值，减去该间隙面积的一半。 降低:若该区域某像素灰度值大于 128，且与该区域的灰度均值差大于指定的阈值。 减去该灰度差值。 增大:若该区域某像素灰度值小于 128，且与该区域的灰度均值差小于指定的阈值。 加上该灰度差值。 对后面两项的和归一化作为字符间隙匹配分数。 字符区域内匹配分数。因为字符区域唯一可靠的假设就是不能出现备选分割线，所 以仅仅有惩罚分数。 降低:字符区域本身的匹配分数减去字符区域出现的分割线数目*50。 最后，我们把字符边界匹配分数、字符间隙匹配分数和字符本身匹配分数这三者的 分数相加起来作为总体匹配测度，匹配测度分数越高，说明分割的越好。 垂直投影与多模板匹配相结合分割车牌字符分割图如下所示: 图 3.7垂直投影与多模板相结合分割图 图 3.8字符分割结 果 31 西安科技大学硕士学位论文 本文对采集的近 1000幅车牌图像采用以上三种方法进行了字符分割测试，最终实 验结果如表 3.1: 表 3.1三种不同分割方法准确率对比图 分割方法 分割正确率 垂直投影法 93.56% 94.72% 模板匹配分割法 98.35% 垂直投影与多模板匹配相结合分割法 从实验结果来看，垂直投影与多模板匹配相结合的分割方法最大程度的利用了字符 分布的先验信息，字符的断裂和其它非字符物体的出现都不会影响字符的正确分割，抗 干扰能力强，与单独的垂直投影分割法和模板匹配分割法相比有明显的优势，但是它的 缺点是太依赖于模板库的完备性，如果出现的字符序列与模板库有较大差异，即使很清 晰的字符序列图像也得不到正确的分割并且处理时间也会随着模板库的增加而线性增 长。再者就是如果字符高度在图像竖直方向的比例小于一定的阈值或者是相邻字符上下 边界的波动超过上下边界平均值的话，就没法对车牌进行正确分割。针对这些缺点，我 们可以通过提高预处理阶段的定位精度，改进匹配策略和匹配测度来提高正确分割率， 达到更好的分割效果。 3.4本章小结 本章主要对比较常见的垂直投影分割法和模板匹配字符分割法进行了讨论比较，在 进行分割之前先对车牌图像进行处理，如利用加权平均法对车牌进行灰度化处理，用 Hough变换对车牌进行倾斜矫正，又用中值滤波法对图像进行去噪处理，最后把垂直投 影和模板匹配相结合起来，即利用垂直投影与多模板匹配的分割方法对字符进行分割， 实验证明，该方法不仅对字符分割准确率高，还能很好地处理字符粘连、断裂以及倾斜 的情况。 32 4车牌字符识别 4车牌字符识别 [28] 字符识别准确率的高低是判断车牌识别系统好坏的重要标准之一 ,而车牌识别率 又由多种因素所决定，车牌定位与车牌分割的准确度、字符特征的有效提取，字符识别 方法的选取都是影响车牌识别率的重要因素。 4.1车牌字符特征提取 在对字符进行识别时，字符特征提取是必不可少的过程。通过提取字符特征可以训 练不同的字符分类器从而有效地将字符分开，字符特征提取的好坏对车牌识别率的高低 起着决定性的作用,提取识别能力强的字符特征是车牌识别训练的重点也是难点。这里 说的选择特征实际上就是对字符进行进一步的特征提取，即从切割处理好的车牌字符图 像中提取出最能体现此字符特点的关键特征向量，使得类内模式差异最小化，同时使得 类间模式差异最大，这样就大大缩小了样本数据量，缩短了字符样本训练以及字符识别 的时间。 [29] 用于提取特征的方法很多，基于字符投影归一化 、基于 hog特征、全像素法、基 于 gabor特征等等，当字符之间的相差很小时，利用这些方法有时就不能实现对字符 [30] [31] 的准确识别。还有一些方法，如全像素法 因为需要提取过多的特征维数，这不仅会降 [32] 低识别速度还会影响分类器的分类性能;抗干扰变化能力差的粗网格法 ，在字符发生 倾斜、偏移时会发生对应网格错位的情况，降低字符识别率。为了确保识别准确率和识 别速度，本文采用基于 hog特征的字符提取方法，然后把提取到的有效字符特征输入以 矩阵的形式输入到 RBF神经网络分类器中进行字符分类训练，与其他方法相比，hog特 征具有很多优点， hog特征的提取是在灰度图像的方格单元上进行的，它可以很好地维 持图像发生的几何和光学形变，这对于特征提取是很重要的。 4.1.1 hog特征 方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是在计算机视觉和图 [33] 像处理中用来进行物体检测的特征描述器 。我们可以通过计算图像局部区域的梯度方 向直方图来得到图像的 hog特征，然后采用重叠的局部对比度归一化的方法对图像进行 特征提取，目的是为了提高结果的准确度和精确度。 在一副图像中，描述图像各个局部目标的外观和形状时，利用的是图像的梯度方向 [34] 或边缘的方向密度分布 。在对图像进行 hog特征提取之前，需要我们对字符图像进行 分割，这里把划分得到的小块图像命名为细胞单元，然后再统计每一个细胞单元中各像 素点的梯度方向或边缘的方向直方图，这些直方图一起构成所谓的特征描述器。有时， 33 西安科技大学硕士学位论文 还需要在更大的区间范围内对已经得到的局部直方图进行对比度统一化处理，目的是为 了确保提取的特征的准确度，具体的做法是先计算各直方图在这个区间(block)中的密 度，然后根据这个密度归一化处理该区间中的各个细胞单元。对于光照变化和有阴影的 图片，在进行归一化之后，可以取得更好的效果。 4.1.2车牌字符 hog特征的 计算 在本文中，通过提取车牌字符的hog特征得到有效字符特征进行字符识别网络训练， hog特征提取可以分为以下几个步骤: 第一步:对分割得到的灰度车牌字符进行 Gamma压缩校正。目的是把字符图像颜 色规范化，改变字符图像的对比度，减小局部阴影和光照变化对图像的影响，也可以消 除图像中的噪音在提取特征时的影响。字符图片进行 Gamma压缩的公式是: I(x, y) = (x, y)gamma (4.1) 这里，我们可以取 Gamma=1/2 第二步:计算字符图像在水平方向和垂直方向的梯度，按照这个方法计算出图像中 所有像素点的方向梯度值。这样不仅可以得到字符图像的纹理特征，还可以减小光照对 字符识别的影响，图像中各个像素点(x, y)的梯度方向值计算公式如下: Gx(x, y)= H(x +1, y)? H(x ?1, y) (4.2) G y(x, y)= H(x, y +1)? H(x, y ?1) (4.3) 这里Gx(x, y)、Gy(x, y)、 H(x, y)代表的是图像中点(x, y)处的x轴方向梯度、y轴方向 梯度以及该点的像素值。在像素点(x, y)，该点的梯度幅值为: Gy(x, y) ? ? G(x, y)= Gx(x, y)2 + Gy(x, y)2，梯度方向α(x, y)= tan ?1 ? ? ? ? Gx(x, y) ? ? 第三步:求所有细胞单元(连通区域)的梯度方向直方图。我们可以把分割好的 单个车牌字符图像分割成若干个单元格细胞，每个细胞是 6*6像素，再用 9个 bin的直 [35] 方图来计算出每个细胞像素的梯度信息 ，这样就把每个单元格细胞的梯度方向分割成 九个部分，如下图所示。如果单元格中一个像素的梯度方向是 20-40度，那么就对直方 图的第二个 bin的数值加 1，然后再在梯度方向上对单元格细胞内的每一个像素在直方 图中进行加权投影，就可以得到这个单元格细胞的梯度方向直方图，这里的每个单元格 细胞都是九维特征向量。 34 4车牌字符识别 Y Z 3块 o o 20 ? 40 ,Z 2块 1块 ZZ 9块 Z1块 X Z 9块 200 ? 220 ,Z 2块 o o 图 4.1梯度直方 图 第四步:图像梯度强度归一化。字符梯度强度的变化范围很大，容易受字符图像 局部光照变化、背景与前景对比度变化的影响，需要进行进一步的处理。我们可以把之 前分割的细胞单元组合成大的连通区间，把这个连通区间内所有细胞的特征向量组合起 来就可以得到这个连通区间的 hog特征，这里有些连通区间是相互交叠在一起的，也就 是说每一个细胞单元格的特征都会以不同的形式重复出现在最后的特征向量中。 第五部:搜集整理检测窗口中所有重叠的连通区间中的 hog特征，把这些提取到的 字符的有效 hog特征组合成最终的特征向量并输入到事先选好的 RBF神经网络分类器 中进行字符识别训练。 4.2车牌字符识别方法 车牌字符识别是整个车牌识别系统的重点也是难点。目前比较常用的字符识别方法 主要有基于模板匹配和基于人工神经网络的车牌字符识别方法。 模板匹配算法是先对分割后的车牌字符进行大小规范化处理,处理后的字符尺寸应 和标准的字符模板相一致，通过对比实际图像和模板图像的相似度，选择相似度最高的 [36] 那个模板作为识别结果 。与其他方法相比，模板匹配法匹配过程简单而且识别准确率 高，缺点是模板匹配容易忽略字符的细节信息，不能正确识别特征相差不大的字符。在 实际拍摄车牌时，拍摄角度、车牌结垢程度、光线等都会影响图片质量，这将使二值化 后的字符会出现变形、粘连、细节不清楚的情况，这些因素不但会降低模板匹配的识别 率还会影响识别的速度。 人工神经网络(artificial neural network)，也被为神经网络(neural network)，是一 [37] 种通过模仿生物神经网络行为的特征进行信息处理计算的数学模型 。它是通过人工神 35 西安科技大学硕士学位论文 经元之间的联结发挥作用的，很多情况下都可以利用外界信息来改变自身结构，具有很 强的自主学习和自适应能力。神经网络常用建模的方式来刻画输入和输出间的复杂关系 或者探索研究数据的模式，是目前比较常用的用来统计非线性数据的常用工具之一。神 经网络的拥有很强的自主学习能力，比如在进行图像识别分类时，我们只需要把处理好 的图像样本输入到训练好的神经网络，神经网络会用自己的学习功能，进行图像识别以 及分类。此外神经网络的自主学习功能在预测方面也有很重大的作用，它可以有效地对 市场经济，企业效益进行预测，应用范围广泛。除此之外，神经网络还具有反馈功能， 在实际生活中，我们对一个复杂问题进行最优解处理时，会需要很大的计算量，这时我 们就可以利用神经网络的反馈功能，通过计算机计算，找到该问题的最优解。 4.3 BP神经网络和 RBF神经 网络 [38] 神经网络有很多种，最常见的是 BP神经网络、Hopfield神经网络 、概率神经网 [39] 络、RBF(径向基函数)神经网络、SOM神经网络、Elman神经网络 、小波神经网络 [40] 和 LVQ神经网络等。但是目前应用于车牌识别的主要是BP神经网络、RBF神经网络 和小波神经网络。 BP神经网络和 RBF神经网络在许多地方都是相似的，它们都是非线性的多层前馈 网络，二者都是逼近器，可以逼近任意连续的、非线性函数。任意一个 BP神经网络， 总可以找到一个 RBF神经网络替代它，同样，对于任意一个 RBF神经网络，也总会有 一个 BP神经网络与之相对应，但是二者也有许多不同之处。 4.3.1 BP神经网络 BP神经网络是一种多层前馈神经网络，该网络具有输入信息向前传播，结果误差 反向传播的特性。由输入层输入的输入信号在前向传播时，先经过输入层与隐含层的处 理，再由输出层输出，这是一个信息前向传播的过程，但是当网络输出值与期望值之间 的误差大于我们的预设值时[41]，就会发生信号反向传播。BP神经网络是一个典型的全 局逼近网络，在训练的过程中，每一层的神经元只影响下一层神经元的输出，对于网络 内的每一对输入参数和输出数据，网络都会根据运行结果进行参数的自我调整，如果最 后输出不是我们想要的结果，就会根据实际输出与期望输出之间的差值重新调整网络的 权值和阈值，如此循环下去，输出结果不断逼近期望输出。BP神经网络的拓扑结构如 图所示: 36 4车牌字符识别 X1 wij wik Y1 X2 M M M Xn Ym 输入层 隐含层 输出层 图 4.2 BP神经网络拓补结构图 其中， X1, X 2 ,...X n表示 BP神经网络的输入，Y1,Y2 ,...Ym是 BP神经网络的输 出，ωij 和ω jk是 BP神经网络的权值。BP神经网络中的输入和输出其实就是函数映射关系，网 络中的输入值对应函数中的自变量，输出值对应函数中的因变量。 BP神经网络算法是比较常见的神经网络模型算法，它被广泛应用于函数逼近、模 式识别和数据压缩等领域。在利用 BP神经网络进行函数逼近时，计算网络权值和阈值 [42] 通常采用的都是负梯度下降法 ，但是这种调节方法有它的不足之处，需要不断反复的 训练调整神经元的权值才能达到满意的结果，可能会出现收敛速度慢而且容易陷入局部 [43] 极小值问题 。再者就是什么样的神经网络结构比较合适没有固定的参考标准，很多情 况下只能依靠我们的经验，网络结构太大或过小都会影响网络的性能，太大时会出现过 拟合现象，降低网络的容错率，过小时会出现网络不收敛的情况，这些都是在 RBF神 经网络中不会出现的问题。使用 BP神经网络进行识别时，首先要进行网络训练，BP神 经网络的基本训练过程如图 4.3所示: 37 西安科技大学硕士学位论文 开始 网络初始化，赋初值、阈值、势求输入层单元偏差 态 因子、学因子 满足偏差否 Y 输入学习样本以及序结束训练 号 N 求隐单元输出 调整隐层到输出层权 值 求输出层单元输出 调整输入层到隐层连接权 值 图 4.3 BP神经网络流程 图 4.3.2 RBF神经网络 在八十年代末，J.Moody和 C.Darken提出了 RBF神经网络，它是一种三层 前向神 [44-46] 经网络，分别是输入层、隐含层和输出层 。其中输入层由信号源节点组成，输出层 则主要是为了回应输入模式，隐含层由不定数目的隐单元组成的，解决的问题不同，隐 单元的数目也就不同。在 RBF神经网络中，输入层到隐含层之间的变化是非线性的， [47] 隐含层到输出层之间的变换是线性的 ，这样在提高学习速度的同时也可以避免局部极 小值的问题，这些都是 BP神经网络没有的优点。 与 BP神经网络不同，在 RBF神经网络中，对于输入的每一个训练样本，在训 练的 [48] 过程中只需要修正很小一部分神经元的权值和阈值 ，就可以得到我们想要的结果，就 是说，在该网络自身具有很好的泛化能力，并不是所有的神经元都对网络输出有作用。 在 RBF神经网络中，任务与任务之间是并行的关系相互影响是很小的，这是因为输入 层与输出层之间的函数关系只与网络隐含层和输出层之间的权值有关。RBF神经网络结 构图如下所示: 38 4车牌字符识别 φ1( x ? c1 ) b1 c1 ω ? R h× m x1 1 y? M c2 M x2 y m ? M M xn ch bm φ h ( x ? ch ) 图 4.4 RBF神经网络拓扑结构 其中，x =(x1,x2 ,...xn)表示输入向量，h为隐节点个数，ci表示第i个隐节点基函数 基函数的中心， x ? ci为输入向量到第 i隐节点中心的欧氏距离，( ) φi 是第 i个隐 x ? ci 节点的激活函数，ω ?Rh×m是输出权值，b1,b2 ,...bm为输出偏移， y =(y1, y2,...ym )是输出 向量，?表示输出层神经元。在 RBF神经网络中，基函数中心选择不同，RBF的学 习方法也会不同。本文在进行 RBF神经网络训练时，采用 K-means也就是自组织选取中心的学习方 法，该学习方法可以分为两个过程，第一个过程是无导师学习过程，作用是计算隐含层 基函数的中心与方差，这是神经网络自主学习的过程;第二个过程是有导师学习阶段， 目的是求隐含层到输出层的权值。 [49] 在 RBF神经网络的学习中，高斯函数经常被作为隐单元的径向基函数，在这种 情况下，RBF神经网络的激活函数可表示如下: 1 R(x p ? ci ) = exp??? ? (4.4) 2 ? 2σ 2 x p ? ci ? ? 这里，ci表示高斯函数的中心，σ表示高斯函数的方差， x p ? ci表示欧式范数，由此 RBF神经网络的输出为: h 2 1 ij exp??? w? y x j = p ? ci ? j =1,2...,n (4.5) ? ? 2σ 2 ? i=1 39 西安科技大学硕士学位论文 ,.x2 ,L, xn ) 在式(4-2)中， x p = (x1 表示第 p个输入样本; p =1,2,L,P， P为 p p p 样本总数;ci表示隐含层结点的中心;ωi j是隐含层到输出层的权值;i =1,2,L,h表示 T 隐含层结点数; y j表示与输入样本对应的第 j个输出点 输出。 我们用d表示期望的样本输出，则基函数的方差为: 2 m σ = 1 d j ? y jci (4.6) ? P j 学习算法步骤如下: [50] 第一步:基于 K-均值聚类方法求基函数的中心 c。 (1)对网络进行初始化处理:随机选取 h个训练样本作为K-均值聚类中心 ci (i = 1,2,L,h)。 (2)按最近邻原则对输入的样本分组:根据 x p到聚类中心 ci之间的欧式距离，把 x p分 组到训练样本的聚类集合ϑP (p =1,2,L, P)中。 (3)对聚类中心进行重新调整:统计所有聚类集合ϑP中训练样本的平均值，得到新 的聚类中心ci，若该聚类中心ci保持不变，则所得到的ci就是 RBF神中心，否则返回(2)进行下一轮的基函数中心计算。 经网络的基函数 第二步:计算方差σ i。这里，我们选择以高斯函数作为 RBF神经网络的基函数， 方差σ i求解: σ i = c max (4.7) 2h i = 1,2,L,h 其中，cmax表示所有被选择的聚类中心ci之间的最大长度。 第三步:我们用最小二乘法计算隐含层神经元到输出层神经元的权值，公式如下: 2 ? h ? ω = exp? (4.8) xp ? ci ? i = 1,2,L,h ; p = 1,2,L, ? 2 ? c ? ? max P 事实上，在学习 RBF神经网络时，隐节点基函数中心、高斯函数的方差以及输出 [51] 层到隐含层的权值 这三个参数对网络的性能起着非常重要的作用。由于个人能力有 限，本文主要研究隐层到输出层的权值在神经网络中所起的作用。RBF神经网络一般是 通过迭代训练的方法得到隐含层到输出层的权值的，但是迭代次数越多网络训练时间也 就越长，网络性能也就越不稳定。所以本文利用遗传算法优化 RBF神经网络的权值， 目的是使函数具有更好的非线性函数逼近能力，保证网络的稳定性，提高车牌正确识别 40 4车牌字符识别 率。 4.4遗传算法 遗传算法(Genetic Algorithm)通过模仿生物进化过程寻找问题的最佳解决方案的 [52] 一种算法，它是在达尔文生物进化论以及遗传学生物进化论的基础上建立起来的 。遗 传算法可以解决很多传统数学不能解决或解决效果不是特别理想的复杂的优化问题，在 遗传算法中，问题的每一个可能解决方案都被编码成向量的形式，称为一个染色体，向 [53] 量中的每一个元素叫做基因，全部染色体组成一个群体 。遗传算法依据生物“优胜略 汰，适者生存”的进化原则，结合遗传学中的选择、交叉和变异对个体进行选择。在选 择的过程中，环境适应性强、有利变异的个体容易被保留，环境适应性差、不利变异的 个体就会被淘汰，这样，新产生的生物群体不仅可以继承上一代的遗传信息甚至还会优 于上一代，如此进行下去直至达到我们设定的优化指标。在遗传算法中，以二进制法编 码的染色体为例，基本操作过程可以分为以下三个方面: (1)选择操作 选择操作是指按照特定的概率从旧的生物群体中选择一定数量的生物个体生成新 的生物群体，生物个体被选中的机会是由自身的适应度所决定的，生物个体的适应度越 高，选中它的机会就越大。 (2)交叉操作 交叉操作是指对于生物群体中的两个个体进行染色体的重组的过程，产生优秀的适 应度强的新个体。在交叉的过程中，对种群中的两个个体随机选择一点或多点染色体进 行基因的重组，产生新的适应度强的个体，目前最常用的是基因交叉的方法是单点交叉 法，交叉操作所示所示: 交叉 A:1100:01011111 A:1100:01010000 B:1111:01010000 B:1111:01011111 (3)变异操作 变异操作是对旧的生物种群中那些生命力比较强的个体位串进行变异从而产生新 [54] 的生物种群的过程 。变异的目的有两个，一是为了增强遗传算法的局部随机搜索能力， 二是维持生物群落的多样性。变异操作如下所示: 变异 A:1100 0101 1111 A:1100 0101 1101 遗传算法比较适用于解决复杂问题，遗传算法对于待寻优的函数基本无限制，不需要其 它额外的知识，只要有目标函数和对应的适应度函数即可，具有很强的鲁棒性，在很多 41 西安科技大学硕士学位论文 领域都得到了广泛的应用。 4.4.1遗传算法的优点 遗传算法相比于其他传统的优化算法，具有以下几个的优点: (1)遗传算法在求问题的最优解时，是对问题的全部解进行搜索寻找问题的最优化 解，目的是从全部解中寻找全局最优解。 (2)遗传算法中的计算是可以同步进行的，因此在遗传算法中，我们可以通过同步计 算来提高算法的速度。 (3)遗传算法在求问题的最优解时，对函数本身连续性和可微性没什么要求，既可以 是显函数也可以是隐函数。 (4)遗传算法寻找最优解时，所依据的原则是由概率决定的，是不固定的。 (5)遗传算法算法过程简单，鲁棒性强，适合寻找大规模复杂问题的最优解。 4.4.2遗传算法优化 RBF神经 网络 用遗传算法优化 RBF神经网络初始权值的目的是改善网络的性能，提高网络的非 线性函数逼近能力，使 RBF神经网络更好的对车牌字符进行识别。遗传算法优化 RBF [55] 神经网络的基本五要素是:种群初始化、适应度函数、选择操作、交叉操作和变异操作 。 (1)种群初始化 这里我们采用实数编码法进行权值的编码，每个个体即隐含层到输出层的每一个权 值都是实数字符串。 (2)适应度函数 这个要求我们首先要知道 RBF神经网络的初始权值，然后利用训练样本对 RBF 神 经网络进行网络训练，并估计预测网络输出。求出预测的网络输出和期望的网络输出之 F 间的误差，个体的适应度就是二者所有误差绝对值之和[55]，即: n ? ? F = k? abs(yi ? oi)? (4.9) ? ? ? i=1 其中，n为网络输出层的个数， yi为预期的 RBF神经网络第i个节点的输出，oi是预测 的第i个节点的输出， k是比例系数 (3)选择操作 [56] 遗传算法常用的选择算子有:轮盘赌选择法、适应度比例方法、局部选择法等 。 本文利用个体的选择机会与其适应度值成比例的关系，选择轮盘赌法进行选择操作，用 pi表示权值个体i被选中的概率: 42 4车牌字符识别 k f i = F (4.10) i f i (4.11) pi = f i f j ? j=1 其中， k是比例系数、 N是种群总数、 Fi是第 i个权值个体的适应度值，权值个体 被选择的机会是与其适应度值是成正比例关系的。 (4)交叉操作 因为本文是采用实数编码的方法对每一个权值进行编码，因此采用实数交叉法对 个体进行交叉操作，第k个染色体ak和第 l个染色体al在 j位置的 交叉方法如下: akj = akj(1?b)+ aljb (4.12) alj = alj(1?b)+ akjb 其中b?[0,1]。 (5)变异操作 这里我们以第 i个个体的第i个基因aij变异为例，变异操作方法如下: aij ?amax a + ( ) ? ? ij aij = ? (4.13) ? f(g),r >0.5 a + ( ? ij ? amin ?aij 其中amax表示基因 aij的上界， amin表示基因aij的下界， g是网络目前迭代次数， ) 2 ? ? f (g)= r 1? g ，r2为任意常数，Gmax为最大进化次数，r是[0,1]内任意一常数。 ? 2 ? Gmax ? f(g),r ?0.5 ? ? 遗传算法优化 RBF神经网络可用以下流程图表示: 43 西安科技大学硕士学位论文 输入数据 GA对初始值编码 确定网络拓扑结构 数据预处理 RBF神经网络训练得到的 对 RBF神经网络的 权 误差值作为适应度值 值进行初始化 选择操作 获得最优权值 交叉操作 计算误差 变异操作 更新权值 计算适应度值 N 满足结束条 满足结束条件 Y 仿真训练，得到结果 满足结束条 图 4.5遗传算法优化 RBF神 经网络流程图 4.4.3字符识别训练 在用遗传算法优化 RBF神经网络时，要对遗传算法和 RBF神经网络的各项参数 进 行设置，其中在遗传算法中我们设定，种群规模是 1000，迭代进化次数是 100，交叉概 率是 0.6，变异概率是 0.5。 在 RBF神经网络中，指令格式[net,tr]=newrb(P,T,GOAL,SPREAD.MN.DF),其中，P 代表输入向量，T代表目标输出向量，GOAL是均方误差目标值，设置为 0.001，SPREAD 是径向基函数的分布系数，默认为 1，MN为隐层神经元的最大数目，DF是两次显示之 间增加的神经元数目，设置为 25。 本文采取 1000个字符样本进行网络训练，在训练之前先对字符进行特征提取，然 后把提取出的字符特征向量分别输入到 BP神经网络、未优化的 RBF神经网络和优化后 的 RBF神经网络进行网络训练，目的是为了使实验结果具有可比性。最后三种网络的 44 4车牌字符识别 训练结构图和训练误差图如下: 图 4.6 BP神经网络训练图 4.7 BP神经网络训练误差图 图 图 4.8未优化的 RBF神经网络训图 4.9优化后的 RBF神经网络训练练误差图 误差图 在训练好网络之后，就要对进行字符识别了，为了保证实验结果的真实性和有效性， 本文选取 500个字符样本(120个汉字，180个字母，200个数字)对 BP神经网络、RBF 神经网络以及优化后的 RBF神经网络仿真测试。在 BP神经网络中，一共有五种字符汉 字川、英文字母 B、L以及数字 1和 0识别错误，在 RBF神经网络中有三种字符汉字川， 字母 B和数字 1识别错误，在 GARBF神经网络中有两种字符川和 B识别错误。三种网 络的识别准确率如下表所示: 45 西安科技大学硕士学位论文 表 4.1 BP神经网络、RBF神经网络、GARBF神经网络识别识别结果 神经网络 准确识别汉字数 准确识别字母数 准确识别数字数 准确识别字符率 BP 94.6% 113 174 186 115 175 189 RBF 95.8% 118 178 195 GARBF 98.2% 图 4.10 GARBF识别结果图 实验结果表明，在实验条件以及其他情况都相同的情况下，RBF神经网络的字符识 别率要比 BP神经网络高，这与 RBF自身的网络结构有关，它具有全局寻优的特性。在 利用遗传算法对 RBF网络的权值进行优化后，网络的识别率更高，这是因为优化权值 的过程其实就是提高网络的非线性逼近能力，提高网络鲁棒性的过程。 4.5本章小结 本章在介绍了几种常用的字符识别方法之后，对人工神经网络中的 BP神经网络和 RBF神经网络做了详细的阐述，最后决定用 RBF神经网络进行车牌字符识别。为了保 证网络的稳定性和识别的准确率，采用遗传算法优化 RBF神经网络的权值，作用是为 了提高网络的非线性逼近能力，从而提高网络的性能。在进行识别时，先对字符进行特 征提取，目的是可以提取有效信息，然后引入 BP神经网络、RBF神经网络与优化后的 RBF神经网络进行对比训练，得出识别结果。实验结果表明， RBF神经网络与 BP神 经网络相比具有训练时间短的优点，这与 RBF神经网络的网络结构是分不开的，而优 化后的 RBF神经网络与二者相比有更明显的优势，不仅识别速度快，识别准确率也更 高。 46 5结论与展望 5结论与展望 5.1总结 本文主要研究了车牌识别系统，车牌识别系统主要包括三个部分:车牌定位、字 符分割以及字符识别。其中车牌准确定位是正确分割车牌字符的前提，而正确分割车牌 字符又是准确车牌识别的基础。本文主要做了以下工作: 1.在车牌定位方面:对基于彩色图像车牌定位方法和基于灰度图像的车牌定位方法 进行了对比分析，考虑到彩色图像容易受光照影响，且定位时间较长的缺点，最终本文 采用基于 Adaboost算法的车牌定位方法。在利用 Adaboost算法进行定位的过程中根据 我国车牌的特点和纹理特征，对常用的 Haar特征进行了扩展，定义了一种新的四矩形 Haar特征。实验证明，该方法无论是与基于颜色特征的定位方法相比或者是与传统的基 于 Adaboost算法的定位方法相比，定位准确率和定位速度都有了很大的提高。 2.在字符分割方面:在用 OTSU法对定位后的车牌进行二值化处理后，利用 Hough 变换对车牌进行倾斜矫正、中值滤波对图像进行去噪处理。然后针对垂直投影分割法和 模板匹配分割法的优缺点，提出了多模板匹配的字符分割方法，并把它和垂直投影结合 在一起，最终采用一种新的垂直投影与多模板匹配相结合的方法对字符进行分割。 3.在字符识别方面:先对分割好的字符进行 hog特征提取，然后对常用的车牌识别 方法作了简单介绍，对比分析了 BP神经网络和 RBF神经网络的优点和缺点，最终采用 最后利用 MATLAB进行了模拟仿真实验，实验证明，优化后的神经网络的稳定性 和识别率都有了很大的提高。径向基函数神经网络进行车牌字符的识别。在识别之前利用遗传算法对 RBF神经网络 的权值进行了优化，目的为了保证识别准确率和识别效果。 5.2展望 车牌识别是实现交通智能化的核心技术之一，在智能交通系统领域有着重要的应用 价值。因为车牌识别系统主要有三部分组成，每一部分涉及的和需要处理事情都很多， 还有很多问题需要我们进一步的探索和研究。 1.鉴于本人能力有限，本文只研究了背景简单的蓝底白字的单车牌字符识别，这远 远不能满足我国目前所面临的交通车牌识别问题，应对其它各种复杂环境下的车牌识别 进行更多的研究 2.字符特征其实在车牌识别系统中也有着很关键的作用，提取的字符特征越准确、 特征性越强，训练出的神经网络的识别准确率就越高，所以我们有必要尝试着研究新的 47 西安科技大学硕士学位论文 特征提取的方法。 3.本文用遗传算法对径向基函数神经网络的权值进行了优化改进，其实我们还可以 通过优化 RBF神经网络的隐层节点中心值、方差以及扩展常数，以建立稳定性更强， 识别率更高的神经网络。 48 致谢 致谢 本文是在导师丁正生教授的悉心指导下完成的，本论文从选题、资料收集、到最 后的撰写定稿都离不开丁老师的帮助和指导。在研究生期间，在生活上，丁老师给了我 无微不至的帮助和关怀，在学习上，老师对我要求严格，尽可能地为我创造学习和科研 条件，帮助我顺利完成学业。丁老师学识深厚、师德高尚、待人和蔼，严谨的治学态度 以及忘我的奉献精神是我终生学习的榜样和目标，我谨向丁老师致以最崇高的敬意和衷 心的感谢。 在论文的撰写过程中除了丁老师对我的帮助和指导外，还要感谢乔宝明教授、马继 丰教授、周斌教授、以及金浩教授，感谢他们对我帮助和关心。 感谢王飞、张雷雷、王少博、余聪、沈春章，感谢他们在学习上和生活上给我的帮 助和支持。感谢我亲爱的 602舍友骆昕、张思、赵莎和胡俊梅，是你们的陪伴让我度过 了快乐的三年研究生生活，感谢你们对我无微不至的照顾和关心。 感谢我的父母，感谢父母对我的养育之恩，你们对我那毫不保留的爱和支持是我努 力的动力和源泉。 最后，还要感谢参加论文评审工作的各位专家和教授，谢谢你们在百忙之中对我的 论文的评审，向你们表示最诚挚的谢意～ 49 西安科技大学硕士学位论文 参考文献 李峰.智能交通系统在国外的发展趋势.国外公路[J].1999,10:l-5. [1] [2] Chang SI,Chen LS, Chen SW.Automatic license plate recognition [J].IEEE Transactions on intelligent transportation systems.2004,5(1):42-53. 卢兵.基于VC++平台车牌定位系统的设计与实现[D].重庆:西南科技大学,2008. [3] [4] 杨俊,戚飞虎.一种基于形状和纹理特征的车牌定位方法[J].计算机工程，2006(1). [5] 吴炜,杨晓等.一种边缘检测与扫描线相结合的车牌定位算法[J].电子技术应 用,2005(2):43-46. 鲍虎,张海丹等.基于改进 Sobel算子的边缘检测车牌定位方法[J].海军航空工程 [6] 学院学报,2010,20(5):585-587. [7] 盛曦,吴炜等.一种基于 Adaboost的车牌定位算法[J].四川大学学 报,2007,44(3):535-539. [8] 潘中杰,谭洪舟.模板匹配和垂直投影相结合的一种新的车牌字符分割方法[J].自 动化与信息工程,2007,22(2):12-14. [9] 邓红耀,管庶安.投影与模板匹配相结合分割车牌字符[J].计算机工程与设 计,2008,29(6):1567-1570. [10]王瑜.基于PCA和网格特征的车牌识别算法研究[D].西安:西安电子科技大 学,2013. [11]梁宏斌,严正俊.基于支持向量机的模式识别方法[J].现代电子技 术,2007,16(2):193-194. [12]黄承清.基于神经网络的字符识别算法研究[D].北京:北京化工大学,2010. [13]程奇耒,佘堃.基于汉字空隙及笔画特征的神经网络分离器在车牌识别中的研究 [J].计算机科学,2009,36(8A):62-67. [14]王良红,王锦玲等.改进的 Hough变化在校正汽车牌照倾斜中的应用[J]. 信息与电 子工程,2004,2(1):45-48. [15]沈勇武,章专.基于特征颜色边缘检测的车牌定位方法[J].仪器仪表学 报,2008,29(12):2673-2677. [16]姚敏.数字图像处理[M].北京:机械工业出版社,2006,1. [17]张全法,杨海彬.彩色图像的快速高保真灰度化方法研究[J].郑州大学学 报,2011,43(3):66-69. [18]兰胜坤.基于 Adaboost算法的人脸检测分类器的设计与实现[J].电脑知识与技 术,2010,6(31):8828-8830. 50 参考文献 [19]唐渝.人脸实时检测技术研究与实现[D].重庆:重庆大学,2012. [20]章毓晋.图像工程(上册)图像处理(第三版)[M].北京:清华大学出版 社,2012,2,277-285. [21]陈冬岚,刘京南.几种图像分割阈值选取方法的比较与研究[J].电气技术与自动 化,2003(2):77-80. [22]杨全银.基于 Hough变换的图像形状特征检测[D].山东:山东大学,2009. [23]薛倩.汽车牌照识别技术研究[D].西安:长安大学,2009. [24]田岩,彭复员.数字图像处理与分析[M].武汉:华中科技大学出版 社,2009,6,213-217. [25]肖秀春,彭群生等.基于次序统计量像素灰度相似度的图像双边滤波[J].计算机辅 助设计与图形学学报,2011,23(7):1232-1237. [26]高浩军,杜宇人.中值滤波在图像处理中的应用[J].电子工程师,2004,30(8):35-36. [27] YuntaoCui, Qian Huang. Automatic license extraction from moving vehicles. IEEE Transaction on Pattern Analysis and Machine Intelligence,7(4):126-130,1997. [28]陆烨.智能交通系统中车辆识别技术的研究与应用[D].西安:西安科技大学,2010. [29]周治紧.基于投影归一化的字符特征提取方法[J].计算机工程,2006,32(2):197-199. [30]丁晓青.基于 Gabor滤波器组的字符识别技术[P].中国专 利:02117865.8,2002-05-24. [31]何兆成.余锡伟等.字符多特征提取方法及其在车牌识别中的应用[J].计算机工程 与应用,2011,47(23):228-231. [32]张司兴.车牌识别算法研究及系统设计[D].南京:南京理工大学,2010. [33]尚俊.基于HOG特征的目标识别算法研究[D].武汉:华中科技大学,2012. [34]蔡念,张国宏等.基于形状和纹理的外观设计专利图像检索方法[J].山东大学学 报,2011,41(2):1-4. [35]程广涛,陈雪.基于 HOG特征的行人视觉检测方法[J].传感器与微系 统,2011,30(7):68-74. [36]王兴玲.最大类间方差车牌字符分割的模板匹配算法[J].计算机工 程,2006,32(19):193-195. [37]高晶晶.基于人工神经网络的高速公路工程造价快速估算应用研究[D].山东:山东 建筑大学,2013. [38]何聪,孙松.基于 Hopfieid神经网络的字符识别[J].黄石理工学院学 报,2011,27(3):13-16. [39]史峰,王小川.MATLAB神经网络 30个案例分析[M].北京:北京航空航天大学出 版社,2010,4. 51 西安科技大学硕士学位论文 [40]周喜寿.基于小波分析和神经网络的车牌识别算法的研究[D].成都:西南交通大 学,2010. [41]杨国良.张肖宁等.利用BP神经网络反算土基回弹模量研究[J].中南公路工 程,2007,32(1):44-50. [42]徐富强,郑婷婷等.基于广义回归神经网络(GRNN)的函数逼近[J].巢湖学院学 报,2010,12(6):11-16. [43]马祥森.基于神经网络的结构破损诊断[D].南京:南京航空航天大学,2004. [44]赵光辉.几种非线性控制算法的比较及过程控制实验测试[D].北京:中国石油大 学,2010. [45] Haykin S. Neural Networks: A comprehensive Foundation[M].北京:清华大学出版 社,2001. [46] Platt J.A resource allocating network for function interpolation[J].Neural Computation,1991,3(2):213-225. [47]曹云忠.基于 RBF神经网络的人形目标检测[D].四川:西华大学,2005. [48] Zheng D N, Zhao Y N, Wang J X. An Efficient Method of License Plate Location[J].Pattern Recognition Letters. 2005, 26(5): 2431-2438. [49]崔玉理.基于神经网络的污水处理过程建模及仿真的研究[D].山东:山东科技大 学,2006. [50]刘巍.金融网络流量分析与预测[D].南京:东南大学,2009. [51]崔海清.基于 PSO算法的神经网络优化研究及应用[D].山东:山东师范大学,2010. [52]吴小峰,成孝俊.遗传算法概述[J].福建电脑,2010,26(2):26-27. [53]方江晓.短期风速和风电功率预测模型的研究[D].北京:北京交通大学,2011. [54]任富强,段锁林.基于自适应遗传算法的同名点匹配研究[J].常州大学学 报,2010,22(2):53-57. [55]石磊.遗传算法优化的 BP神经网络在股市预测中的应用[D].安徽:安徽大 学,2011. [56]段莹,潘昊.遗传算法的形式语言表示[J].计算机与数字工程,2009,37(9):176-179. [57]中华人民共和国公共安全行业标准.中华人民共和国机动车牌号[S].GA36-92,北 京:中国标准出版社:1992. [58] Funt B V, Finlayson G D. Color Constant Color Indexing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1995,17(5):728-736. [59] Zheng D, Zhao Y, Wang J. An efficient method of license plate location[J].Pattern Recognition Letters, 2005,26(2):2431-2438. [60] Shyang-Lin Chang,Li-Shien Chen,Yun- Chung. Automatic License Plate 52 参考文献 Recognition[J].IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS ,2004,5(1):42-51. [61]张树波,赖剑煌.车牌定位和分割的一种综合方法[J].中山大学学报(自然科学 版),2004,43(2):126-132 . [62]秦荣芝.遗传算法和蚁群算法在多序列对比中的应用研究[D].广州:中山大 学,2010. 53 基于径向基函数神经网络的车牌识别技术研究 作者: 学位授予单位: 引用本文格式:石志享 2014