基于BP神经网络车牌识别系统的研究

2021-11-22苏康友

物联网技术 2021年11期

苏康友

（广东白云学院电气与信息工程学院，广东广州 510450）

0 引言

随着经济的快速发展，汽车拥有量不断上升，导致了交通堵塞、城市停车紧张、交通事故等问题不断发生。因此，国内外相继提出了适应运输要求的智能交通系统（Intelligent Traffic System, 简称ITS），其中汽车车牌识别系统是智能交通系统的核心，它的发展决定了智能交通系统的广泛应用[1]。车牌识别大致分三个阶段：第一阶段为图片处理阶段，80年代，首次提出车牌识别的理念，采用传统的摄像机拍下车牌，人工对图片加工处理和分类，并没有一个智能的系统；第二阶段为传统模式识别阶段，90年代，Johnson等采用CV和图像处理技术识别车牌，摆脱了人工识别车牌的过程[2]；第三阶段为人工神经网络技术发展阶段，1980年，Fukushima提出了神经认知机（neocognitron）。神经网络在图像分类[3-4]、图像特征提取[5-6]、图像分割[7]、图像融合[8]、目标识别与追踪[9-10]方面得到了很大的运用，因此车牌识别系统也应运而生。

90年代开始，我国引入国外的算法中对ITS技术进行研究，但是国外不少算法被应用于我国的车牌识别时存在识别率低的问题。因为我国的车牌具有特殊性，包含了汉字、字母、数字，其中汉字识别是个技术难题，所以本文提出了基于改进型BP神经网络的车牌识别系统，对图像进行预处理，对车牌定位分割，再进入BP神经网络从而实现字符识别。

1 车牌图像预处理

1.1 车牌灰度化

图像处理中，采用RGB中的三个分量（R：Red，G：Green，B：Blue）来表示真彩色；本文采用平均法对图像进行灰度化，即取三种变量R、G、B的平均值作为其灰度变量，减少彩色图像过多的信息干扰量。

1.2 去噪

图像信号在产生、传输过程中都可能受到噪声的污染，主要有高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（图像切割引起的白点噪声或光电转换过程中产生的泊松噪声）、量化噪声（量化过程存在量化误差导致的噪音），这些噪音直接影响后序的边缘检测，因此降噪是图像处理的关键。本项目为了提高图像质量，研究三种去噪方法，分别是均值滤波、中值滤波、维纳（Wiener）滤波。采取最佳滤波获取灰度更加平滑的图片。

（1）均值滤波：

（2）中值滤波：

其中：Med表示中间取值；f表示车牌的原始图像函数；i、v表示图像二维模板中的二维序列号。

（3）维纳（Wiener）滤波：

1.3 车牌倾斜校正

对分割出来的车牌进行倾斜校正。由于对倾斜的车牌字符识别容易出错，所以车牌倾斜校正对车牌字符识别率有较大的影响。本系统用Imrotate函数进行旋转，得到完整的车牌字符。

1.4 车牌定位分割

在车牌定位中，本项目采用效果较好的边缘提取方式，经过形态学处理后的车牌特征越明显，车牌定位越准确。因此本项目分别进行Sobel算子、Robert算子、Laplacian算子运算，并选取最优边缘检测方式，对车牌进行边缘检测定位；同时利用蓝色车牌颜色阈值T，将图像的数据分成两部分，大于T的像素群则为前景目标，小于T的像素群则为背景，从而更加清楚地将图片的黑白二值化，对找出来的车牌位置进行分割。

（1）Sobel 算子边缘检测：如图1所示，采用原图作为矩阵内容，将边缘提取后该像素点的位置改为0，进行Sobel运算。