李消霞++张文静++刘银萍++程杰++彭雪丹

摘要：在识别车牌的技术中，由于车牌存在这图像模糊不清、倾斜、分割以后字符笔画粗细不均、不完整等问题，导致了传统车牌的识别率很低，不能适应车牌识别的实时性要求。针对问题，本文将要提出一种改进的BP神经网络算法可提高车牌识别准确率和速率，此算法采用附加动量法和自适应学习速率对BP神经网络算法进行改进。结果表明，改进的BP神经网络提高了车牌的识别正确率和速率，是一种实时性强的车牌识别算法。

关键词：车牌识别；BP神经网络；附加动量法

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）09-0223-02

反向传播网络Back-Propagation Network（简称BP网络）是人工神经网络的精华部分，也是前向网络的核心部分，由D.E.Rumelhart等人在1986年提出的。大多都是根据误差反向的传播解决了多层神经网络的权值修正的问题，故称为误差反向传播法（Error Back-Propagation），简称BP算法。

目前国内外许多学者利用神经网络的算法对车牌识别进行了研究，由于BP神经网络算法具备这良好的自学能力、容错能力、强大的分类、并行处理能力和自学习能力，适于解决车牌识别问题。但BP神经网络的性能与初始网络权值、学习速率等参数合理选择有关，若参数选择不当，会产生学习速率低、局部最优和过拟合等问题，导致车牌识别率低。本文针对此问题，对BP神经网络进行了改进，一定程度上改善了传统神经网络算法带来的缺陷。

1 识别车牌原理

图1 整个车牌识别过程

整个车牌识别过程通常可分为图像采集、图像豫处理、车牌定位字符分割字符识别处理等几个部分，如图1所示，首先对进入小区的车辆摄像并传入到车牌识别系统中，为保证图像处理质量，需进行图像预处理，对于处理后的图像采用本文改进的BP神经网络算法进行车牌定位和识别操作，完成识别功能。

2 改进的BP网络实现车牌识别

BP网络模型一般有隐含层、输入层、和输出层三部分，层与层之间的节点属于全连接，同一层之间的节点是没有连接的。第一层用于接收输入向量，第二层用于学习、记忆，第三层输出网络的结果。

BP网络训练（学习）过程是根据权值修正公式来调节网络的连接权值，使输出值达到误差允许的范围内网络趋于稳定，训练结束。如下图2为网络训练的简单流程图：

图2 网络训练流程图

（1） 初始化网络：将权值和阈值初始化为0和1之间的随机值；

（2） 训练具有代表性样本的输入与期望输出；

（3） 计算网络输出层节点误差；

（4） 针对误差进行了判断，如果达到了期望值要求就结束学习，否则就继续修改训练的样本，对网络权值进行一定的修正，当输出误差满足规定范围之内，BP神经网络训练结束。

由于BP神经网络算法自身存在一些不足，如收敛速度慢，局部最优、难以确定隐含层节点的个数和训练过程中发生的振荡情况等。故本文采用动量因子和自适应学习速率对训练方式进行改进，即在梯度下降算法基础上引入动量因子a（0

W（k+1）=w（k）+n（1-a）D（k）+aD（k-1） （1）

其中，D（K）表示负梯度。

附加动量法使得在对网权修改过程当中，不仅考虑误差在梯度上产生的作用，还要考虑对误差曲面上变化趋势产生的影响有效避免网络可能陷入局部最小值情况。

BP网络训练过程中，应当自适应调整学习速率，加快收敛速度，避免振荡的现象。

3 实验结果分析

为验证本文算法的优越性，采用传统BP算法、本文算法和模式匹配法分别对汉字、数字、字母的识别结果作对比。从表1中可看出，改进后的BP算法的车牌识别率高于传统BP算法和模式的匹配法，虽表中为体现出识别速度，但由实际仿真结果容易得出，车牌的识别速率较语其他两种高，且随机识别率和特殊识别率均高于其他两种算法（本文不再对此作出详细解说）。

4 结束语

现代科技的高速发展对车牌识别技术的要求越来越高，不仅要求识别率高，更要求高效率、低损耗、高实用性、本文对BP网络在车牌识别应用中进行了部分改进，在一定程度上提高了车牌识别率和速率，具有一定的实时性和实用性。对于该领域的不断发展，不断追求更有效的算法使我们每一位学者应有的追求。

参考文献：

[1]单潮龙，马伟明.BP人工神经网络的应用及其实现技术[J].海军工程大学学报，2000，23（4）：16-17

[2] Abdullah Siti Norul Huda Sheikh.License Plate Recognition using Multilayer Neural Networks.2006 International Conference on Computing and Informatics，2006：97-106.

[3] Aoyafi Y，Asakura T.A student on traffic sign recognition in scene image using genetic algorithm and neural networks. Proceedings of the IEEE IECON International conference on Industrial Electronics.Control and Instrumentaion， 1996 .

[4] R.Luo，H.Potlapalli，D.Hislop.Translation and scale invariant landmark recognition using receptive field neural network. Proc.Int.Conf.Intelligent Robots and Systems ，1992 .

[5] Shiji A，Hamada N.Color image segmentation method using watershed algorithm and contour information. Proceeding of 1999 IEEE International Conference on Image Processing，1999.