一種利用Hough變換和先驗知識的車(chē)牌識別新方法

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所示的可檢測到邊緣直線(xiàn)，此直線(xiàn)傾角(即車(chē)牌傾角θ)根據公式：

對圖9進(jìn)行坐標轉換便實(shí)現了車(chē)牌傾斜校正，如圖12所示。其中x0、y0為原坐標，x、y為轉換后坐標。

對矯正后的車(chē)牌采用垂直投影法進(jìn)行字符分割，結果如圖13所示。

圖13(a)中有2個(gè)連續的“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。對于這種情況，針對性的解決辦法是直接將包含2個(gè)字符的分割板塊對等中切。1個(gè)字符的寬度不會(huì )超過(guò)整塊車(chē)牌寬度的1/5，連續2個(gè)字符的寬度肯定超過(guò)整塊車(chē)牌寬度的1/5，根據此先驗知識，以寬度大于車(chē)牌1/5且小于車(chē)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是將粘連板塊對等中切后的結果。

3 字符識別

在分類(lèi)器的選取上，既要求其要有良好的容錯，又要求其具有良好的自適應的能力。神經(jīng)網(wǎng)絡(luò )具有與人腦相似的高度并行性、良好的容錯性和聯(lián)想記憶功能、自適應、自學(xué)習能力和容錯等特點(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)習能力、強大的分類(lèi)能力、容錯能力或魯棒性，可以實(shí)現輸入到輸出的非線(xiàn)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(lèi)、識別的主要方法。

3.1 字符預處理

對切割出來(lái)的車(chē)牌字符很有必要進(jìn)行預處理，預處理包括：

(1)大小歸一化

為了便于訓練和識別，需要對字符圖像進(jìn)行規范化處理，使它們變成統一尺寸的圖像，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)格轉換為單一向量輸入。

3.2 BP神經(jīng)網(wǎng)絡(luò )的設計

大多數實(shí)際的神經(jīng)網(wǎng)絡(luò )只需要2～3層神經(jīng)元[6]，本文設計的BP神經(jīng)網(wǎng)絡(luò )包含2個(gè)隱含層。對于神經(jīng)網(wǎng)絡(luò )中隱含層節點(diǎn)數目的確定，沒(méi)有一個(gè)固定的規律可遵循。本文中對隱含層內節點(diǎn)數的確定，是以找到1個(gè)經(jīng)過(guò)樣本訓練后，其網(wǎng)絡(luò )輸出與實(shí)際結果最近似的網(wǎng)絡(luò )，這是一個(gè)搜索的過(guò)程。參考相關(guān)隱含層確定的準則[7]，通過(guò)逐個(gè)比試最終確定，第1個(gè)隱含層節點(diǎn)數為15個(gè)，第2個(gè)隱含層節點(diǎn)數為10個(gè)，學(xué)習速度為0.01。

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

本文系統地研究了一套車(chē)牌識別算法，包含了車(chē)牌定位、字符分割、字符識別3個(gè)環(huán)節。其前后銜接緊密，互補性好，整體準確性高，穩定性好，具有較強的實(shí)用性。但仍存在一些問(wèn)題需要進(jìn)一步改進(jìn)，如車(chē)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。