基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌照字符識(shí)別

1、基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌照字符識(shí)別文章摘要：本文介紹了字符識(shí)別的各種方法，重點(diǎn)討論了用神經(jīng)網(wǎng)絡(luò)方法對(duì)車(chē)牌照字符的識(shí)別，用matlab完成了對(duì)車(chē)牌照數(shù)字識(shí)別的模擬，最后給出實(shí)驗(yàn)結(jié)果。關(guān)鍵詞：bp神經(jīng)網(wǎng)絡(luò)模式識(shí)別matlab引言字符識(shí)別是模式識(shí)別領(lǐng)域的一項(xiàng)傳統(tǒng)的課題，這是因?yàn)樽址R(shí)別不是一個(gè)孤立的問(wèn)題，而是模式識(shí)別領(lǐng)域中大多數(shù)課題都會(huì)遇到的基本問(wèn)題，并且在不同的課題中，由于具體的條件不同，解決的方法也不盡相同，因而字符識(shí)別的研究仍具有理論和實(shí)踐意義。這里討論的是用神經(jīng)網(wǎng)絡(luò)識(shí)別數(shù)字的問(wèn)題. 人工神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是近些年提出的新方法，為字符識(shí)別研究提供了一種新手段，它具有一些傳統(tǒng)技術(shù)所沒(méi)有的優(yōu)點(diǎn)：良好的

2、容錯(cuò)能力、分類(lèi)能力強(qiáng)、并行處理能力和自學(xué)習(xí)能力。因而，采用神經(jīng)網(wǎng)絡(luò)識(shí)別方式是一種很好的選擇。一、模式識(shí)別方法的比較針對(duì)模式特征的不同選擇及其判別決策方法的不同，可將模式識(shí)別方法大致分為5大類(lèi)。這5種識(shí)別方法均可實(shí)現(xiàn)字符識(shí)別，但它們特點(diǎn)不同，必須根據(jù)條件進(jìn)行選擇。1 統(tǒng)計(jì)模式法：對(duì)已知類(lèi)別的模式樣本進(jìn)行各種特征的提取和分析，選取對(duì)分類(lèi)有利的特征，并對(duì)其統(tǒng)計(jì)均值等按已知類(lèi)別分別進(jìn)行學(xué)習(xí)，按貝葉斯最小誤差準(zhǔn)則，根據(jù)以上統(tǒng)計(jì)特征設(shè)計(jì)出一個(gè)分類(lèi)誤差最小的決策超平面，識(shí)別過(guò)程就是對(duì)未知模式進(jìn)行相同的特征提取和分類(lèi)，通過(guò)決策平面方程決定該特征相應(yīng)的模式所屬的類(lèi)別。此方法比較成熟，能考慮干擾、噪聲等的影響，識(shí)

3、別模式基元能力強(qiáng)。但對(duì)結(jié)構(gòu)復(fù)雜的模式抽取特征困難；不能反映模式的結(jié)構(gòu)特征，難以描述模式的性質(zhì)；難以從整體角度考慮識(shí)別問(wèn)題。2 句法結(jié)構(gòu)方法：分為訓(xùn)練過(guò)程和識(shí)別過(guò)程：訓(xùn)練過(guò)程就是用已知結(jié)構(gòu)信息的模式作為訓(xùn)練樣本，先識(shí)別出基元和它們之間的連接關(guān)系，并用字母符號(hào)表示它們，然后用構(gòu)造句子的方法來(lái)描述生成這些場(chǎng)景的過(guò)程，并由此推斷出生成該場(chǎng)景的一種文法規(guī)則；識(shí)別過(guò)程就是對(duì)未知結(jié)構(gòu)的模式進(jìn)行基元識(shí)別及其相互關(guān)系分析，然后用訓(xùn)練過(guò)程中獲得的文法對(duì)其作句法分析，如果它能被已知結(jié)構(gòu)信息的文法分析出來(lái)，則該模式具有與該文法相同的結(jié)構(gòu)，否則就可判定不是這種結(jié)構(gòu)。此方法識(shí)別方便，可從簡(jiǎn)單的基元開(kāi)始，由簡(jiǎn)至繁；能反映模

4、式的結(jié)構(gòu)特征，能描述模式的性質(zhì)，對(duì)圖像畸變的抗干擾能力較強(qiáng)，但當(dāng)存在干擾及噪聲時(shí)，抽取基元困難，且易失誤。3 邏輯特征法：就是其特征的選擇對(duì)一類(lèi)模式識(shí)別問(wèn)題來(lái)說(shuō)是獨(dú)一無(wú)二的，即在一類(lèi)問(wèn)題中只有1個(gè)模式具有某1種（或某1組合的）邏輯特征，此方法建立了關(guān)于知識(shí)表示及組織，目標(biāo)搜索及匹配的完整體系；對(duì)需通過(guò)眾多規(guī)則的推理達(dá)到識(shí)別目標(biāo)的問(wèn)題，有很好的效果，但當(dāng)樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義時(shí)，效果不好。4 模糊模式方法：就是在模式識(shí)別過(guò)程中引入了模糊集的概念，由于隸屬度函數(shù)作為樣品與模板相似程度的量度，故能反映整體的、主要的特性，模糊模式有相當(dāng)程度的抗干擾與畸變，從而允許樣品有相當(dāng)程度的

5、干擾與畸變，但準(zhǔn)確合理的隸屬度函數(shù)往往難以建立。目前有學(xué)者在研究，并將其引入神經(jīng)網(wǎng)絡(luò)方法形成模糊神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)。5 神經(jīng)網(wǎng)絡(luò)方法：就是使用人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)模式識(shí)別?？商幚硪恍┉h(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題，允許樣品有較大的缺損、畸變，神經(jīng)網(wǎng)絡(luò)方法的缺點(diǎn)是其模型在不斷豐富完善中，目前能識(shí)別的模式類(lèi)還不夠多，神經(jīng)網(wǎng)絡(luò)方法允許樣品有較大的缺損和畸變，其運(yùn)行速度快，自適應(yīng)性能好，具有較高的分辨率。二、神經(jīng)網(wǎng)絡(luò)字符識(shí)別系統(tǒng)神經(jīng)網(wǎng)絡(luò)的字符識(shí)別系統(tǒng)是神經(jīng)網(wǎng)絡(luò)模式識(shí)別系統(tǒng)的一種，原理是一致的。一般神經(jīng)網(wǎng)絡(luò)字符識(shí)別系統(tǒng)由預(yù)處理，特征提取和神經(jīng)網(wǎng)絡(luò)分類(lèi)器組成。預(yù)處理就是將原始數(shù)據(jù)中的

6、無(wú)用信息刪除，平滑，二值化和進(jìn)行幅度歸一化等。神經(jīng)網(wǎng)絡(luò)字符識(shí)別系統(tǒng)中的特征提取部分不一定存在，這樣就分為兩大類(lèi)：（1）有特征提取部分的：這一類(lèi)系統(tǒng)實(shí)際上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗(yàn)來(lái)獲取模式特征以及神經(jīng)網(wǎng)絡(luò)分類(lèi)能力來(lái)識(shí)別字符。特征提取必須能反應(yīng)整個(gè)字符的特征。但它的抗干擾能力不如第2類(lèi)。（2）無(wú)特征提取部分的：省去特征抽取，整個(gè)字符直接作為神經(jīng)網(wǎng)絡(luò)的輸入（有人稱此種方式是使用字符網(wǎng)格特征），這種方式下，系統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜度大大增加了，輸入模式維數(shù)的增加導(dǎo)致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是網(wǎng)絡(luò)的抗干擾性能好，識(shí)別率

7、高。構(gòu)造神經(jīng)網(wǎng)絡(luò)分類(lèi)器首先要選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)：神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸入就是數(shù)字字符的特征向量；神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸出節(jié)點(diǎn)應(yīng)該是字符數(shù)。10個(gè)數(shù)字輸出層就有個(gè)10個(gè)神經(jīng)元，每個(gè)神經(jīng)元代表一個(gè)數(shù)字；隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當(dāng)?shù)膶W(xué)習(xí)算法，這樣才會(huì)有很好的識(shí)別效果。在學(xué)習(xí)階段應(yīng)該用大量的樣本進(jìn)行訓(xùn)練學(xué)習(xí)，通過(guò)樣本的大量學(xué)習(xí)對(duì)神經(jīng)網(wǎng)絡(luò)的各層網(wǎng)絡(luò)的連接權(quán)值進(jìn)行修正，使其對(duì)樣本有正確的識(shí)別結(jié)果，這就像人記數(shù)字一樣，網(wǎng)絡(luò)中的神經(jīng)元就像是人腦細(xì)胞，權(quán)值的改變就像是人腦細(xì)胞的相互作用的改變，神經(jīng)網(wǎng)絡(luò)在樣本學(xué)習(xí)中就像人記數(shù)字一樣，學(xué)習(xí)樣本時(shí)的網(wǎng)絡(luò)權(quán)值調(diào)整就相當(dāng)于人

8、記住各個(gè)數(shù)字的形象，網(wǎng)絡(luò)權(quán)值就是網(wǎng)絡(luò)記住的內(nèi)容，網(wǎng)絡(luò)學(xué)習(xí)階段就像人由不認(rèn)識(shí)數(shù)字到認(rèn)識(shí)數(shù)字反復(fù)學(xué)習(xí)過(guò)程是一樣的。神經(jīng)網(wǎng)絡(luò)是按整個(gè)特征向量的整體來(lái)記憶數(shù)字的，只要大多數(shù)特征符合曾學(xué)習(xí)過(guò)的樣本就可識(shí)別為同一字符，所以當(dāng)樣本存在較大噪聲時(shí)神經(jīng)網(wǎng)絡(luò)分類(lèi)器仍可正確識(shí)別。在字符識(shí)別階段，只要將輸入進(jìn)行預(yù)處理，特征提取后的特征向量作為神經(jīng)網(wǎng)絡(luò)分類(lèi)器的輸入，經(jīng)過(guò)網(wǎng)絡(luò)的計(jì)算，分類(lèi)器的輸出就是識(shí)別結(jié)果。三、bp神經(jīng)網(wǎng)絡(luò)這里我們采用bp神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行車(chē)輛字符的識(shí)別。bp網(wǎng)絡(luò)是采用widrow-hoff學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。一個(gè)典型的bp網(wǎng)絡(luò)采用的是梯度下降算法，也就是widrow-hoff算法所規(guī)定

9、的。backpropagation就是指的為非線性多層網(wǎng)絡(luò)計(jì)算梯度的方法。一個(gè)典型的bp網(wǎng)絡(luò)結(jié)構(gòu)如圖所示：我們將它用向量圖表示如下： 其中：對(duì)于第k個(gè)模式對(duì)，輸出層單元的j的加權(quán)輸入為 ，該單元的實(shí)際輸出為 ，而隱含層單元i的加權(quán)輸入為 ，該單元的實(shí)際輸出為 ，函數(shù)f為可微分遞減函數(shù) 。其算法描述如下：（1）初始化網(wǎng)絡(luò)及學(xué)習(xí)參數(shù)，如設(shè)置網(wǎng)絡(luò)初始權(quán)矩陣、學(xué)習(xí)因子等。（2）提供訓(xùn)練模式，訓(xùn)練網(wǎng)絡(luò)，直到滿足學(xué)習(xí)要求。（3）前向傳播過(guò)程：對(duì)給定訓(xùn)練模式輸入，計(jì)算網(wǎng)絡(luò)的輸出模式，并與期望模式比較，若有誤差，則執(zhí)行（4）；否則，返回（2）。（4）后向傳播過(guò)程：a.計(jì)算同一層單元的誤差；b.修正權(quán)值和閾值；

10、c.返回（2）四、車(chē)牌數(shù)字識(shí)別我采用matlab來(lái)模擬用神經(jīng)網(wǎng)絡(luò)進(jìn)行車(chē)牌照數(shù)字識(shí)別這一過(guò)程。作為對(duì)比，一種采用提取特征部分的方法，一組采用無(wú)特征部分提取的方法。提取特征法采用投影-變換系數(shù)法進(jìn)行特征提取。設(shè)為圖形尺寸，（）和（）分別是圖形在軸和軸上的投影，對(duì)它們進(jìn)行fourier變換得到k個(gè)變換系數(shù)，從k個(gè)變換系數(shù)gk（k0，1，2，k-1）中選出m個(gè)有代表性的特征，使它滿足類(lèi)間距離要大、類(lèi)內(nèi)距離要小，這里選出16個(gè)作為有代表性的特征作為網(wǎng)絡(luò)輸入。由于神經(jīng)網(wǎng)絡(luò)對(duì)圖形的旋轉(zhuǎn)、平移敏感，車(chē)牌照數(shù)字的獲取中不可避免的存在這一類(lèi)問(wèn)題，所以即使是采用無(wú)特征部分提取的時(shí)候，也要對(duì)圖形進(jìn)行處理，這里對(duì)圖形矩

11、陣進(jìn)行二維fft變換，分別得到矩陣的幅值和相值，通過(guò)實(shí)驗(yàn)可知網(wǎng)絡(luò)對(duì)變換矩陣的相值收斂性好，因此這里取矩陣的相值作為網(wǎng)絡(luò)輸入。我取了0-9共十個(gè)數(shù)字作為待識(shí)別數(shù)，每個(gè)數(shù)字取6個(gè)樣本進(jìn)行訓(xùn)練，共有60個(gè)訓(xùn)練樣本，另取10個(gè)樣本作為識(shí)別樣本。神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)，提取特征法有16個(gè)輸入，隱含層取24個(gè)神經(jīng)元，輸出為十個(gè)，無(wú)特征提取法有16x16個(gè)輸入，隱含層取24個(gè)神經(jīng)元，輸出也為10個(gè)，取最大輸出端對(duì)應(yīng)的數(shù)字作為識(shí)別結(jié)果，如果所有輸出端的結(jié)果都小于0.5，則認(rèn)為系統(tǒng)無(wú)法識(shí)別。其收斂波形如下圖所示：有特征提取法的收斂圖像 無(wú)特征提取法的收斂圖像由圖可知，兩種不同方法的收斂速度，采用無(wú)特征提取法要快的多，但是由于其網(wǎng)絡(luò)規(guī)模要比特整體取法大，每一次訓(xùn)練所耗時(shí)間要長(zhǎng)，所以總的訓(xùn)練時(shí)間兩者相差不多。識(shí)別樣本和識(shí)別結(jié)果示例如附錄所示。根據(jù)結(jié)果來(lái)看，采用無(wú)特征提取得到字符識(shí)別率為84.3%,采用有特征提取得到的字符識(shí)別率為92.9%,后者明顯高于前者。如要進(jìn)提高識(shí)別率，可以考慮改良