未来智库 > 神经网络论文 > 基于纹理特征和神经网络牌照定位方法

基于纹理特征和神经网络牌照定位方法

发布时间:2018-05-09 11:24:00 文章来源:未来智库    
    关键词:牌照定位;纹理特征;神经网络;图像分割
    中图分类号:TP391.4文献标识码:A
    文章编号:1004-373X(2010)04-049-03
    
    License Plate Locating Method Based on Texture Features and Neural Network
    WANG Xiaofang1,ZHAO Yong2,FANG Zongde2
    (1.Shaanxi Vocational and Technical College,Xi′an,710100,China;
    2.College of Mechanical and Electronic Engineering,Nothwestern Polytechnical University,Xi′an,710068,China)
    Abstract:A fast license plate locating method is problem to be solved in the field of license plate recognition in the background.A license plate locating method based on texture features and neural network is proposed.Firstly a method based on texture features can be used to determine row location and column location,the candidate regions can be found.Then the features of candidate regions is analyzed by determining the license plate region using method based on neural network.The experimental results show that this method is excellent in the accuracy and the robustness.
    Keywords:license plate location;texture features;neural network;image segmentation
    
    0 引 言
    
    汽车牌照识别技术属计算机视觉与模式识别技术,是智能交通系统(Intelligent Transportation System,ITS)中重要研究课题之一。车牌识别技术包括牌照定位、字符分割和字符识别三个步骤[1],其中牌照定位技术是整个车牌识别技术的基础和前提,牌照定位准确与否,直接影响字符识别的准确率,因此汽车牌照的正确定位是车牌识别技术中的关键技术和难点。目前,已有的提取牌照方法主要是基于数学形态学[2]、Hough变换[3]、基于神经网络[4]、基于小波[5]等,这些方法的一个主要缺点就是对复杂背景及光照条件比较敏感, 容错性差,定位速度较慢,从而影响车牌识别的实时性能。针对现有方法的不足,提出一种基于纹理特征和神经网络相结合的车牌实时定位算法。
    
    1 车牌定位方法
    
    本文提出的车牌定位算法主要包括基于纹理的候选区定位、特征提取及改进BP网络分类三个步骤。
    1.1 候选区定位
    根据车牌区域纹理特征,对车牌进行行定位和列定位,确定候选区域。
    1.1.1 行定位
    (1) 对预处理后的图像进行水平方向一阶差分运算,即:
    g(i,j)=|f(i,j)-f(i,j+1)|(1)
    通过选定一个阈值,得到水平梯度图像。
    (2) 对水平差分图像黑色像素点进行水平投影累加运算,得到水平投影图像。
    (3) 为消除水平投影图中的毛刺,对水平投影图像采用式(2)进行平滑。
    H(i)=0,H(i)  [∑7m=0H(i+m)]/8,H(i)≥avg(2)
    式中:
    avg=sum x/[(height-1)c](3)
    sum x=∑Height-1i=0H(i)(4)
    式中:H(i)为图像第i行投影值;H(i+m)为图像第i+m行投影;avg为图像水平投影值的平均值;c为修正系数,由实验确定; Height为图像高度;sum x为水平投影值总和。
    (4) 根据平滑水平投影图的波谷位置行坐标,按高到低的原则提取至多前5个波谷,确定每一个候选区域的水平区域[5]。
    令k1=H(i-1)-H(i),k2=H(i)-H(i+1),k3=H(i+1)-H(i),则波谷判断条件如下:
    k1k3≤0
    k1≥0
    k2>0或k2<0(5)
    1.1.2 列定位
    对行定位确定的候选区域所对应的行区域进行垂直投影分析,将候选区域所对应的行区域分成许多小区间,区间大小为图像宽度的1/10,统计相邻两个区间内列的投影值,列投影值总和最大的两个区间为候选区域所对应的列区间。
    1.2 特征提取
    提取候选区域内反映车牌特性的特征,并对所有特征归一化[6]。提取的主要特征有:
    (1) 行投影平均密度rowavg。设候选区域内行投影的总和为sum x;候选区域的高为h,则有:
    rowavg=sum x/h(6)
    (2) 列投影平均密度colavg。设侯选区域内列投影的总和为sum y;侯选区域的宽为w,则有:
    colavg=sum y/w(7)
    (3) 区域密度regden。区域内所有黑色点的总和。
    (4) 行灰度标准偏差rowdiv。设sum x为区域内每行黑色像素数目的总和;avg为区域内黑色像素总和的平均值;h为区域的高,则有:
    avg=(∑hn=0sum x)/h(8)
    rowdiv=[∑hn=0(sum x-avg)2]/h(9)
    (5) 列灰度标准偏差coldiv。设sum y为区域内每列黑色像素数目的总和;avg为区域内黑色像素总和的平均值;w为区域的宽,则有:
    avg=(∑wn=0sum y)/w(10)
    coldiv=[∑wn=0(sum y-avg)2]/w(11)
    (6) 行灰度绝对误差rowerror。设sum x为区域内每行黑色像素数目的总和;avg为区域内黑色像素总和的平均值;h为区域的高,则有:
    avg=(∑hn=0sum x)/h(12)
    rowerror=(∑hn=0|avg-sum x|)/h(13)
    (7) 列灰度绝对误差colerror。设sum y为区域内每列黑色像素数目的总和;avg为区域内黑色像素总和的平均值;w为区域的宽,则有:
    avg=(∑wn=0sum y)/w(14)

         colerror=(∑wn=0|avg-sum y|)/w(15)
    (8) 面积比areabl。设区域内黑色像素数目的总和为sum b;区域的面积为A,则有:
    areabl=sum b/A(16)
    (9) 行波峰数bfnum。
    第10~19行波峰平均值。取候选区域内前10个波峰,波峰平均值为bfavg(i);相邻波峰之间的黑色像素数目和为area(i);pos2为相邻波峰中的第2个波峰位置;pos1为相邻波峰中的第一个波峰位置[7],则有:
    bfavg(i)=area(i)(pos2-pos1)h,0≤i≤9(17)
    第20~29行波峰位置。取侯选区域内前10个波峰的位置为rbpos(i);h为区域高,则有:
    rbpos(i)=pos1+0.5(pos2-pos1)h,0≤i≤9(18)
    第30~34列波峰平均值[8]。取候选区域前5个列波峰,波峰平均值为cbfavg(i);相邻波峰之间的黑色像素数目和为area(i);pos2为相邻波峰中的第2个波峰位置;pos1为相邻波峰中的第1个波峰位置[9],则有:
    cbfavg(i)=area(i)(pos2-pos1)w,0≤i≤4(19)
    第35~39列波峰位置。取候选区域前5个列波峰,前5个波峰的位置为cbpos(i);h为区域宽度;pos2为相邻波峰中的第二个波峰位置;pos1为相邻波峰中的第一个波峰位置,则有:
    cbpos(i)=pos1+0.5(pos2-pos1)w,0≤i≤4(20)
    1.3 改进的BP网络分类
    标准的BP 网络有学习收敛速度慢,存在局部极小点等缺陷。本文采用附加冲量、自适应学习速率等方法对其进行了改进[10],使网络性能得到了较大的改善,实现了对候选区域的筛选,网络的参数设置如下:
    (1) 输入层节点个数。设计为39个节点,节点数据对应候选区域的39个归一化特征值。
    (2) 隐含层节点个数。根据实验,并结合经验公式确定。
    (3) 输出层节点个数。设定为1,输出值分为两类,是或者不是车牌区域。
    (4) 学习速率。初始学习速率设定为0.01,学习速率调整准则为:
    α(N+1)=1.15α(N),E(N+1)    0.5α(N),E(N+1)>1.25E(N)
    α(N),E(N)≤E(N+1)≤1.25E(N)
    式中:α为网络学习速率;E为网络误差函数;N为网络学习次数。
    (5) 冲量系数为0.95。
    (6) 允许误差为0.01。
    (7) 允许学习次数为150 000。
    (8) 训练样本的选择。为了增强网络的泛化性,训练样本为在各种不同背景车牌图像上截取的车牌字符区域和车牌非字符区域对应的图像[11]。
    (9) 初始权值和阈值是[0,1]区间的随机数。
    (10) 输入和希望输出的激励函数选S函数。
    
    2 实验结果
    
    通过摄像机采集600个样本,随机抽取300个作为训练样本,训练后得到神经网络的各层权值,构造出三层BP网络,用其余300个样本进行测试。实验结果表明:定位准确率位95%,定位时间在50 ms左右。图1是其中一幅图片车牌定位过程示意图。
    图1 车牌定位过程示意图
    
    3 结 语
    
    这里基于纹理特征和神经网络提出了一种车牌定位方法。经实验证明,该方法定位精度高,计算时间短,鲁棒性好,具有重要的应用价值。与小波变换、遗传算法、形态学等优势相结合,进一步提高定位准确度,是今后的努力方向。
    
    参考文献
    [1]王晓芳.基于图像处理和模式识别技术的汽车牌照快速定位方法[J].陕西职业技术学院学报,2007(1):6-9.
    [2]Junwei Hsieh,Shihao Yu,Yungsheng Chen.Morphology-based License Plate Detection from Complex Scenes[A].16th International Conference on Pattern Recognition[C].2002:176-179.
    [3]Kamat,Varsga,Ganesan.Subramaniam.Efficient Implementation of the Hough Transform for Detecting Vehicle Li-cense Plates Using DSP′s[A].Proceeding of Real-time Technology and Application[C].1995:58-59.
    [4]陈建坤,范春年.一种基于神经网络的车牌定位方法[J].辽宁工程技术大学学报,2005:24(1):97-100.
    [5]郑晓东.基于小波分解的车牌图像分割[J].华中科技大学学报:自然科学版,2005:33(3):30-32.
    [6]周建国.汽车牌照定位系统研究[D].南京:南京航空航天大学,2002.
    [7]刘关松,吕嘉雯.一种新的二值图像标记的快速算法[J].计算机工程与应用,2002(3):57-59.
    [8]戴青云,余英林.一种基于小波与形态学的车牌图像分割方法[J].中国图像图形学报,2000,15(5):411-415.
    [9]郭捷,施鹏飞.基于颜色和纹理分析的车牌定位方法[J].中国图像图形学报,2002,7(5):472-476.
    [10]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1996.
    [11]夏良正.数字图像处理(修订版)[M].南京:东南大学出版社,1999.

转载请注明来源。原文地址:https://www.7428.cn/vipzj17191/
 与本篇相关的热门内容: