基于BP神經(jīng)網(wǎng)絡(luò)的智慧車牌識(shí)別系統(tǒng)摘要：車牌識(shí)別系統(tǒng)在我國(guó)智慧交通系統(tǒng)中起著重要作用。為解決識(shí)別不精準(zhǔn)、易受環(huán)境影響等問(wèn)題，本文設(shè)計(jì)一種基于BP神經(jīng)網(wǎng)絡(luò)的智慧車牌識(shí)別系統(tǒng)，該系統(tǒng)主要包含車牌圖像預(yù)處理模塊、BP神經(jīng)網(wǎng)絡(luò)模塊和GUI用戶界面模塊。通化用戶界面進(jìn)行數(shù)字圖像的可視化操作。關(guān)鍵詞：車牌識(shí)別BP神經(jīng)網(wǎng)絡(luò)圖像處理GUI界面隨著機(jī)器視覺(jué)與模式識(shí)別等技術(shù)的迅速發(fā)展，智慧車牌識(shí)別技術(shù)在現(xiàn)代智慧交通中發(fā)揮了重要作用。車牌識(shí)別技術(shù)包括模式識(shí)別技術(shù)、信號(hào)處理技術(shù)以及圖像處理技術(shù)等，,廣泛應(yīng)用于智慧停車場(chǎng)、違章檢測(cè)、車流監(jiān)控等方面。但目前車牌識(shí)別技術(shù)仍存在準(zhǔn)確度低，易受環(huán)境影響等問(wèn)題。神經(jīng)網(wǎng)絡(luò)具有容錯(cuò)率低和適應(yīng)性強(qiáng)的特點(diǎn)，并具備良好的建模和數(shù)據(jù)分析能力，為解決這一難題提供了出口。系統(tǒng)包括車牌圖像預(yù)處理模塊、BP神經(jīng)網(wǎng)路模塊以及GUI用戶界面模塊，通過(guò)樣本圖像的搜集和數(shù)據(jù)庫(kù)的建立，在對(duì)目標(biāo)圖像進(jìn)行圖像預(yù)處理等操作的基礎(chǔ)上，通過(guò)與樣本圖像庫(kù)的比對(duì)，得到車牌識(shí)別結(jié)果。1車牌圖像預(yù)處理1.1車牌灰度化在圖像處理中，將真彩色圖像通過(guò)RGB的三種分量進(jìn)行顯示(R:Red,G:過(guò)一系列處理后變換成單通道的灰度圖像。在車牌識(shí)別中處理的顏色信息比較少，為了提高識(shí)別的快速性，一般都會(huì)將彩色車牌圖像進(jìn)行灰度化，根據(jù)如下公式計(jì)算由于黑暗條件下環(huán)境影響等問(wèn)題，圖像拍攝的清晰度不高，因此需要圖像增強(qiáng)技術(shù)提高圖像的清晰度。通過(guò)調(diào)整圖像的亮度、對(duì)比度、色彩等屬性，可以突出顯示感興趣的特征，降低噪聲，提高圖像的清晰度、對(duì)比度和可讀性。本文通過(guò)直方圖均衡化實(shí)現(xiàn)圖像的增強(qiáng)。直方圖均衡化的基本原理是：通過(guò)對(duì)在同一視覺(jué)畫面中像素?cái)?shù)量多的灰度值(即對(duì)視覺(jué)畫面起作用的灰度值)加以展寬，而對(duì)像素?cái)?shù)量少的灰度值(即對(duì)視覺(jué)畫面不起作用的灰度值)加以歸并，以便提高反差，從而使視覺(jué)畫面更加清晰，起到強(qiáng)化的目的。而通過(guò)調(diào)整直方圖均衡后的視覺(jué)畫面明暗對(duì)比得到了明顯提高，質(zhì)量得以增強(qiáng)。邊緣提取在車牌識(shí)別系統(tǒng)中對(duì)車牌位置的檢測(cè)有著非常重要的作用，常用的邊緣檢測(cè)算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、log算子和Canny算子等。Canny算子相比于Sobel,Prewitt,Laplacian算子，根據(jù)邊緣梯度方向?qū)崿F(xiàn)了非極大值的抑制，同時(shí)解決了雙閾值的滯后問(wèn)題[3],是圖像邊緣檢測(cè)算法中最為典型，先進(jìn)的算法之一。據(jù)實(shí)驗(yàn)分析，Canny算子對(duì)弱邊緣的檢測(cè)相對(duì)精確，能更多地保留車牌區(qū)域的特征信息，因此本文采用Canny算法實(shí)現(xiàn)邊緣檢測(cè)。Canny算子在邊緣檢測(cè)中有信噪比和定位精度兩個(gè)判別指標(biāo)。信噪比越大，1.4車牌定位及分割使車牌區(qū)域具有明顯的特征，因此根據(jù)車牌顏色和字符顏色的知識(shí)，用先膨脹后腐蝕的開(kāi)運(yùn)算數(shù)字形態(tài)學(xué)濾波，統(tǒng)計(jì)面積分布，顯示區(qū)域總數(shù)，從而確定車牌邊界，準(zhǔn)確定位車牌區(qū)域。同時(shí)，選取常見(jiàn)的藍(lán)底白字白框線車牌，通過(guò)藍(lán)色車牌閾值進(jìn)行車牌的分割。由于拍攝角度以及車輛位置不同而造成拍攝圖片傾斜等差異，車牌水平方向投影和垂直方向投影不能正常運(yùn)行。因此，在車牌分割后，調(diào)用拉東(radon)變換進(jìn)行水平方向的投影，令R為拉東變換算子，則Rf(x,y)=R(s,α)的定義如下[4]:由于狄拉克δ函數(shù)的限制，沿著直線xcosα+ysina=s進(jìn)行積分。CT掃描可以沿任意法方向α、與原點(diǎn)成任意距離s的直線[5]。通過(guò)拉東變換得到車牌的傾斜角度，調(diào)用imrotate函數(shù)對(duì)車牌圖像進(jìn)行旋轉(zhuǎn)校正。1.6字符分割將7個(gè)字符分別從車牌圖像中分割出來(lái)。按照?qǐng)D像的大小，設(shè)定閾值，通過(guò)字符寬度和閾值相同則切割的方法，設(shè)置圖像y軸，檢測(cè)圖像x軸，將7個(gè)字符逐一分離出來(lái)。分割出來(lái)的字符尺寸需要與樣本圖像中的字符尺寸相匹配，以便后續(xù)通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別。2BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[6]。本文將通過(guò)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別。BP神經(jīng)網(wǎng)絡(luò)包括兩個(gè)過(guò)程，分別是信號(hào)前向傳播和誤差反向傳播。通過(guò)前向傳播得到預(yù)測(cè)結(jié)果，反向傳播對(duì)權(quán)重和偏置進(jìn)行調(diào)整。本文的神經(jīng)網(wǎng)絡(luò)模型如圖2所示，將數(shù)字圖像的像素值輸入。由于圖像的尺寸是24×12,因此將輸入層單元設(shè)置為288個(gè)(不包含始終輸出+1的額外偏置單位),隱藏層單元設(shè)置為30個(gè)。通過(guò)對(duì)所有樣本的代價(jià)進(jìn)行求和，實(shí)現(xiàn)前饋計(jì)算。運(yùn)用正規(guī)化神經(jīng)代價(jià)函數(shù)進(jìn)行邏輯回歸，利用fmincg函數(shù)和sigmoid函數(shù)分別進(jìn)行最優(yōu)化參數(shù)的求解和梯度下降。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)的參數(shù)，本次采用epsilon_init=0.12,此值范圍可確保參數(shù)保持較小并提高學(xué)習(xí)效率。反向傳播時(shí)，通過(guò)最小化代價(jià)函數(shù)對(duì)參數(shù)進(jìn)行梯度檢驗(yàn)。同時(shí)，為了獲得更高的訓(xùn)練精度，將MaxIter設(shè)置為500,隨著迭代次數(shù)的增加，樣本代價(jià)逐漸降低，神經(jīng)網(wǎng)絡(luò)模型與為了提高車牌字符識(shí)別的準(zhǔn)確性和效率，將對(duì)圖像進(jìn)行了一系列預(yù)處理操作。這包括將彩像轉(zhuǎn)換為灰度圖像，以便減少后續(xù)處理的復(fù)雜性并突出必要的特征。緊接著，進(jìn)行了圖像增強(qiáng)，以改善圖像質(zhì)量，增強(qiáng)對(duì)比度，為邊緣檢測(cè)創(chuàng)造更有利的條件。在完成上述基礎(chǔ)步驟后，我們采用了邊緣檢測(cè)算法來(lái)識(shí)別和突出車牌區(qū)域的邊緣，這是字符分割和識(shí)別的關(guān)鍵步驟。下面給出部分車牌圖像識(shí)別結(jié)果。在擺放和布局，包括車牌原始圖片、灰度化、圖像增強(qiáng)、邊緣檢測(cè)、車輛定位、車牌預(yù)處理、字符分割等窗口。在程序運(yùn)行及訓(xùn)練后，可實(shí)現(xiàn)通過(guò)功能按鈕在數(shù)字圖像本文設(shè)計(jì)了一個(gè)基于BP神經(jīng)網(wǎng)絡(luò)的汽車車牌識(shí)別系統(tǒng)。從圖像采集到車牌定位，再到字符分割和識(shí)別，每個(gè)環(huán)節(jié)都采用了有效的技術(shù)和方法。在進(jìn)行字符識(shí)別的過(guò)程中，隨著迭代時(shí)間的增長(zhǎng)，系統(tǒng)誤差逐步降低并趨于穩(wěn)定，識(shí)別結(jié)果也越來(lái)越精確，可以實(shí)現(xiàn)在不同環(huán)境影響下準(zhǔn)確進(jìn)行車牌識(shí)別。同時(shí)，通過(guò)樣本圖像數(shù)據(jù)庫(kù)的不斷完善，進(jìn)行大量測(cè)試后的結(jié)果證明該車牌識(shí)別系統(tǒng)功能良好。大學(xué)，2018.[2]魯揚(yáng).基于BP神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法研究[D].大慶：東北石油大學(xué)，[3]陳超.基于Linux的手持式電子助視器軟件系統(tǒng)設(shè)計(jì)和開(kāi)發(fā)[D].浙江：浙江工業(yè)大學(xué)，2020.