0 引言

    作為智能交通系統(tǒng)的重要組成部分，車牌識別系統(tǒng)常用來監(jiān)視交通狀況,、監(jiān)督車輛行為,，還可以用于停車場出入管理。雖然過去十年車牌識別技術取得了很大的成就,，并在很多實際場合中得以應用,，但從復雜場景的圖像中識別車牌仍然是一個艱巨的任務^[1]。

    車牌識別一般由三部分組成：車牌定位,、字符分割和字符識別,。車牌定位有兩種主要的實現(xiàn)方法：一種是基于車牌區(qū)域顏色信息的，根據(jù)車牌區(qū)域特定的顏色信息組合來定位車牌^[2],；另一種是基于邊緣或紋理信息的，根據(jù)車牌區(qū)域邊緣信息較其他區(qū)域清晰來檢測車牌^[3],。第一種方法對光照條件和照相機設置敏感,，第二種方法當車牌褪色嚴重時，會由于檢測不到邊緣而導致定位失敗,。投影法^[4],、連通域法^[5]和模板匹配法^[6]是實現(xiàn)字符分割的主要方式。投影法要求字符字跡完整且沒有噪音干擾,，易受光照影響,。連通域法對車牌的傾斜不敏感，但不能用來處理字符斷裂和字符粘連,。常用的字符識別方法有：神經(jīng)網(wǎng)絡(BPNN和CNN),、SVM和模板匹配法。傳統(tǒng)的神經(jīng)網(wǎng)絡和SVM用于字符識別時有較高的正確率,，但如果參數(shù)選擇不合適會出現(xiàn)學習速度慢,、過擬合和局部最優(yōu)等缺陷^[7]。模板匹配法簡單實用,，但在字符出現(xiàn)形變,、粘連等問題時會導致模板匹配法識別率降低^[8]。

    相較于其他常用車牌識別算法,，本文所用方法在以下幾點做出了改進：(1)綜合利用顏色定位和邊緣檢測的優(yōu)點,，克服了單一用其中一類方法的缺陷；(2)對垂直投影法做改進,，先粗分割,，再精確分割，有效解決了字符的粘連,、斷裂等問題,；(3)用SaE-ELM來訓練模型,，縮短了訓練時間，提升了字符識別率,。

1 車牌定位

    本文將車牌的面積,、紋理、顏色,、長寬比等多重特征結合起來,，提出一種車牌定位的改進算法，具體執(zhí)行步驟如下所示：

    (1)輸入彩色車牌圖像,，如圖1(a),，預處理(高斯模糊和灰度化)后得到灰度圖，然后用Sobel算子得到車牌圖像的垂直邊緣(由于車頭排氣孔,、車標等的影響,，檢測水平邊緣會影響最后的連接結果)，接著用大津法對邊緣檢測圖進行二值化并做形態(tài)學閉運算,。此時可以獲得很多車牌候選區(qū),，如圖1(b)所示。

    (2)將輸入的彩色圖轉成HSV圖像,，若當前像素的H,、S、V分量分別滿足表1所示藍色對應的H,、S,、V分量，則灰度值置為255,。同理若滿足黃色各分量,，灰度值置為200；滿足白色各分量,，灰度值置為150,；滿足黑色各分量，灰度值置為100,；其他為0,。構造出的五級灰度圖如圖1(c)所示。依次取每級灰度圖,，分別做二值化和閉運算操作,。以藍色分量為例，255為閾值,，將灰度值不為255的全部置0,，可得藍色分量候選區(qū)，如圖1(d)所示，其他分量的處理過程依此類推,。

    (3)將圖1(b)與圖1(d)做“與”運算可得圖1(e),，候選區(qū)數(shù)量大大減少，然后借助與車牌的面積,、長寬比等特征可以篩去部分偽車牌,，最后由SVM分類器對每個候選車牌做分類判斷操作即可得到真正的車牌，如圖1(f)所示,。對于一般場景下的車牌,，經(jīng)過上述3步即可定位到車牌區(qū)域。但對于某些特殊的場景,，步驟(1)或步驟(2)可能存在不同程度的失效,，導致最后的定位效果不佳。這里的解決辦法是用SVM對候選車牌進行判斷,，若SVM判斷結果大于1,，則定位結束。否則,，用顏色定位或邊緣檢測進行再次定位,。

    閉運算操作時，車牌可能會錯分成兩個區(qū)域,。這是因為車牌中的第2或第3個位置存在某些垂直邊緣不明顯的字符(比如“E”、“1”等),，解決辦法是對車牌區(qū)域進行擴展,，然后對擴展區(qū)域再進行一次邊緣檢測。對于低照度圖像,，使用Sobel算子可能會出現(xiàn)邊緣提取不清楚或缺失嚴重的問題,，可以改用Scharr算子來提取邊緣。完整的定位流程圖如圖2所示,。本文所用定位方法綜合多種因素,，具有較好的魯棒性。

2 字符分割

2.1 初步分割

    傳統(tǒng)投影法對字符進行切分時,，需要字符字跡完整且沒有噪聲干擾,，此時二值圖像的垂直投影曲線會有清晰的波峰波谷，可以根據(jù)波峰波谷的跳變位置來確定字符分割點,。由于受到噪聲,、光照等影響，車牌垂直投影的波峰和波谷往往不明顯,，圖3所示為噪聲嚴重車牌以及它的垂直投影曲線,。

    經(jīng)分析，字符的投影曲線多數(shù)為單峰，少數(shù)為雙峰和三峰,，如：H,、M和斷裂字符為雙峰，川為三峰,。利用該特征來對垂直投影法進行改進的步驟如下：

    (1)水平掃描車牌二值圖像,，根據(jù)字符區(qū)域跳變次數(shù)不小于14的經(jīng)驗去除上下邊框和鉚釘。求得字符高度charHeight,，單個字符寬度charWidth=2charHeight,。

    (2)列掃描車牌二值圖像，統(tǒng)計每一列白色像素點個數(shù),。設置投影閾值threshValue,，完成垂直投影，并將投影結果保存在arrayTotal數(shù)組中,。

    (3)創(chuàng)建字符類Character和動態(tài)鏈表listCharacter,，字符起點橫坐標記為start，中心點centerPoint,，終點end,。掃描arrayTotal數(shù)組，當arrayTotal[start]>0&&arrayTotal[end]=0,，記當前字符寬度width[m]=end-start,。依次執(zhí)行以下步驟：①若2charWidth<width[m]<3charWidth，則為2個字符粘連,，取其投影中點進行分割,；若3charWidth<width[m]<4charWidth，則為3個字符粘連,，根據(jù)charWidth確定分割的位置,。②若width[m]+width[m+1]<charWidth，同時滿足兩字符間距差小于(12/45)charWidth,，則判定字符發(fā)生斷裂,，需對字符做合并操作。③若width[m]<0.5charWidth<width[m+1],，寬度width[m]內(nèi)投影值大于0.8charHeight的像素個數(shù)為num,。當num小于預先設定閾值，則當前字符被判定為噪聲點,，否則就被判定為數(shù)字“1”,。

    (4)重復步驟(3)，將字符寫入鏈表listCharacter,。直至遍歷邊界最右端且listCharacter中字符個數(shù)不小于7為止,。

2.2 精確分割

    上述步驟完成了車牌字符的初步分割,，解決了字符的斷裂和粘連問題。但仍然存在車牌左右邊框的干擾,，使得車牌的左右邊界并非車牌字符起始和結束位置,。因此還需根據(jù)先驗知識對字符坐標值進行修正，從而完成精確分割,，具體流程如下：

    (1)統(tǒng)計listCharacter中字符個數(shù)N及對應寬度W_i,，求出寬度的均值W_a與標準差W_s。 

    若W_i不滿足|W_i-W_a|<W_s,，則將其從listCharacter中剔除,，對其余字符求W_a和W_s，循環(huán)直至所有W_i都符合|W_i-W_a|<W_s,，則此時W_a為字符的統(tǒng)計標準寬度,。

    (2)選定優(yōu)先分割字符C_min(與W_a差異最小的字符)。根據(jù)標準車牌字符寬度及間距等先驗信息(單字符寬45 mm,，高90 mm,，間隔符寬10 mm，第二和第三字符間隔34 mm,，其余字符間隔均為12 mm),，計算出W_a與標準寬度的比值p(如式(3)所示)。根據(jù)這一比值計算出C_min的centerPoint在表2所處的坐標范圍,，從而確定C_min在車牌字符排列中的序號,。

    (3)以C_min的centerPoint為基準點，W_a為尺度,，根據(jù)表2計算出所有字符的開始和結束坐標,，然后將所有坐標信息重新寫入listCharacter，字符的精確分割即可通過這些坐標值來完成,。分割效果如表3所示。

3 字符識別

3.1 SaE-ELM

    極限學習機是Huang Guangbin^[9]提出的一種新的基于單隱層前饋神經(jīng)網(wǎng)絡的學習方法,。該方法只需訓練前設置好隱層節(jié)點數(shù)目,，執(zhí)行過程中隨機產(chǎn)生輸入權值與隱層偏差(無需通過迭代反復刷新調(diào)整)，最終把復雜的問題轉化成求矩陣的Moore-Penrose廣義逆,。由于隨機產(chǎn)生網(wǎng)絡的輸入權值和隱層的偏置向量參數(shù),，所以不能保證訓練出的ELM模型能夠達到最優(yōu)。

    本文采用基于SaE-ELM的方法來識別車牌字符,。該方法利用自適應差分進化算法優(yōu)化ELM網(wǎng)絡的輸入權值與隱層偏差,，初始化后循環(huán)“突變→交叉→選擇”來生成最優(yōu)參數(shù)。接著通過測試設置最優(yōu)隱層節(jié)點數(shù)目,，選擇適當?shù)募詈瘮?shù)計算出隱層輸出,，并用最小二乘法計算出輸出權值。實驗驗證表明，該方法不僅保留了ELM算法訓練的快速性,，而且具有更好的泛化能力和準確性,，避免了ELM模型的隨機性。假設訓練集S包含了N個任意不同的樣本,，S={(x_j,，t_j)|x_j∈Rⁿ，t_j∈R^m,，j=1,，2，…,，N},，具有L個隱層單元的SaE-ELM算法執(zhí)行步驟如下：

    (1)首先初始化原始種群，原始種群是包含了所有輸入權值與隱藏層偏差的NP組向量,，每組向量作為一個個體向量,，如式(4)所示。

其中,，w_i和b_i是隨機賦值的,，w_i是輸入權值，b_i是隱層偏差(i=1,，2,，…，L),。L是隱層節(jié)點數(shù),，G是進化代數(shù)，k=1,，2,，…，NP,，NP表示種群大小,，這里NP=10。

    (2)然后通過式(5)計算出隱層輸出矩陣H_k,，G,，輸出權值矩陣?茁k，G則可以通過式(6)得到,。

    (3)接著通過變異操作獲取變異個體向量v_k,，G，變異過程中有4種變異策略可以選擇,，如表4所示,。通過P_l,，G可以實現(xiàn)變異策略的自適應選擇，P_l,，G是概率參數(shù),，表示在第G代變異操作中使用策略“l(fā)”的概率。

    變異因子F用于控制步長,，服從N(0.6,，0.3)的正態(tài)分布，K在0~1區(qū)間隨機取值,，r1~r5是1~NP內(nèi)互不相等的隨機整數(shù),。概率參數(shù)P_l，G的更新規(guī)則可參考文獻[10],，變異操作完成后,，將變異向量與θ_k，G進行交叉操作可得試驗向量交叉操作通過式(9)完成,。

其中,，j_rand是[1，L]隨機正整數(shù),，rand_j是0~1之間隨機數(shù),，交叉概率CR服從N(0.3，0.1)的正態(tài)分布,。重復突變,、交叉與選擇，直至最大迭代次數(shù)得到最優(yōu)θ_k,，G,，通過式(6)計算出輸出權值β，即可獲得模型,。

3.2 字符識別

    首先將字符尺寸統(tǒng)一為20×40,，然后用方向梯度直方圖來提取字符特征(單元10×10，塊大小20×20,，塊步長5×5,，每個單元對應的向量是9維)，則可得180維的輸入特征向量,。接著用SaE-ELM訓練3個字符分類器,。漢字分類器用來識別第一個字符,，采用400個隱層節(jié)點和31個輸出節(jié)點,。字母分類器用來識別第二個字符，采用300個隱藏層節(jié)點和24個輸出節(jié)點,。字母數(shù)字分類器則用來識別剩下的5個字符,，采用300個隱層節(jié)點和34個輸出節(jié)點,。在2.50 GHz CPU、2 GB內(nèi)存,、vs2013編程的主機上進行測試,，用4 000個字符(1 435個中文字符，1 000個數(shù)字,，1 565個英文字符)來訓練,，訓練時間為144 s(訓練用時最長的時間)。取500個字符做測試,，這里是分開測試,，漢字分類器識別率為96.5%，字母數(shù)字分類器的識別率為97.5%,，字母分類器識別率為98.0%,。從表5可知(以字母為例)，在識別率與BP神經(jīng)網(wǎng)絡和SVM區(qū)別不大的情況下,，基于SaE-ELM的車牌字符識別大大縮短了訓練時間,，且提高了字符識別的速度。本文算法可應用于實際復雜場景,，測試效果如圖4所示,。

4 結束語

    經(jīng)過大量測試，上述方法可以有效地識別各種復雜場景中的車牌,。但所提出的方法前提是要把彩色圖轉為灰度圖,，未來可考慮直接對彩色圖直接進行處理，終端完成圖像的采集工作,，然后通過云平臺,，把相對復雜的圖像計算部分分到多個服務器上同時進行處理。還可以考慮將深度學習用于模型的訓練,，提高中文字符和相似字符的識別準確率,。車牌識別技術的發(fā)展為其今后在車輛跟蹤、交通監(jiān)控,、停車場出入管理等領域的應用打下了良好的基礎,。

參考文獻

[1] TIAN B.Hierarchical and networked vehicle surveillance in its：A survey[J].IEEE Trans.Intell.Transp.Syst.，2015,，16(2)：557-580.

[2] SHI X,，ZHAO W，SHEN Y.Automatic license plate recognition system based on color image processing[J].Lecture Notes in Computer Science,，2005,3483(4)：1159-1168.

[3] ZHENG D,，ZHAO Y，WANG J.An efficient method of license plate location[J].Pattern Recog.Lett.,，2005,，26(15)：2431-2438.

[4] 張學海.車牌字符分割方法研究與實現(xiàn)[D].成都：西南交通大學,，2010.

[5] 甘玲，林小晶.基于連通域提取的車牌字符分割算法[J].計算機仿真,，2011,，28(4)：336-339.

[6] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應用[J].計算機工程與應用,，2012,，48(19)：191-196.

[7] HONG T，GOPALAKRISHNAM A K.License plate extraction and recognition of a Thai vehicle based on MSER and BPNN[C].Knowledge and Smart Technology(KST),，2015 7th International Conference on,，Chonburi，2015：48-53.

[8] NEJATI M,，MAJIDI A,，JALALAT M.License plate recognition based on edge histogram analysis and classifier ensemble[C].2015 Signal Processing and Intelligent Systems Conference(SPIS)，Tehran,，2015：48-52.

[9] HUANG G B,，WANG D H，LAN Y.Extreme learning machines：a survey[J].International Journal of Machine Learning and Cybernetics,，2011,，2(2)：107-122.

[10] CAO J，LIN Z,，HUANG G B.Self-adaptive evolutionary extreme learning machine[J].Neural Process.Lett.,，2012，36(3)：285-305.

作者信息:

文  武1,，2,，喬龍輝1，何  鵬1

(1.重慶郵電大學,，重慶400065,；2.重慶信科設計有限公司，重慶400065）