一种基于简化卷积神经网络的车牌自动识别系统技术方案

本发明专利技术公开了一种基于简化卷积神经网络的车牌自动识别系统，所述卷积神经网络包括输入层、卷积层、池化层、隐层和分类输出层，解决了日常背景下车牌识别问题。车牌识别的步骤包括：定位、分割和识别。本发明专利技术提出了利用彩色边缘信息和彩色信息提取彩色边缘的定位方法。由于其中的参数是基于色彩特征设置的，因而可以有效抑制日常背景中的噪声，能够对不同尺寸的输入图像进行车牌的提取。本发明专利技术去除了传统深度卷积神经网络的前置卷积层，仅保留一层卷积层和一层隐层。作为对缺失卷积层的补充和对输入特征的强化，使用Sobel算子得到的灰度边缘图像替代彩色图像作为输入，即使用人工提取的粗粒度特征替代传统卷积神经网络的多卷积层提取的特征。

【技术实现步骤摘要】

本专利技术涉及车牌识别领域，特别涉及一种基于简化卷积神经网络的车牌自动识别系统，解决日常背景下的车牌定位与自动识别两方面技术问题。
技术介绍
科技在不断更新和发展，深刻影响了人们的日常生活，在车辆智能化管理领域也不例外。智能交通系统概念19世纪就开始提出，已成为当今世界道路交通的发展趋势。车牌识别技术以计算机技术、图像处理技术、模式识别为基础，建立车辆的特征模型，如号牌、车型、颜色等，并实现自动识别。车位引导技术通过多种有效方式把车辆准确无误的引导到空余车位位置，给业主停车及物业的管理带来极大便利。现有的车牌识别系统大多是针对特定场合下的车牌识别。在这些特定的场合下，车辆的背景都非常单一，且拍摄到的车牌的大小和位置都比较固定，因此容易定位和识别。但是，在日常背景下，拍摄到的车辆图像可能含有更加复杂的背景，甚至一个图像中会出现多辆车的情况，同时周围的大树、楼房和路牌)，以及阳光照射角度都会对车牌的定位和识别产生影响，带来更大的难度。这就导致了现有的这些方法并不能有效地解决日常背景下车牌的自动识别，主要存在两方面的缺陷。定位方面：边缘和色彩作为车牌特征中最为有效的两个，得到了广泛应用。车牌区域包含有大量的边缘信息，日常场景中也充斥着很多类似的边缘。只有适当处理这些边缘信息，才能准确定位到车牌区域。基于普通边缘的方法在背景复杂度较大情况下会引入大量的噪声。同时，边缘的方法往往受限于输入图像的尺寸，从而限制了定位方法的应用领域。对于背景复杂度中等的日常背景中的车牌定位任务，普通边缘和普通彩色方法由于抗噪性能不强，错误检测率较高，同时由于噪声的干扰，定位成功率会有不同程度的下降。识别方面：卷积神经网络由于其结构的优越性，避免了主观的特征提取，从而在光学字符识别领域取得了广泛的应用。在车牌字符识别任务中，由于车牌字符字形规整，变化不如手写字体复杂，而传统深度卷积神经网络结构复杂，参数众多，不仅降低了训练速度，而且神经网络的训练难以收敛到令人满意的结果，容易发生欠拟合的情况，识别效果不佳。
技术实现思路
本专利技术目的是：提供一种基于简化卷积神经网络的车牌自动识别系统，解决
技术介绍
中所述的车牌定位与自动识别两方面的技术问题，提高车牌识别效率和准确率。本专利技术的技术方案是：一种基于简化卷积神经网络的车牌自动识别系统，所述卷积神经网络包括输入层、卷积层、池化层、隐层和分类输出层，车牌识别的步骤包括：S1、定位车牌的彩色边缘；S2、分割车牌字符；S3、基于简化卷积神经网络的车牌字符的自动识别。优选的，步骤S1所述定位车牌的彩色边缘方法包括：S1-1、首先将彩色输入图像在RGB色彩空间中按通道分离为R、G和B分量图，使用Sobel算子对R、G和B分量图分别求取它们的边缘图，记作ER、EG和EB；S1-2、求出上述边缘图后，使用大小为13×25的均值矩阵进行卷积，得到密度图矩阵D；S1-3、之后使用大津二值法对得到的矩阵D进行二值化，并使用连通分量提取方法提取出所有的连通分量；S1-4、在得到连通分量后，计算这些连通分量的宽高比Ratio和面积Area，最后仅保留满足以下条件的连通分量：AreaImagesize>θ]]>Ratio<γmaxRatio>γmin其中，θ为车牌面积占图像区域面积Imagesize的最小比例，γmax和γmin分别为车牌宽高比的上下阈值，θ取0.001～0.006，γmax取4.0～4.5，γmin取2.0～2.5。如果经过滤除后没有可用的连通分量，则放大步骤S1-1中彩色边缘点的判决边界，并重复步骤S1-1～S1-4。若仍无法定位出车牌，则说明输入图像中可能不存在车牌区域，返回定位失败信息。优选的，步骤S2所述分割车牌字符的方法包括：首先对彩色车牌图像使用下式进行灰度化处理，保留原始彩色车牌图像备用，并使用大津二值法对灰度化处理的图像进行二值化，之后采用连通分量提取和灰度投影的方法对原始彩色车牌图像进行字符分割。基于中国车牌的先验知识，即字符数和字符间距，结合之前保留的彩色车牌，得到待识别的7个彩色输入字符。I(i,j)＝(0.7R(i,j)+0.2G(i,j)+0.1B(i,j))×f(R(i,j),G(i,j),B(i,j))f(x,y,z)＝e-std(x,y,z)/150其中std()为标准差，(i,j)为像素点坐标，i∈[0,H)，j∈[0,W)，H为图像高度，W为图像宽度。优选的，步骤S3所述的基于简化卷积神经网络的车牌字符的自动识别的方法包括：在5层卷积神经网络，即输入层、卷积层、池化层、隐层和分类输出层，每层根据一定的规则产生输出特征矩阵或向量。在输入层，所有的输入彩色图像大小为48×24，格式为BMP。首先使用灰度转换算法将其转换为灰度图像，再使用Sobel算子进行边缘提取并将图像矩阵的元素归一化到[0,1]区间内，得到网络的输入。在卷积层，使用90个独立的卷积核对输入图像分别进行卷积，得到90个特征图，卷积核的大小为7×7，卷积核的移动模式为Valid模式，即卷积核的中心在输入图像范围内移动，且需要保证核的每个元素的投影都在输入图像内，因此卷积层的输出为90个大小为42×18的特征图。在池化层，池的大小为6×6，池化操作将输入分割为互不重叠的多个池块，以每个池中的最大值作为整个池的特征值输出，因此池化层的输出为90个大小为7×3的特征图。在隐层，依次将池化层输出的特征图按行拉伸为长度为1890的1维的输入向量，将此输入向量作为隐层的输入，隐层有200个神经元，对输入特征向量进行空间变换，从而提取更有效的特征。在分类层，对隐层提取的特征向量进行分类输出。根据不同应用，个数设置不同，中文字符应用为31个，英文数字字符应用为34个。优选的，所述池化层的池化操作分为2步：(1)将输入矩阵MH×W切割成个尺寸为ps×ps的互不重叠的小矩阵；(2)将每个小矩阵中的最大值作为该矩阵的特征值输出到对应位置，得到池化输出矩阵。优选的，所述车牌识别还包括卷积神经网络的训练过程，所述训练过程的训练误差采用交叉熵定义，使用误差反向传递算法进行权值更新，并使用提前停止算法控制训练流程。具体的，对采用Softmax模型的分类层，设input为一维输入列向量，d为期望输出标号，中文的d取值为0～30，英文数字混合的d取值为0～33，神经元j的输出oj定义如下：oj=exjΣkexk]]>其中o是一维本文档来自技高网...

【技术保护点】
一种基于简化卷积神经网络的车牌自动识别系统，其特征在于，所述的卷积神经网络包括输入层、卷积层、池化层、隐层和分类输出层；车牌识别的步骤包括：S1、定位车牌的彩色边缘；S2、分割车牌字符；S3、基于简化卷积神经网络的车牌字符的自动识别。

【技术特征摘要】
1.一种基于简化卷积神经网络的车牌自动识别系统，其特征在于，所述
的卷积神经网络包括输入层、卷积层、池化层、隐层和分类输出层；车牌识别
的步骤包括：
S1、定位车牌的彩色边缘；
S2、分割车牌字符；
S3、基于简化卷积神经网络的车牌字符的自动识别。
2.根据权利要求1所述的基于简化卷积神经网络的车牌自动识别系统，
其特征在于，步骤S1所述定位车牌的彩色边缘方法包括：
S1-1、首先将彩色输入图像在RGB色彩空间中按通道分离为R、G和B分量图，使用
Sobel算子对R、G和B分量图分别求取它们的边缘图，记作ER、EG和EB；
S1-2、求出上述边缘图后，使用大小为13×25的均值矩阵进行卷积，得到密度图矩阵D；
S1-3、之后使用大津二值法对得到的矩阵D进行二值化，并使用连通分量
提取方法提取出所有的连通分量；
S1-4、在得到连通分量后，计算这些连通分量的宽高比Ratio和面积Area，最后仅保
留满足以下条件的连通分量：
AreaImagesize>θ]]>Ratio<γmaxRatio>γmin其中，θ为车牌面积占图像区域面积Imagesize的最小比例，γmax和γmin分别为车牌宽高比
的上、下阈值，θ取0.001～0.006，γmax取4.0～4.5，γmin取2.0～2.5；
如果经过滤除后没有可用的连通分量，则放大步骤S1-1中彩色边缘点的判决边界，并
重复步骤S1-1～S1-4；若仍无法定位出车牌，则说明输入图像中可能不存在车牌区域，返
回定位失败信息。
3.根据权利要求2所述的基于简化卷积神经网络的车牌自动识别系统，其特
征在于，步骤S2所述分割车牌字符的方法包括：
首先对彩色车牌图像使用下式进行灰度化处理，保留原始彩色车牌图像备用，并使用
大津二值法对灰度化处理的图像进行二值化，之后采用连通分量提取和灰度投影的方法对

\t原始彩色车牌图像进行字符分割；基于中国车牌的先验知识，即字符数和字符间距，结合
之前保留的彩色车牌，得到待识别的7个彩色输入字符：
I(i,j)＝(0.7R(i,j)+0.2G(i,j)+0.1B(i,j))
×f(R(i,j),G(i,j),B(i,j))
f(x,y,z)＝e-std(x,y,z)/150其中std()为标准差，(i,j)为像素点坐标，i∈[0,H)，j∈[0,W)，H为图像高度，W为图
像宽度。
4.根据权利要求3所述的基于简化卷积神经网络的车牌自动识别系统，其特
征在于，步骤S3所述的基于简化卷积神经网络的车牌字符的自动识别的方法
包括：
在5层卷积神经网络，即输入层、卷积层、池化层、隐层和分类输出层，每
层根据一定的规则产生输出特征矩阵或向量；
在输入层，所有的输入彩色图像大小为48×24，格式为BMP，首先使用灰度转换算法
将其转换为灰度图像，再使用Sobel算子进行边缘提取并将图像矩阵的元素归一化到[0,1]区
间内，得到网络的输入；
在卷积层，使用90个独立的卷积核对输入图像分别进行卷积，得到90个特征图，卷
积核的大小为7×7，卷积核的移动模式为Valid模式，即卷积核的中心在输入图像范围内移
动，且需要保证核的每个元素的投影都在输入图像内，因此卷积层的输出为90个大小为
42×18的特征图；
在池化层，池的大小为6×6，池化操作将输入分割为互不重叠的多个池块，以每个池
中的最大值作为整个池的特征值输出，因此池化层的输出为90个大...

【专利技术属性】
技术研发人员：黄鹤，刘宇杰，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32