基于BP神经网络算法的车牌自动识别

作者:李雅雯;童璟芸;胡旭东;张弛斌;李红莉; 刊名:工业控制计算机 上传者:黄小芃

【摘要】发挥Lab VIEW功能强大、方便灵活的优势,给出基于虚拟仪器软件开发平台的一种车牌自动识别系统实现方法。借助机器视觉工具包提取复杂环境下车牌图像。通过图像预处理、车牌定位、车牌字符骨骼化提取、垂直投影法分割、BP神经网络训练等技术识别车辆相关信息。经过大量测试,表明该软件能够实现高效的车牌识别,有助于提高车辆管理效率。

全文阅读

*合肥工业大学大学生创新训练项目(2017CXCY278) 本算法利用 LabVIEW 自带的子程序和 Vision Assistant 工具包可以方便快捷地实现车牌自动识别,大大降低了软件成本。 1 车牌自动识别软件 如图 1 所示,本文所述车牌自动识别软件组成部分如下。 图 1 车牌自动识别软件组成 1.1 图像预处理 汽车长期处于户外环境中,车牌会出现污损、生锈、字体褪色等情况,拍摄到的车牌图像可能出现倾斜,识别不清等问题。针对这些问题, 调用 Vision 工具包中相关工具模块进行车牌图像预处理,为后续车牌定位提供保障。 由于 RGB 彩色图像会夹杂一些不必要的信息,故将其转化为灰度图像滤除干扰信息[1]。 选择 IMAQ Extract Single Col-or Plane VI 提取彩色平面,将图像灰度化。 与此同时,图像会出现噪声干扰信息识别。 在图像中噪声像素值很小,且往往是孤立点。 根据车牌图像是由像素较多的小块构成的这一特点,中值滤波具有较好的降噪声能力,故选择中值滤波去噪[2]。选择 IMAQ Inverse VI 将图像的像素强度反转为原图像的负值。 最后通过IMAQ Threshold VI 对图像二值化,具体步骤为将 Lower Val-ue 设置为 0,Upper Value 设置为 255,使文字和背景进一步分离开。 灰度图像转化成只有黑色像素点和白色像素点的二值信号图像,便于完成下一步的车牌定位。 1.2 车牌定位 在完成图像预处理之后,结合车牌的特点确定车牌区域。 将车牌倾斜的角度计算出来,并将车牌区域划分为上下、左右边界, 分别进行校正。 选择 IMAQ Rotate VI 改变图像倾斜角,旋转并校正车牌位置。 然后将车牌图像设定为一个像素大小规定的 ROI 矩形区域,在矩形框内由上至下(由左至右)依次序进行扫描。 将黑白跳变次数最高的所在行(列)作为基准;分别向上、向下(向左、向右)进行扫描;如果扫描时黑白跳变次数小于给定阈值,则停止扫描[3]。 此时图像的上下行(左右列)就可以确定为车牌的上下边界(左右边界)。 由此可确定车牌的大致区域,保证车牌定位的准确性。 1.3 形态学骨架提取算法在进行图像预处理和车牌定位的情况下,进行骨架特征提取。 由于经过灰度转化的车牌图像白色字符外轮廓线条宽度不同,会使车牌图像不易识别。 将车牌字符细化到同一宽度,便于提取字符信息[4]。 对图像区域骨架提取可以体现出自身的特征,故本文算法在图像预处理中将图像像素反转 (将白色像素点反转为黑色像素点, 反之同理) 便于对车牌图像的外骨架进行细化,提取到相同的宽度黑色外骨架线。 本算法编程利用 IMAQ Morphology VI 对车牌图像进行两次形态学处理, 并且选择 IMAQ Image To Array VI 将图像转化为像素数组进行 “与”、“异或”、“非”等运算,得到如图 2 所示骨架提取后的车牌图像。 1.4 字符分割 车牌的垂直投影效果在进行骨架提取后更加明显, 根据此特点可将车牌的 7 个字符分割成单个字符。 故本文选择垂直投影算法进行字符分割。 在垂直方向对骨架提取后的车牌图像进行正向投影时, 所产生的字符投影特征是某一列的像素总和[5]。字符区域必在垂直投影图的局部最大值之间。 此方法可以直观地划分字符区域,提升了字符分割的正确率。 基于 BP 神经网络算法的车牌自动识别* 李雅雯 童璟芸 胡旭东 张弛斌 李红莉 (仪器科学与光电工程学院 合肥工业大学,安徽 合肥 230009) Automatic Li

参考文献

引证文献

问答

我要提问