CN101408933A - 基于粗网格特征提取和bp神经网络的车牌字符识别方法 - Google Patents

Abstract

一种基于粗网格特征提取和BP神经网络的车牌字符识别方法，包括以下步骤：1)、对车牌图像进行预处理，消除各种干扰，得到最小车牌区域；2)、结合竖直投影和滴水算法进行车牌字符分割；3)、对分割结果进行筛选，去除垂直边框、分隔符、铆钉等的干扰；4)、根据质心位置进行字符归一化；5)、将归一化后的字符点阵的每个像素点作为一个网格，提取字符的原始特征；6)、结合车牌实际，设计具有二级分类器的BP神经网络；7)、合理构造训练样本库，对神经网络进行训练，按照识别效果调整训练样本，实现网络准确识别。本发明有效消除噪声干扰、字符分割快速准确、对汉字的识别稳定高效、整个识别过程实现了实时性与准确性的平衡。

Description

基于粗网格特征提取和BP神经网络的车牌字符识别方法

技术领域

本发明涉及一种车牌字符识别技术。

背景技术

随着车牌自动识别(License Plate Recognition，LPR)系统在道路收费管理系统、交通监控、停车场管理、车牌验证、车流统计等场合得到越来越广泛的应用，如何实现更准确高效的车牌识别成了当前研究的一大热点。车牌字符识别作为车牌自动识别系统中的关键步骤，识别效果的优劣直接影响到整个识别系统的性能。

对于已获取的车牌图像，通常的识别包括车牌字符分割和车牌字符识别这两个关键步骤。

车牌字符分割就是将车牌区域分割成单个的字符区域，以利于下一步的字符识别。由于字符块在竖直方向上的投影必然在字符间或字符内的间隙处取得局部最小值，故多采用垂直投影法实现。国外如Yuntao等对车牌识别系统中二值化过程中引入马尔科夫场的某些特性进行研究，然后利用投影进行切分；韩国的Eun Ryung Lee等利用号牌颜色进行定位和切分。国内如中国科技大学的陈锻生等提出的利用快速连通区域形状分析的方法来实现车牌字符切分；云南昆明理工大学潘小露等提出了一种利用投影的车牌定位切分方法；复旦大学卢达等人提出了一种基于骨架法形态分析的粘连字符图像切分方法，对车牌图像中有粘连问题图像将会十分有效。还有其它的一些方法，如Ohya J.等先对灰度图像局部二值化，通过对相邻区域的灰度梯度的判断实现字符分割；黄可为等利用视觉神经生理学和认知学实验结果，归纳出一种仿生目标搜索策略——BOSS(Bionic Object Exploring Strategy)策略，将其运行到车牌字符分割中。

车牌字符识别技术是一门综合技术。我国的车牌中不仅有英文字母和阿拉伯数字，还包含笔划繁杂的汉字，导致其识别难度比仅对字母、数字的识别大得多。对于车牌字符识别，目前最常用的方法是基于模板匹配的方法和基于神经网络的方法两大类。模板匹配法如魏武等将模板在字符区左右滑动，找到最好的匹配位置，采用重合度和差别函数来度量匹配程度；陈斌等提出了松弛模板匹配的方法，对每一类根据不同的阈值二值化生成3个模板，综合比较实现识别；神经网络方法如T.W.Tindall等，通过多层神经网络对输入字符图像样本进行训练，产生分类器模型用于字符识别；其他方法如沈会良等利用小波变换提取字符的结构特征，用于数字和字母的识别；冯国进等提出了一种基于模糊方法的快速字符二级动态识别方法；黄志斌等将支持向量机的方法应用到车牌字符识别。

目前已有的车牌字符识别方法实际效果并不理想，主要存在以下问题：(1)、在字符分割阶段，采集的车牌图像由于各种原因存在质量低、噪声大、字符粘连、断裂等各种情况，传统的车牌分割技术无法适用；(2)、传统的字符识别算法对字符图像质量较敏感，鲁棒性不高。实际应用中采集的车牌字符存在光线干扰、污损等许多客观因素的干扰，导致字符识别效果不理想；(3)、由于汉字的特殊性和复杂性，传统的识别方法对于汉字的识别存在识别效率低下、正确率较低的不足。

发明内容

为了克服已有车牌字符识别方法中存在的字符分割算法受车牌图像质量影响较大、识别算法对低质量字符图像识别效果差、对汉字识别效果不佳的不足，本发明提供一种分割效果不受车牌图像质量影响、对汉字的识别效果好的基于粗网格特征提取和BP神经网络的车牌字符识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于粗网格特征提取和BP神经网络的车牌字符识别方法，该方法包括以下步骤：

1)对采集的车牌图像进行预处理：包括对车牌图像的灰度化与二值化、倾斜校正、车牌图像背景色统一、车牌边框及铆钉的去除、消除车牌噪声、反旋转去除毛刺，取得最小车牌区域，并对最小车牌区域进行数学形态学的膨胀或腐蚀运算；

2)对经过预处理的车牌图像进行基于竖直投影及直方图的方法对车牌字符进行粗分割，在车牌字符间隙区域可取得白色像素投影的局部最小值作为粗分割的依据，若粗分割得到的字符块宽度超过宽度阈值，运用滴水算法进行二次精确分割，通过寻找字符的闭合边缘轮廓，并沿着缝隙进行裁剪，并以最左上角和最右下角的边缘点为基准将字符图像进行矩形化拓展；

3)对分割出来的目标字符图像进行筛选，去除垂直边框、铆钉、分隔符等非字符图像；

4)根据水平和垂直两个方向字符像素的分布进行字符图像的归一化，计算文字的质心 G_I和G_J：

$G_I=\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}i\·c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)---\left(1\right)$

$G_J=\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}j\·c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)---\left(2\right)$

其中，c(i，j)为1表示该像素为白像素(即字符像素)，为0时表示该像素点为背景，下面计算水平和垂直方向的散度σ_I和σ_J：

${\mathrm{\σ}}_I^2=\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)\right\}\·{(i-G_I)}^2/\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)---\left(3\right)$

${\mathrm{\σ}}_J^2=\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)\right\}\·{(j-G_J)}^2/\underset{i=A}{\overset{B}{\mathrm{\Σ}}}\underset{j=L}{\overset{R}{\mathrm{\Σ}}}c(i,j)---\left(4\right)$

按比例将字符线性放大或缩小成规定散度的点阵，将字符图像统一为32×16像素大小，字符区域背景为黑色，字符前景为白色；

5)将归一化后的字符点阵的每个像素点作为一个网格；

6)设计BP神经网络进行字符识别：BP神经网络包含汉字网络、字母网络、字母数字网络和数字网络，对不同类型字符进行分类，确定输入输出神经元个数、隐含层个数、隐含层中神经元数目、激活函数、学习速率；

7)构造样本库进行训练，对BP神经网络进行训练，并根据实际识别效果对训练样本进行调整，直到神经网络的识别率达到应用要求，实现车牌字符的准确识别。

作为优选的一种方案：所述的步骤1)中，对采集的车牌图像进行预处理，具体步骤如下：

(1.1)定位截取的色车牌图片，将彩色车牌图像转换为灰度图像，再对其进行二值化处理，RGB图像灰度化的计算方法为：

Gray＝0.229R+0.587G+0.114B            (5)

设g(x，y)为原灰度图像，b(x，y)为二值化后图像，则二值化过程为：

$b(x,y)=\left\{\begin{array}{c}1,g(x,y)\&GreaterEqual;t\\ 0,g(x,y)<t\end{array}\right.---\left(6\right)$

其中，经验阈值t的计算方法：

t＝G_max-(G_max-G_min)/3                 (7)

G_max和G_min分别是最高、最低灰度值；

(1.2)采用Radon变换对倾斜的车牌图像进行调整和校正，曲线f(x，y)的Radon变换是一个平行于y轴的线积分：

$R_{\mathrm{\&theta;}}\left(x^{\&prime;}\right)={\&Integral;}_{-\&infin;}^{\&infin;}f(x^{\&prime;}\cos \mathrm{\&theta;}-y^{\&prime;}\sin \mathrm{\&theta;},x^{\&prime;}\sin \mathrm{\&theta;}+y^{\&prime;}\cos \mathrm{\&theta;})d{y}^{\&prime;}---\left(8\right)$

式中：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]---\left(9\right)$

由θ以及x可定一条直线，确定出θ值之后，对图像进行旋转|90-θ|°处理；

(1.3)通过统计图像车牌主区域中黑白象素的个数来进行图像类别的确认：对车牌的二值图像进行白像素数量统计，若白色像素所占比例超过50％，则认为此图片的背景色为白色，对其进行反色变换；如果白色像素所占比例不足50％，则说明该车牌的二值图像为黑底白字，保持不变；

(1.4)采用基于黑白颜色跳变特征的方法消除对车牌图像存在的上下边框及铆钉的干扰，依次考虑以下规则：

(1.4.1)黑白跳变小于某阈值的行即被视为背景；

(1.4.2)连续白线长度大于某阈值，则该白线被认为是背景；

(1.4.3)单行白色点总数大于某阈值，则该行被认为是背景；

(1.4.4)在车牌高度的上面1/2处向上搜索第一条全为黑的线，则认为该黑线以上为背景；在下面1/2处向下搜索第一条全为黑的线，则认为该黑线以下为背景；

(1.5)采用基于连通域的方法消除车牌图像中的细小噪声：对于任一白色像素，均求出它的最大连通域，再通过设置高度阈值、面积阈值方式来去除不符合阈值的噪声部分；

(1.6)如果步骤(1.2)的旋转操作及后续的处理使得字符歪曲且边缘出现“毛刺”现象，对图像进行反旋转操作将校正字符并消除毛刺，旋转角度为-|90-θ|°；

(1.7)取得最小车牌区域的方法是：依次从上向下，从下向上，从左向右，从右向左搜索第一条不为全黑的直线，则这4条直线包围的范围是最小车牌区域；

(1.8)运用数学形态学对车牌图像进行膨胀或腐蚀操作，自定义结构元素对象，实现平滑字符边缘、填补细小漏洞、均衡车牌字符的粗细程度。

作为优选的另一种方案：所述的步骤2)中对经过预处理的车牌图像结合竖直投影及滴水算法的方法对车牌字符进行分割，并进行矩形化拓展，具体步骤如下：

(2.1)对经过预处理的车牌图像进行竖直投影，纵向扫描每一列白色像素的个数，在两个字符之间的字符间隙投影取得局部最小值，并将其作为字符的分割点进行字符粗分割；

(2.2)设置单个车牌字符的宽度阈值为车牌总宽度的1/7，若粗分割结果中有单个字符宽度大于此阈值，则认为存在字符粘连，需要进行二次精确分割；采用各向同性的Isotropic Sobel算子对粘连字符进行闭合轮廓边缘提取，Sobel算子又分为两种：检测水平边缘的 $\left[\begin{array}{ccc}-1& 0& 1\\ -\sqrt{2}& 0& \sqrt{2}\\ -1& 0& 0\end{array}\right],$ 以及检测垂直边缘的 $\left[\begin{array}{ccc}-1& -\sqrt{2}& -1\\ 0& 0& 0\\ 1& \sqrt{2}& 1\end{array}\right];$

(2.3)运用滴水算法进行字符二次分割，即沿着字符之间的边缘轮廓曲线进行分割，以最左上角和最右下角的边缘像素点作为定位点进行裁剪，并对裁剪的字符图像进行矩形化拓展，背景采用黑色区域填充。

进一步，所述的步骤3)中对切割出来的目标字符图像进行筛选，去除垂直边框及铆钉、分隔符干扰，具体步骤如下：

(3.1)设置宽度的阈值为车牌总宽度的1/7×30％，最左侧字符宽度若小于该阈值，则认为是左边框，设为背景色；

(3.2)通过对切割出的“目标字符图片”的色彩特征进行判断，去除残留分隔符和铆钉的干扰：若目标字符图片上下1/3都是空白，只有中间1/3不是空白，则认为是分隔符干扰；若中间1/3是空白，上面1/3或者下面1/3不是空白，则认为是铆钉干扰；

(3.3)若目标字符图片数量仍然超过7个，则最后一个认为是右边框干扰予以去除。

作为优选的再一种方案：所述的步骤6)中结合实际车牌的特点设计BP神经网络，具体步骤如下：

(6.1)分别设计四个神经网络：汉字网络、字母网络、字母数字网络和数字网络；

(6.2)对归一化为32×16点阵大小的字符，以每个像素点为一个网格，则输入层神经元个数为512；输出层神经元个数即为待识别的类别数目M，输出层每个神经元代表一个目标种类；针对不同字符分成4个子网络，各网络输出神经元个数分别为：汉字网络：51个；字母网络：25个；字母数字网络：34个；数字网络：10个；

(6.3)采用具有一个隐藏层的三层BP神经网络，确定隐含层神经元个数计算公式如下：

$\mathrm{New}\_\mathrm{num}=\sqrt{\mathrm{in}\_\mathrm{num}\&times;(\mathrm{out}\_\mathrm{num}+1)+1}---\left(10\right)$

其中，New_num代表隐层神经元个数，in_num代表输入层神经元个数，out_num代表输出层神经元个数。

(6.4)在神经网络的隐含层和输出层，激活函数选用Sigmoid函数，形式如下：

logistic函数属于S型函数，其中v_j(n)是神经元j的诱导局部域，且根据非线性，

的范围在[0，1]之内，通过调整a，b，c的值来改变函数饱和区，从而调整输出；

在a，b，c均取1时，训练和识别都有较好的效果，此时激活函数表达式为：

形同 $f\left(x\right)=\frac{1}{1{+e}^{-x}}---\left(12\right);$

(6.5)设置一个初始权值的范围，初始权值是(-1，1)之间的随机数，选取权值的量级为

，其中s₁为第一层神经元的个数；

(6.6)采用变化的自适应学习速率保证BP神经网络能够稳定并快速地收敛，采用变化的自适应学习速率的调整公式是：

其中，η(k)表示学习速率，SSE(k)表示训练的误差。

作为优选的再另一种方案：所述的步骤7)中，构造样本库进行BP神经网络的训练，具体步骤如下：

(7.1)BP网络的训练过程为：

(7.1.1)根据不同的训练样本集合，确定初始化网络参数：最大迭代次数、学习率、动量因子、激活函数、训练精度、训练准则；

(7.1.2)选择并打开字符训练样本库，装载样本特征训练集；

(7.1.3)确定网络结构，输入各层的网络节点；

(7.1.4)按改进的BP算法训练网络；

(7.1.5)将训练成功的网络权值以文件形式保存；

(7.2)对已训练完成的网络进行识别样本的测试，若某一类字符的识别率较差，则选择能代表大多数该类样本共性的训练样本；

(7.3)构建汉字样本库时，对结构复杂、笔划紧密的字符增加典型笔划粘连、典型偏移字符点阵作为训练样本。

进一步，所述的步骤(1.5)中，连通域的求解采用迷宫法，即任选车牌图像中的某一个白色像素，向该像素相邻的8个方向搜索，若为某方向上为白色像素，则标记，并进行计数，直到该白色连通域内任意一个白色像素都被标记一次，此时白色像素数量的计数结果就是所述连通域的面积。

本发明的有益效果主要表现在：1、经过预处理的车牌图像较好地消除了噪声的干扰；2、结合竖直投影和滴水算法的字符分割方法，鲁棒性好，能够较好地解决字符粘连、断裂等问题，分割效果好；3、结合我国车牌的实际情况，针对汉字的特殊性，为质量低下的汉字图像建立多个训练样本，提高了神经网络识别汉字的稳健性和识别正确率；4、BP神经网络设计科学合理，整体流程实现了实时性与准确性的平衡。

附图说明

图1是彩色车牌图像统一为黑底白字二值车牌图。其中图1(a)为原车牌图像，图1(b)为灰度化图像，图1(c)为二值化图像，图1(d)为倾斜校正图像，图1(e)为背景色统一后的图像。

图2是背景统一的车牌图像取得最小车牌区域的过程。其中图2(a)为背景色统一的车牌图像，图2(b)为去除水平边框干扰，图2(c)为去除细小噪声，图2(d)为反旋转图像，图2(e)为最小车牌区域图像，图2(f)为数学形态学膨胀或腐蚀效果图。

图3是车牌字符切割及归一化。

图4是字符粗网格特征提取过程示意图。其中图4(a)是字符归一化过程，图4(b)是提取字符粗网格特征示意图，图4(c)是分为8×4网格之的白色像素特征数字统计图。

图5是相似字符“0”和“D”的粗网格特征比较。

图6是BP神经网络的结构设计图。

图7是神经网络训练样本及识别样本的对比图。

图8是BP神经网络车牌字符识别系统的实现过程框图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图8，一种基于粗网格特征提取和BP神经网络的车牌字符识别方法，该方法包括以下步骤：

1)对采集的车牌图像进行预处理，包括车牌图像的灰度化与二值化、倾斜校正、车牌图像背景色统一、车牌边框及铆钉的去除、消除车牌噪声、反旋转去除毛刺、取得最小车牌区域，并对最小车牌区域进行数学形态学的膨胀或腐蚀运算；

对采集的车牌图像进行预处理，具体步骤如下：

(1.1)定位截取的车牌图片是彩色的，为了减少数据的处理量，简化后续工作的难度，提高系统实时性，将彩色车牌图像转换为灰度图像，再对其进行二值化处理。RGB图像灰度化的计算方法为：

Gray＝0.229R+0.587G+0.114B                (5)

设g(x，y)为原灰度图像，b(x，y)为二值化后图像，则二值化过程为：

$b(x,y)=\left[\begin{array}{c}1,g(x,y)\&GreaterEqual;t\\ 0,g(x,y)<t\end{array}\right]---\left(6\right)$

其中，通过大量实验得出经验阈值t的计算方法：

t＝G_max-(G_max-G_min)/3                (7)

G_max和G_min分别是最高、最低灰度值；

(1.2)采用Radon变换对倾斜的车牌图像进行调整和校正，曲线f(x，y)的Radon变换是一个平行于y轴的线积分：

$R_{\mathrm{\&theta;}}\left(x^{\&prime;}\right)={\&Integral;}_{-\&infin;}^{\&infin;}f(x^{\&prime;}\cos \mathrm{\&theta;}-y^{\&prime;}\sin \mathrm{\&theta;},x^{\&prime;}\sin \mathrm{\&theta;}+y^{\&prime;}\cos \mathrm{\&theta;})d{y}^{\&prime;}---\left(8\right)$

式中：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]---\left(9\right)$

由θ以及x可确定一条直线，确定出θ值之后，对图像进行旋转|90-θ|°处理，实现倾斜校正的目的；

(1.3)车牌不同的色彩使得二值化处理后可能会呈现出白底黑字和黑底白字两种情况，可以通过统计图像车牌主区域中黑白象素的个数来进行图像类别的确认。对车牌的二值图像进行白像素数量统计，若白色像素所占比例超过50％，则认为此图片的背景色为白色，对其进行反色变换；如果白色像素所占比例不足50％，则说明该车牌的二值图像为黑底白字，保持不变，即把所有牌照都统一成了黑底白字的二值图像；

(1.4)采用基于黑白颜色跳变特征的方法消除对车牌图像存在的上下边框及铆钉的干扰，依次考虑以下规则：

(1.4.1)黑白跳变小于某阈值的行即被视为背景；

(1.4.2)连续白线长度大于某阈值，则该白线被认为是背景；

(1.4.3)单行白色点总数大于某阈值，则该行被认为是背景；

(1.4.4)在车牌高度的上面1/2处向上搜索第一条全为黑的线，则认为该黑线以上为背景；在下面1/2处向下搜索第一条全为黑的线，则认为该黑线以下为背景；

(1.5)采用基于连通域的方法消除车牌图像中的细小噪声，对于任一白色像素，均求出它的最大连通域，再通过设置高度阈值、面积阈值等方式来去除不符合阈值的噪声部分。连通域的求解御用迷宫法，即任选车牌图像中的某一个白色像素，向该像素相邻的8个方向搜索，若为某方向上为白色像素，则标记，并进行计数，直到该白色连通域内任意一个白色像素都被标记一次，此时白色像素数量的计数结果就是我们要的连通域的面积；

(1.6)步骤(1.2)的旋转操作及后续的处理，使得字符边缘出现“毛刺”现象，且原本较正的字符图像变歪了，因此需要对图像进行反旋转操作将校正字符并消除毛刺，旋转角度为-|90-θ|°；

(1.7)取得最小车牌区域的基本思路是：依次从上向下，从下向上，从左向右，从右向左搜索第一条不为全黑的直线，则这4条直线包围的范围是我们需要的最小车牌区域；

(1.8)运用数学形态学对车牌图像进行膨胀或腐蚀操作，自定义结构元素对象，实现平滑字符边缘、填补细小漏洞、均衡车牌字符的粗细程度。

2)对经过预处理的车牌图像进行基于竖直投影及直方图的方法对车牌字符进行粗分割，在车牌字符间隙区域可取得白色像素投影的局部最小值作为粗分割的依据。若粗分割得到的字符块宽度超过车牌宽度的1/7，则运用滴水算法进行二次精确分割，通过寻找字符的闭合边缘轮廓，并沿着缝隙进行裁剪，并以最左上角和最右下角的边缘点为基准将字符图像进行矩形化拓展；

所述的步骤2)中对经过预处理的车牌图像结合竖直投影及滴水算法的方法对车牌字符进行分割，并进行矩形化拓展，具体步骤如下：

(2.1)对经过预处理的车牌图像进行竖直投影，实质就是纵向扫描每一列白色像素的个数，在两个字符之间的白色像素相对于有效字符区域而言是比较少的，因此字符间隙投影附近能取得局部最小值，并将其作为字符的分割点进行字符粗分割；

(2.2)设置单个车牌字符的宽度阈值为车牌总宽度的1/7，若粗分割结果中有单个字符宽度大于此阈值，则认为存在字符粘连，需要进行二次精确分割。采用各向同性的Isotropic Sobel算子对粘连字符进行闭合轮廓边缘提取，Sobel算子又分为两种：

检测水平边缘的 $\left[\begin{array}{ccc}-1& 0& 1\\ -\sqrt{2}& 0& \sqrt{2}\\ -1& 0& 0\end{array}\right],$ 以及检测垂直边缘的 $\left[\begin{array}{ccc}-1& -\sqrt{2}& -1\\ 0& 0& 0\\ 1& \sqrt{2}& 1\end{array}\right];$

(2.3)运用滴水算法进行字符二次分割，即沿着字符之间的边缘轮廓曲线进行分割。沿着边缘进行裁剪后的字符图像可能是不规则的，我们就以最左上角和最右下角的边缘像素点作为定位点进行裁剪，并对裁剪的字符图像进行矩形化拓展，背景采用黑色区域填充。

3)对分割出来的目标字符图像进行筛选，对第一个目标字符图像设置字符宽度阈值(车牌总宽度的1/7×30％)，若小于该阈值，则认为是左侧边框予以去除；若切割出的“目标字符图片”上下1/3都是空白，只有中间1/3不是空白，则认为是分隔符干扰；若中间1/3是空白，上面1/3或者下面1/3不是空白，则认为是铆钉干扰；若最终目标字符图像超过7个，则最后一个认为是右边框干扰予以去除；

所述的步骤3)中对切割出来的目标字符图像进行筛选，去除垂直边框及铆钉、分隔符干扰，具体步骤如下：

(3.1)左边框一般情况下与车牌的首字符间存在一定的距离，由于我国车牌的第一个字符通常是汉字，汉字的宽度相对较大，而左边框的宽度比较小。设置宽度的阈值为车牌总宽度的1/7×30％，最左侧字符宽度若小于该阈值，则认为是左边框，设为背景色；

(3.2)通过对切割出的“目标字符图片”的色彩特征进行判断，去除残留分隔符和铆钉的干扰：若目标字符图片上下1/3都是空白，只有中间1/3不是空白，则认为是分隔符干扰；若中间1/3是空白，上面1/3或者下面1/3不是空白，则认为是铆钉干扰；

(3.3)经过上述步骤之后，若目标字符图片数量仍然超过7个，则重点检查最后一位是否是右边框残留。

4)根据水平和垂直两个方向字符像素的分布进行字符图像的归一化。计算文字的质心G_I和G_J：

$G_I=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}i\&CenterDot;c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(1\right)$

$G_J=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}j\&CenterDot;c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(2\right)$

其中，c(i，j)为1表示该像素为白像素(即字符像素)，为0时表示该像素点为背景。下面计算水平和垂直方向的散度σ_I和σ_J：

${\mathrm{\&sigma;}}_I^2=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)\right\}\&CenterDot;{(i-G_I)}^2/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(3\right)$

${\mathrm{\&sigma;}}_J^2=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)\right\}\&CenterDot;{(j-G_J)}^2/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(4\right)$

按比例将字符线性放大或缩小成规定散度的点阵，将字符图像统一为32×16像素大小，字符区域背景为黑色，字符前景为白色；

5)归一化后的二值字符图像实质上已经成了规格一致，且仅有数值“0”和“1”的矩阵。本发明提出改进型粗网格特征，即将归一化后的字符点阵的每个像素点作为一个网格，这样每个字符对应的32×16像素的矩阵图一共提供了512个原始特征值；

6)结合车牌的实际特点，设计BP神经网络，包含汉字网络、字母网络、字母数字网络和数字网络来实现对不同类型字符的分类功能，确定输入输出神经元个数、隐含层个数、隐含层中神经元数目、激活函数、学习速率等；

所述的步骤6)中结合实际车牌的特点设计BP神经网络，具体步骤如下：

(6.1)标准车牌共有7位字符，其中第一个是省份汉字，第二个是字母，第三、四个字符可能是字母或数字，第五到最后一位都是数字，因此在车牌字符识别系统中，分别设计四个神经网络：汉字网络、字母网络、字母数字网络和数字网络实现对字符的分类。

对于牌照字符的第二、三位，如果初级分类网络判断为“8”和“B”、“Q”、“0”和“D”或者“4”和“A”、“C”和“G”这样的字符，由于它们的粗网格特征比较相似，在初级网络中可能做出了错误的分类，所以将此类字符输入到下一级神经网络细分类器中，对其再进行一次细分类；

(6.2)对归一化为32×16点阵大小的字符，以每个像素点为一个网格，则输入层神经元个数为512；输出层神经元个数即为待识别的类别数目M，输出层每个神经元代表一个目标种类。在本发明中，我们针对不同字符分成4个子网络，各网络输出神经元个数分别为：汉字网络：51个；字母网络：25个；字母数字网络：34个；数字网络：10个；

(6.3)本发明采用具有一个隐藏层的三层BP神经网络，根据以往经验及大量实验的结果，确定隐含层神经元个数计算公式如下：

$\mathrm{New}\_\mathrm{num}=\sqrt{\mathrm{in}\_\mathrm{num}\&times;(\mathrm{out}\_\mathrm{num}+1)+1}---\left(10\right)$

其中，New_num代表隐层神经元个数，in_num代表输入层神经元个数，out_num代表输出层神经元个数。

(6.4)在神经网络的隐含层和输出层，激活函数一般选用Sigmoid函数，形式如同：

的logistic函数，属于S型函数。其中v_j(n)是神经元j的诱导局部域，且根据非线性，的范围在[0，1]之内，通过调整a，b，c的值来改变函数饱和区，从而调整输出。

经过实验对比，在a，b，c均取1时，训练和识别都有较好的效果。此时激活函数表达式为：

形同 $f\left(x\right)=\frac{1}{1+e^{-x}}---\left(12\right)$

(6.5)为了使神经网络能够快速和均衡地学习，设置一个初始权值的范围，通常是(-1，1)之间的随机数，根据前人的经验，选取权值的量级为

，其中s₁为第一层神经元的个数；

(6.6)采用变化的自适应学习速率保证BP神经网络能够稳定并快速地收敛，采用变化的自适应学习速率的调整公式是：

其中，η(k)表示学习速率，SSE(k)表示训练的误差。

7)构造样本库进行训练，对BP神经网络进行训练，并根据实际识别效果对训练样本进行调整，直到神经网络的识别率达到应用要求，实现车牌字符的准确识别；所述的步骤7)中，构造样本库进行BP神经网络的训练，具体步骤如下：

(7.1)BP网络的训练过程为：

(7.1.1)根据不同的训练样本集合，确定初始化网络参数：最大迭代次数、学习率、动量因子、激活函数、训练精度、训练准则；

(7.1.2)选择并打开字符训练样本库，装载样本特征训练集；

(7.1.3)确定网络结构，输入各层的网络节点；

(7.1.4)按改进的BP算法训练网络；

(7.1.5)将训练成功的网络权值以文件形式保存；

(7.2)对已训练完成的网络进行识别样本的测试，若某一类字符的识别率较差，则应该选择能代表大多数该类样本共性的训练样本，保证神经网络对该类字符进行了正确的学习；

(7.3)构建汉字样本库时，本发明为笔划较多的汉字针对汉字笔划粘连、字符偏移现象，为结构复杂、笔划紧密的字符适当增加典型笔划粘连、典型偏移字符点阵作为训练样本，提高汉字网络的稳健性能和识别率。

在实际应用中，直接从视频图像中截取出来的车牌图像都是彩色的。尽管彩色图像可以提供更多的信息，如图1(a)所示，黄底黑字的车牌颜色代表这是一辆大型车辆。但是同时，彩色图像对后续的处理也同样带来了更多的困难和更高的要求。另一方面，由于视频往往受到拍摄环境、角度等因素的影响，存在各种各样的干扰。为了对车牌字符进行有效的识别，有必要对车牌图像进行一定的处理。

对车牌图像的处理首先是灰度化和二值化。灰度化的效果如图1(b)所示；对于灰度化的车牌图象，对其进行二值化处理，使车牌图像变成仅有“0”和“1”的矩阵，因此二值化图像在图像处理过程中较灰度图像更具有优势。二值化的关键在于选择合适的阈值，大于阈值的灰度像素置为1，否则置为0，二值化的效果如图1(c)所示。

车牌都是矩形的，外围镶有金属边框，但是在视频中往往因为拍摄角度等原因使得车牌图像有一定的倾斜，如图1(c)所示。而且车牌图像呈现的往往不是矩形，甚至只是一个四边形，因此需要对车牌图像进行倾斜校正。运用Radon变换，通过确定取得局部最大值时的角度θ值，对图像进行旋转|90-θ|°处理，实现倾斜校正的目的，如图1(d)所示。

在此前的二值化过程中，由于我国车牌颜色搭配多样，二值化出现了黑底白字与白底黑字两种结果，因此需要对二值化结果进行背景色的统一，统一为黑色背景，白色字符。介于车牌区域内字符所占的面积应小于背景所占面积，因此只需判断二值化图像中黑白像素所占比例即可分辨字符及背景，通过反色等操作，实现背景色的统一，如图1(e)所示。

对于经过上述处理的车牌图像来说，存在的主要干扰来自于边框、铆钉及其他细小噪声。分析二值化车牌图像，最显著的特征就是字符区域内黑白颜色跳变信息，而水平边框则不存在这样的特点。同时在水平边框区域存在大量连续的白色像素，且总的白色像素也往往大于字符区域，因此可以根据以上特征将水平边框去除。边框去除的效果如图2(b)所示，在某些情况下，铆钉能够随着水平边框一同被去除。

由于前期处理及图像本身质量原因，车牌图像存在着一些细小的噪声，它们共同的特点就是小：面积小，或者高度小。对于这些噪声，运用基于连通域的方法进行消除，其基本方法如下：对于任何的白色像素，均求出它的最大连通域，再通过设置高度阈值、面积阈值等方式来去除。图2(c)为去除细小噪声的效果图，最明显的就是车牌间隔符被除去，某些情况下残留的垂直边框也会被去除。

此时车牌图像存在的干扰已相对较少了，但是先前的旋转操作虽然使车牌整体校正了，但图像出现“毛刺”现象，同时车牌字符本身却变歪了，因此对其进行相同角度的反旋转，如图2(d)所示，字符校正后更有利于后续的分割操作。图2(e)是取得最小车牌区域的示意图，关键在于上下左右四个方向进行扫描，直到扫描到第一条不全黑的线。图2(f)是进行数学形态学的膨胀或腐蚀的效果图，主要目的在于使各个字符粗细均匀，便于后续的特征提取及识别工作。

图3是车牌字符切割及字符图像归一化的效果图。在切割过程中，本发明结合竖直投影和滴水算法来进行。在车牌质量较好的情况下，采用竖直投影的方法即可取得较好的字符分割效果。但在实际应用中，由于存在残留边框及铆钉干扰、字符粘连等，竖直投影切割往往不能满足要求，需要运用滴水算法进行二次精细分割。滴水算法主要针对部分粗切割出的字符宽度大于车牌宽度的1/7，此时很有可能出现了字符粘连等情况。通过检测字符图像的封闭边缘，沿着字符边缘进行更精确的分割。

本发明采用基于质心的位置归一化方法，将字符图像归一化为32×16像素的点阵，以每一个像素点最为一个网格，提取字符的原始特征，如图4(b)所示，并分为8×4网格后，得到白色像素特征统计图，如图4(c)所示。图5中分别是数字“0”和字母“D”的字符点阵。仔细观察，数字“0”和字母“D”的细微区别主要在于左上角和左下角，因此提取其相应点阵的左上角和左下角部分的网格特征，并运用该特征对两者进行细分类。

车牌以及车牌字符的实际特点是神经网络结构设计的基础。针对应用于车牌字符识别的BP网络分类器，必须结合具体情况设计，并在试验中不断改进，才能训练出泛化性能好的模式分类器。我国的标准车牌共有7位字符，其中第一个是省份汉字，第二个是字母，第三、四个字符可能是字母或数字，第五到第七位都是数字，因此在车牌字符识别系统中，分别设计四个神经网络：汉字网络、字母网络、字母数字网络和数字网络实现对字符的分类。同时，由于车牌上的字符都是标准的印刷体，部分字符存在着相似性，如“8”和“B”、“Q”、“0”和“D”或者“4”和“A”、“C”和“G”这样的字符。因此对于此类相似度较高的字符，需要特别设计数字、字母的二级细分类器进行再次分类，二级BP神经网络结构如图6所示。

在按照实际情况设置了神经网络的输入输出神经元个数、隐含层个数、隐含层中神经元数目、激活函数、学习速率等参数后，需要建立样本库，对神经网络进行训练。合理的训练样本选取，对网络的分类和泛化能力有很大的影响。由于实际得到车牌字符的质量较低，如果为了追求网络识别某个较不规范字符而将之作为训练样本，则会导致网络学会了该不规范字符，但对该类较规范字符的识别率却下降了。如图7所示的例子里，图7(a)为字母“A”标准训练样本，而实际采集得到的车牌字母“A”大多存在一定程度的倾斜，如图7(b)所示，因此在用图7(a)作为训练样本时，字母“A”的识别效果不佳。由此，应该从车牌字符识别样本中选择一个大致规范的样本，如图7(b)来代替原来的训练样本。

另一方面，由于我国汉字的特殊性，有些省份汉字如浙、湘、鄂、赣等，字体复杂，笔划较多，粘连的现象严重，给网络训练和识别带来困难。本发明为笔划较多的汉字同时建立2～3个训练样本：标准样本、典型粘连样本和典型偏移样本，这样可以极大提高笔划粘连和偏移的字符的识别正确率。因此BP网络训练样本的收集必须是全面的，且每一个训练样本都应该能如实反映每一类待识别模式的特征。

建立合理的训练样本库的目的在于使神经网络能够对字符进行准确高效的识别。神经网络的训练过程基本步骤为：首先定义一个BP网络结构-＞初始化一个随机数种子-＞创建BP网络-＞将输入模式传递给创建的BP网络-＞将标准训练样本保存到文件中以矩阵形式存储-＞定义目标向量，教师信号中1表示目标种类，0表示非目标种类-＞设置训练参数，串行方式进行训练-＞训练失败，退出；成功，则保存权值-＞释放内存。

经过训练的神经网络可以直接用于字符识别，识别过程基本步骤为：定义BP网络结构、初始化随机数种子、创建BP网络结构(与训练过程相同)-＞将待识别字符的输入模式传递给创建的BP网络，将所有待识别字符样本以矩阵形式保存在文件夹中-＞将训练完成后保存的权值矩阵读入相应的BP网络结构的权值矩阵中-＞调用前向函数进行前向计算-＞判断输入的待识别样本的类别，并输出结果。值得注意的是，当经过训练的神经网络对于某一类字符的识别率特别低时，应将训练样本与待识别样本进行仔细比较，及时调整训练样本，重新对网络进行训练。

本发明通过合理地对车牌图像进行一系列处理，取得字符的粗网格特征；在设计BP神经网络时，结合实际对易混淆的相似字符设计了二级分类器；构建样本库时，在标准样本的基础上，为结构复杂、笔划紧密的汉字字符适当增加典型笔划粘连样本和典型偏移样本。实验结果证明，本发明可以有效提高车牌字符识别系统的抗干扰能力、容错能力和识别率。

Claims (7)

1、一种基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：该方法包括以下步骤：

1)对采集的车牌图像进行预处理：包括对车牌图像的灰度化与二值化、倾斜校正、车牌图像背景色统一、车牌边框及铆钉的去除、消除车牌噪声、反旋转去除毛刺，取得最小车牌区域，并对最小车牌区域进行数学形态学的膨胀或腐蚀运算；

2)对经过预处理的车牌图像进行基于竖直投影及直方图的方法对车牌字符进行粗分割，在车牌字符间隙区域可取得白色像素投影的局部最小值作为粗分割的依据，若粗分割得到的字符块宽度超过宽度阈值，运用滴水算法进行二次精确分割，通过寻找字符的闭合边缘轮廓，并沿着缝隙进行裁剪，并以最左上角和最右下角的边缘点为基准将字符图像进行矩形化拓展；

3)对分割出来的目标字符图像进行筛选，去除垂直边框、铆钉、分隔符非字符图像；

4)根据水平和垂直两个方向字符像素的分布进行字符图像的归一化，计算文字的质心G_I和G_J：

$G_I=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}i\&CenterDot;c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(1\right)$

$G_J=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}j\&CenterDot;c(i,j)/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(2\right)$

其中，c(i，j)为1表示该像素为白像素(即字符像素)，为0时表示该像素点为背景，下面计算水平和垂直方向的散度σ_I和σ_J：

${\mathrm{\&sigma;}}_I^2=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)\right\}\&CenterDot;{(i-G_I)}^2/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(3\right)$

${\mathrm{\&sigma;}}_J^2=\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\left\{\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)\right\}\&CenterDot;{(j-G_J)}^2/\underset{i=A}{\overset{B}{\mathrm{\&Sigma;}}}\underset{j=L}{\overset{R}{\mathrm{\&Sigma;}}}c(i,j)---\left(4\right)$

按比例将字符线性放大或缩小成规定散度的点阵，将字符图像统一为32×16像素大小，字符区域背景为黑色，字符前景为白色；

5)将归一化后的字符点阵的每个像素点作为一个网格；

6)设计BP神经网络进行字符识别：BP神经网络包含汉字网络、字母网络、字母数字网络和数字网络，对不同类型字符进行分类，确定输入输出神经元个数、隐含层个数、隐含层中神经元数目、激活函数、学习速率；

7)构造样本库进行训练，对BP神经网络进行训练，并根据实际识别效果对训练样本进行调整，直到神经网络的识别率达到应用要求，实现车牌字符的准确识别。

2、如权利要求1所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤1)中，对采集的车牌图像进行预处理，具体步骤如下：

(1.1)定位截取的色车牌图片，将彩色车牌图像转换为灰度图像，再对其进行二值化处理，RGB图像灰度化的计算方法为：

Gray＝0.229R+0.587G+0.114B    (5)

设g(x，y)为原灰度图像，b(x，y)为二值化后图像，则二值化过程为：

$b(x,y)=\left\{\begin{array}{c}1,g(x,y)\&GreaterEqual;t\\ 0,g(x,y)<t\end{array}\right.---\left(6\right)$

其中，经验阈值t的计算方法：

t＝G_max-(G_max-G_min)/3(7)

G_max和G_min分别是最高、最低灰度值；

(1.2)采用Radon变换对倾斜的车牌图像进行调整和校正，曲线f(x，y)的Radon变换是一个平行于y轴的线积分：

$R_{\mathrm{\&theta;}}\left(x^{\&prime;}\right)={\&Integral;}_{-\&infin;}^{\&infin;}f(x^{\&prime;}\cos \mathrm{\&theta;}-y^{\&prime;}\sin \mathrm{\&theta;},x^{\&prime;}\sin \mathrm{\&theta;}+y^{\&prime;}\cos \mathrm{\&theta;})d{y}^{\&prime;}---\left(8\right)$

式中：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\&theta;}& \sin \mathrm{\&theta;}\\ -\sin \mathrm{\&theta;}& \cos \mathrm{\&theta;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]---\left(9\right)$

由θ以及x可定一条直线，确定出θ值之后，对图像进行旋转|90-θ|°处理；

(1.3)通过统计图像车牌主区域中黑白象素的个数来进行图像类别的确认：对车牌的二值图像进行白像素数量统计，若白色像素所占比例超过50％，则认为此图片的背景色为白色，对其进行反色变换；如果白色像素所占比例不足50％，则说明该车牌的二值图像为黑底白字，保持不变；

(1.4)采用基于黑白颜色跳变特征的方法消除对车牌图像存在的上下边框及铆钉的干扰，依次考虑以下规则：

(1.4.1)黑白跳变小于某阈值的行即被视为背景；

(1.4.2)连续白线长度大于某阈值，则该白线被认为是背景；

(1.4.3)单行白色点总数大于某阈值，则该行被认为是背景；

(1.4.4)在车牌高度的上面1/2处向上搜索第一条全为黑的线，则认为该黑线以上为背景；在下面1/2处向下搜索第一条全为黑的线，则认为该黑线以下为背景；

(1.5)采用基于连通域的方法消除车牌图像中的细小噪声：对于任一白色像素，均求出它的最大连通域，再通过设置高度阈值、面积阈值方式来去除不符合阈值的噪声部分；

(1.6)如果步骤(1.2)的旋转操作及后续的处理使得字符歪曲且边缘出现“毛刺”现象，对图像进行反旋转操作将校正字符并消除毛刺，旋转角度为-|90-θ|°；

(1.7)取得最小车牌区域的方法是：依次从上向下，从下向上，从左向右，从右向左搜索第一条不为全黑的直线，则这4条直线包围的范围是最小车牌区域；

(1.8)运用数学形态学对车牌图像进行膨胀或腐蚀操作，自定义结构元素对象，实现平滑字符边缘、填补细小漏洞、均衡车牌字符的粗细程度。

3、如权利要求1或2所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤2)中对经过预处理的车牌图像结合竖直投影及滴水算法的方法对车牌字符进行分割，并进行矩形化拓展，具体步骤如下：

(2.1)对经过预处理的车牌图像进行竖直投影，纵向扫描每一列白色像素的个数，在两个字符之间的字符间隙投影取得局部最小值，并将其作为字符的分割点进行字符粗分割；

(2.2)设置单个车牌字符的宽度阈值为车牌总宽度的1/7，若粗分割结果中有单个字符宽度大于此阈值，则认为存在字符粘连，需要进行二次精确分割；采用各向同性的IsotropicSobel算子对粘连字符进行闭合轮廓边缘提取，Sobel算子又分为两种：

检测水平边缘的 $\left[\begin{array}{ccc}-1& 0& 1\\ -\sqrt{2}& 0& \sqrt{2}\\ -1& 0& 0\end{array}\right],$ 以及检测垂直边缘的 $\left[\begin{array}{ccc}-1& -\sqrt{2}& -1\\ 0& 0& 0\\ 1& \sqrt{2}& 1\end{array}\right];$

(2.3)运用滴水算法进行字符二次分割，即沿着字符之间的边缘轮廓曲线进行分割，以最左上角和最右下角的边缘像素点作为定位点进行裁剪，并对裁剪的字符图像进行矩形化拓展，背景采用黑色区域填充。

4、如权利要求3所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤3)中对切割出来的目标字符图像进行筛选，去除垂直边框及铆钉、分隔符干扰，具体步骤如下：

(3.1)设置宽度的阈值为车牌总宽度的1/7×30％，最左侧字符宽度若小于该阈值，则认为是左边框，设为背景色；

(3.2)通过对切割出的“目标字符图片”的色彩特征进行判断，去除残留分隔符和铆钉的干扰：若目标字符图片上下1/3都是空白，只有中间1/3不是空白，则认为是分隔符干扰；若中间1/3是空白，上面1/3或者下面1/3不是空白，则认为是铆钉干扰；

(3.3)若目标字符图片数量仍然超过7个，则最后一个认为是右边框干扰予以去除。

5、如权利要求4所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤6)中结合实际车牌的特点设计BP神经网络，具体步骤如下：

(6.1)分别设计四个神经网络：汉字网络、字母网络、字母数字网络和数字网络；

(6.2)对归一化为32×16点阵大小的字符，以每个像素点为一个网格，则输入层神经元个数为512；输出层神经元个数即为待识别的类别数目M，输出层每个神经元代表一个目标种类；针对不同字符分成4个子网络，各网络输出神经元个数分别为：汉字网络：51个；字母网络：25个；字母数字网络：34个；数字网络：10个；

(6.3)采用具有一个隐藏层的三层BP神经网络，确定隐含层神经元个数计算公式如下：

$\mathrm{New}\_\mathrm{num}=\sqrt{\mathrm{in}\_\mathrm{num}\&times;(\mathrm{out}\_\mathrm{num}+1)+1}---\left(10\right)$

其中，Mew_num代表隐层神经元个数，in_num代表输入层神经元个数，out_num代表输出层神经元个数。

(6.4)在神经网络的隐含层和输出层，激活函数选用Sigmoid函数，形式如下：

logistic函数属于S型函数，其中v_j(n)是神经元j的诱导局部域，且根据非线性，

的范围在[0，1]之内，通过调整a，b，c的值来改变函数饱和区，从而调整输出；

在a，b，c均取1时，训练和识别都有较好的效果，此时激活函数表达式为：

形同 $f\left(x\right)=\frac{1}{1+e^{-x}}---\left(12\right);$

(6.5)设置一个初始权值的范围，初始权值是(-1，1)之间的随机数，选取权值的量级为

其中s₁为第一层神经元的个数；

(6.6)采用变化的自适应学习速率保证BP神经网络能够稳定并快速地收敛，采用变化的自适应学习速率的调整公式是：

其中，η(k)表示学习速率，SSE(k)表示训练的误差。

6、如权利要求5所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤7)中，构造样本库进行BP神经网络的训练，具体步骤如下：

(7.1)BP网络的训练过程为：

(7.1.1)根据不同的训练样本集合，确定初始化网络参数：最大迭代次数、学习率、动量因子、激活函数、训练精度、训练准则；

(7.1.2)选择并打开字符训练样本库，装载样本特征训练集；

(7.1.3)确定网络结构，输入各层的网络节点；

(7.1.4)按改进的BP算法训练网络；

(7.1.5)将训练成功的网络权值以文件形式保存；

(7.2)对已训练完成的网络进行识别样本的测试，若某一类字符的识别率较差，则选择能代表大多数该类样本共性的训练样本；

(7.3)构建汉字样本库时，对结构复杂、笔划紧密的字符增加典型笔划粘连、典型偏移字符点阵作为训练样本。

7、如权利要求2所述的基于粗网格特征提取和BP神经网络的车牌字符识别方法，其特征在于：所述的步骤(1.5)中，连通域的求解采用迷宫法，即任选车牌图像中的某一个白色像素，向该像素相邻的8个方向搜索，若为某方向上为白色像素，则标记，并进行计数，直到该白色连通域内任意一个白色像素都被标记一次，此时白色像素数量的计数结果就是所述连通域的面积。

Images