基于脉冲神经网络的车牌定位算法.docVIP

基于脉冲神经网络的车牌定位算法 　　摘要：在车牌识别系统中，主要包括车牌定位、字符分割和字符识别，其中车牌定位是非常关键的技术之一，是否精确定位车牌直接影响后阶段车牌图像处理的质量和处理速度、字符识别的精度和速度。文章提出了基于脉冲神经网络的车牌定位算法，此算法具有较高的定位率，能对各种底色车牌进行定位，有利于后面的字符分割和识别。 　　关键词：车牌定位；脉冲神经网络（SNN）；边缘检测；车牌定位；字符分割；字符识别 文献标识码：A 　　中图分类号：TP391 文章编号：1009-2374（2016）32-0013-02 DOI：10.13535/j.cnki.11-4406/n.2016.32.006 　　现在车牌定位已经提出了很多方法，其中经常用到的是基于黑白图像定位、基于颜色特征算法和基于车牌边缘检测算法。大多数算法都是基于单一特征来进行车牌定位提取，这样的定位方法在确定车牌区域上存在着明显的局限性，受到特定条件的限制。车牌区域主要有以下特征：颜色特征、几何特征、位置特征、纹理特征、灰度跳变特征、投影特征和频谱特征等。车牌和字符的颜色共有五种组合分别为：蓝底白字、黄底黑字、白底黑字、黑底白字以及白底红字，其中一些小型和大型车辆的牌照底色会跟着省份的变化而略有不同。本文综合分析车牌的特征，提出了基于脉冲神经网络颜色特征提取的车牌粗定位和基于脉冲神经网络的边缘检测的精确定位。 　　1 算法描述及流程 　　首先输入拍摄的彩色车牌图像，利用SNN对车牌图像进行颜色特征提取，接着经过一系列处理实现车牌的粗定位，然后运用灰度化、边缘检测、形态学处理和二值化等技术对粗定位车牌进行处理，再采用行列扫描投影法进行精确定位，最终提取出正确的车牌区域，其中的边缘检测也是基于SNN。基于SNN的车牌定位流程如图1所示： 　　2 车牌的粗定位 　　以蓝色为例，上述算法的具体步骤如下：（1）输入彩色车牌图像；（2）将三幅成分图、和中的每个像素转换为脉冲序列；（3）计算其脉冲序列的放电频数，分别用维数为的数组、和来存储；（4）将三个像素阈值、、转换为脉冲序列，并计算其放电频数，分别用、和来存储；（5）判断是否满足、、，如果满足的话，令，否则令。 　　如果，则在坐标处的像素为蓝色。其他颜色原理相同。 　　3 车牌的精确定位 　　本文主要基于感受野和脉冲神经元来检测车牌图像的边缘，其网络的结构如图3所示。该网络有三层：第一层为光感输入层；第二层为中间层，四个并行神经元矩阵、、、对应四种不同的感受野，为了简化只画出了每个矩阵中的一个神经元。在突触连接中的“X”代表兴奋性突触，“△”代表抑制性突触，中间层通过不同的权重矩阵连接光感输入层，分别执行上、下、左、右边缘的检测，这些权重矩阵能改变图像中不同尺寸感受野的大小；第三层为输出层，其中每一个神经元累加来自第二层对应四个并行神经元矩阵的输出。通过绘制输出层的脉冲频率图，能得到对应于输入图像的边缘图。本文主要介绍神经元通过权重矩阵连接到光感输入层的感受野，其响应了感受野的右边缘。此脉冲神经网络检测右边缘的原理如下： 　　如果一个灰度均匀图像位于该感受野中时，产生一个均匀的脉冲的输出，膜电势不会变化，不会有脉冲序列产生；如果一个边缘明确的图像位于感受野中，感受野的左半部分产生一个较强的信号，右半部分产生一个符号相反的较弱的信号，由于左半部分兴奋信号没有被右半部抑制信号抵消，因此膜电势上升得很快，最终产生响应右边缘的脉冲序列。突触权重矩阵相当于在感受野内检测边缘的一个滤波器，其他三个边缘原理相同。输出层神经元累积来自中间层的四个神经元矩阵的输出，然后响应位于感受野任意方向的边缘。 　　如图4所示，通过与canny边缘检测和sobel边缘检测对比，可知sobel边缘检测结果缺失了部分边缘，canny边缘检测能力很强，但是提取了很多无用的边缘，然而SNN边缘检测结果最好，弥补了两者的缺点。 　　4 实验结果及分析 　　使用Visual C++ 2012开发工具搭建此算法的软件实验平台，共收集了样本400张（全国各个省份的车牌），并且针对各种底色车牌逐一进行提取，有366张可以成功定位，定位率达到91.5%。从以上实验结果可知该算法能达到很好的定位效果。 　　5 结语 　　本文主要介绍了基于脉冲神经网络的车牌定位算法，分别从车牌粗定位和精确定位两方面进行了系统的分析，综合运用了图像处理中的灰度化处理、边缘检测、二值化等技术对车牌图像进行分析和处理，充分利用车牌颜色和纹理等特征对车牌进行提取。由于客观条件和时间的限制，本文的研究还存在很多不足，有很多方面需要进一步提高。 　　参考文献 　　[1] 孙杰.车牌定位分割技术的研究与实现[D].东北电力大学，2007. 　　[2]