基于BP网络的车牌识别毕业设计论文

青岛理工大学

毕业设计（论文）题目基于BP网络的车牌识别

学生姓名：XXXX

指导教师：XXx

通信与电子工程学院电子信息工程专业093班

2013年6 月15日

毕业设计(论文)任务书

第2 页

第3 页

第4 页

摘要

随着世界各国汽车数量的日益增加，城市交通状况越来越受到人们的关注。交通管理水平,已经成为衡量政府部门工作标准之一。汽车牌照的自动识别是关于模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要部分。

本论文主要研究的是基于BP神经网络的汽车牌照自动识别系统，该系统主要分为图像预处理、车牌定位、车牌分割、字符分割和字符识别五个部分。首先，将获得的车牌图像进行灰度化处理，用直方图均衡化进行图像增强，利用Roberts算子进行图像边缘检测。然后，采用形态学方法进行车牌定位，利用车牌彩色信息的彩色分割法将车牌从背景图像中的分割。对分割出的车牌进行二值化处理，并进行垂直投影，对垂直投影进行行扫描，完成对车牌字符的分割。最后，将分割出的字符进行归一化处理，利用BP网络构建车牌识别器，实验证明该方法可也快速、有效地对车牌进行识别，证明了该方法的有效性。

关键词：车牌定位，字符分割，BP神经网络，字符识别

ABSTRACT

With the world growing number of cars, urban traffic conditions more and more people's attention. Traffic management level, has become one of the criteria to measure the government sector. Automatic license plate recognition is on the pattern recognition technology in the field of intelligent transportation applications, an important research topic is to achieve an important part of intelligent traffic management.

This thesis is based on the BP neural network car license plate recognition system, which consists of image preprocessing, license plate location, license plate segmentation, character segmentation and character recognition five parts. First, get the license plate image gradation processing, histogram equalization for image enhancement using Roberts operator for image edge detection. Then, using morphological methods for plate positioning, the use of color information of the license plate color segmentation method license plate from the background image segmentation. The segmentation of license plate binarization processing and vertical projection of the vertical projection for line scanning, complete the license plate character segmentation. Finally, the segmented character normalization, BP network construction license plate reader, the experiment proved that the method can also quickly and effectively identify the plate proved that the method is effective.

KEY WORDS:license plate location, character segmentation, BP neural network,

character recognition

目录

摘要............................................................... I ABSTRACT........................................................... I I 目录............................................................ I II 前言 (1)

第1章绪论 (3)

第2章基于BP网络的车牌识别系统总体设计方案 (6)

第3章图像预处理 (1)

3.1图像预处理 (1)

3.1.1图像的灰度化 (2)

3.1.2灰度图像的增强 (3)

3.1.3 图像的边缘检测 (4)

3.2车牌定位 (5)

3.3车牌字符分割 (8)

3.3.1彩色车牌预处理 (8)

3.3.2字符分割 (8)

3.3.3字符的归一化处理 (10)

第4章车牌字符识别 (11)

4.1车牌字符识别 (11)

4.1.1神经网络概述 (11)

4.1.2 BP神经网络的原理 (12)

4.2BP网络的构建 (14)

4.2.1 神经网络结构的构建 (14)

4.2.2 网络函数和参数的确定 (17)

4.3字符识别结果 (20)

第5章总结与展望 (21)

5.1设计结果分析总结 (21)

5.2展望 (22)

致谢 (23)

参考文献 (24)

前言

现代的世界已进入信息化的时代，随着通信技术、计算机技术和网络技术的不断进步，自动化信息化水平不断提高和改善。而汽车作为陆地上最主要的交通工具已经进入到新进社会的各个领域，因此对于交通领域的智能化管理也成为了信息化时代的一部分，而车牌的自动识别也成为了当今信息技术研究的重要课题。

车牌识别系统是信息时代一个新的产物，其科技含量高，多种技术共同作用使其得以实现，主要有计算机技术、数字图像处理技术、信息处理技术、模式识别等技术组成，这些也都是交通智能化现代化的重要技术。由于城市交通问题日益严重，许多发达国家花费了大量的人力和财力，建立了自动化交通网，安装了道路交通监控、探测遥感系统和计算机网络，建立现代化自动化智能化交通系统。在发达国家的带动下，世界各国也开始建立各自的现代化交通系统。由于公路上汽车增多道路堵挤，车辆管理相对越来越困难，因此各个每个国家都在积极建设适应未来交通运输要求的智能交通系统。

车牌识别系统的主要内容首先是分析和处理拍摄到的车辆图像，然后对牌照进行一步处理，最后自动识别出汽车牌照上的字符。车牌识别是利用车辆牌照的唯一性来管理车辆，它是以数字图像处理、模式识别等技术为基础的智能识别系统。在智能化交通发展过程中车牌识别是制约交通系统发展的重要因素，车牌识别系统的任务是能够从一幅车辆图像，自动获取牌照图像，然后自动对牌照字符进行分割，再对字符进行正确识别，从而减少交通管理工作的工作量。车牌识别系统将获取的图像进行分析处理后，以字符的形式输出结果，这样不仅数据量小，便于存储，操作起来也更简单，由此看来车牌识别系统的便捷性是人工识别不能与其相提并论的，它蕴含着巨大的经济价值和广阔的发展空间。

车牌识别的实质是对车牌上的数字、字母和汉字进行快识别并以字符的形式输出识别结果，字符识别是整个车牌识别过程的关键所在。由于图像获取时的外界环境不同的影响，系统必须保证能够在任何天气情况下全天不间断的正常工作。到目前为止，在众多的车牌识别的所有方法中还没有可以达到理想的效果，

因此对车牌识别技术的研究意义十分重大。

从上世纪90年代初，基于图像处理的车牌识别技术的研究在欧美发达国家就已经兴起。比如在美国、意大利、德国、以色列、新加坡等国家，都已经有比较成熟的产品投入了应用，如以色列Hi_Tech公司的See/Car System系列产品，美国的（AUTOSCOF）[2003系统]，香港Asia Vision Technology公司的VECON 产品，新加坡Optasia公司的VLPRS产品德国西门子公司的ARTEM7S系统等，其中VECON和VLPRS产品主要适合于香港和新加坡的车牌，Hi_Tech公司的See/Car System有多种变形产品来分别适应某一个国家的车牌，但因为我国车牌式样的多样性和颜色的多样性以及包含汉字等特点，这些车牌识别系统并不适合我国的国情[1]。

我国的实际情况与国外不同，国外的实际拍摄条件相对比较理想，车牌比较规范统一。而我国的条件与外国不同，不仅车牌的种类多，车牌不够规范，分为很多种类型，并且车牌上还有汉字。按颜色分类，有蓝底白字、黄底黑字、白底黑字和黑底白字之分，有些部队用车车牌字符还分为了两行，这些都决定了我国的车牌识别相对于国外较为困难。

近几年，我国也有很多科研单位和公司进行车牌识别方面的研究，也取得了一些成绩。中国大陆做得较好的产品有中科院自动化研究所汉土公司的“汉土眼”，天勤科技公司的车牌识别系统、北京龙人计算机系统工程有限公司的停车场收费系统[2]。但对环境要求比较高，在全天候的条件下，都存在着识别精度不高的问题，识别时间比较长的缺点。因此车牌识别很有很大的发展空间。

本文主要研究的是基于BP网络的车牌识别系统，主要包括对车牌进行预处理、车牌定位、车牌分割、字符分割，车牌识别等几部分。首先确定车牌识别的环节与流程，根据各环节的要求选择合适的算法和方法。对关键的环节要进行算法原理的有具体的分析。实验证明了该方法的有效性。

第1章绪论

汽车牌照自动识别技术可应用于道路交通流监控、交通事故现场勘测、交通违章自动记录、高速公路自动收费系统、停车场自动安全管理、智能园区管理等方面，在现代交通监控和管理系统占有很重要的地位。同时，汽车牌照识别的方法还可应用到其它识别领域，因此汽车牌照的识别问题己成为现代交通工程领域中研究的重点和热点问题之一。

汽车牌照识别系统的基本工作原理为:根据采集到的序列图像对图像中的车辆牌照进行搜索、检测、定位，并分割出包含牌照字符的矩形区域，然后对牌照字符进行二值化，并将其分割为单个字符，归一化后输入字符识别系统进行识别。

一个车牌识别系统的基本硬件配置是由摄像机、主控机、采集卡、照明装置组成。而软件是由一个具有车牌识别功能的图像分析和处理软件，以及一个满足具体应用需求的后台管理软件组成[3]。车牌识别系统于是出现了两种产品形式，一种是软硬件一体，或者用硬件实现识别功能模块，形成一个全硬件的车牌识别器，例如DSP。另外一种形式是开放式的软、硬件体系，即硬件采用标准工业产品，软件作为嵌入式软件。两种产品形式各有优缺点。开放式体系的优点是由于硬件采用标准工业产品，运行维护容易掌握，备品备件采购可以从任何一家产品商获得，不用担心因为一家产品商倒闭或供货不足而出现产品永久失效或采购困难。

车牌识别系统有两种触发方式，一种是外设触发，另一种是视频触发。外设触发工作方式是指采用线圈、红外或其他检测器检测车辆通过信号，车牌识别系统接受到车辆触发信号后，采集车辆图像，自动识别车牌，以及进行后续处理。视频触发方式是指车牌识别系统采用动态运动目标序列图像分析处理技术，实时检测车道上车辆移动状况，发现车辆通过时捕捉车辆图像，识别汽车牌照，并进行后续处理。视频触发方式不需借助线圈、红外或其他硬件车辆检测器。

近年来，汽车牌照智能识别的技术发展很快，就其识别基础，主要可分为间接法和直接法两种:间接法是基于IC卡鉴别(REID)或基于条码的识别。直接法是基于图像的汽车牌照识别。

1、间接法

指通过识别安装在汽车上的IC卡或条形码中所存储的车牌的信息来识别车牌及相关信息。IC卡技术识别准确度高，运行可靠，可以全天候作业，但它整套装置价格昂贵，硬件设备十分复杂，不适用于异地作业；条形码技术具有识别速度快、准确度高、可靠性强以及成本较低等优点，但是对于扫描器要求很高。此外，二者都需要制定出全国统一的标准，并且无法核对车、条形码是否相符，也是技术上存在的缺点，这给近期在短时间内推广造成困难。

2、直接法

基于图像的车牌识别技术属于直接法，是一种无源型汽车牌照智能识别方法，能够在无任何专用发送车牌信号的车载发射设备情况下，对运动状态车辆或静止状态车辆的车牌号码进行非接触性信息采集并实时智能识别。与间接法识别系统相比，首先，这种系统节省了设备安置及大量资金，从而提高了经济效益;其次，由于采用了先进的计算机应用技术，所以可提高识别速度，较好地解决实时性问题;再次，它是根据图像进行识别，所以通过人的参与可以解决系统中的识别错误，而其他方法是难以与人交互的。

直接法一般有图像处理技术，传统模式识别技术及人工神经网络技术。

(1)图像处理技术

运用图像处理技术解决汽车牌照识别的研究最早始于80年代，但国内外都只是就车牌识别中的某一个具体问题进行讨论，并且通常仅采用简单的图像处理技术来解决，并没有形成完整的系统体系，识别过程是使用工业电视摄像机拍下汽车的工前方图像，然后交给计算机进行简单的处理，并且最终仍需要人工干预，例如车辆牌照中省份汉字的识别问题[4]。1985年有人利用常见的图像处理技木方法提出汉字识别的分类是在抽取汉字特征的基础上进行的，根据汉字的投影直方图选取浮动闭值，抽取汉字在竖直方向的峰值，利用树形查表法进行汉字的粗分类;然后根据汉字在水平方向的投影直方图，选取适当闭值，进行量化处理后，形成一个变长链码，再用动态规划法，求出与标准模式链码的最小距离，实现细分来完成汉字省名的自动识别。

(2)传统模式识别技术

传统模式识别技术指结构特征法，统计特征法等。90年代，由于计算机视觉技术的发展，开始出现汽车牌照识别的系统化研究。1990年AS.Johnson等运用

计算机视觉技术和图像处理技术实现了车辆牌照的自动识别系统。该系统分为图像分割、特征提取和模板构造、字符识别等三个部分。利用不同值对应的直方图不同，经过大量统计实验确定出车牌位置的图像直方图的阈值范围，从而根据特定阈值对应的直方图分割出车牌，再利用预先设置的标准字符模板进行模式匹配识别出字符。

(3)人工神经网络技术

近几年来，计算机及相关技术发达的一些国家开始探讨用人工神经网络技术解决车牌自动识别问题，例如1994年M.M.M.FANHY等就成功地运用了BAM神经网络方法对车牌上的字符进行自动识别，BAM神经网络是由相同神经元构成的双向联想式单层网络，每一个字符模板对应着唯一的BAM矩阵，通过与车牌上的字符比较，识别出正确的车牌号码。

本文应用计算机数字图象处理技术，利用MATLAB软件对车牌进行预处理、车牌定位、车牌校正、车牌分割，最后利用BP网络对车牌进行识别。确定车牌识别的环节与流程，根据各环节的要求选择合适的算法和方法。对关键的环节要进行算法原理的有具体的分析。

对车牌识别的关键技术进行的研究包括：车牌数字图象处理、车牌定位技术、车牌字符分割技术、基于人工神经网络的识别算法的研究等。其中数字图象处理技术的研究主要包括：灰度化、二值化、图像增强、边缘检测、图像分割、倾斜校正、字符分割、字符归一化处理。

本文利用BP网络构建车牌识别器，主要从神经网络结构、参数确定和网络训练、识别等几个方面进行了研究。

第2章基于BP网络的车牌识别系统总体设计方案

汽车牌照识别（LPR）系统通过对图像的采集和处理，获得更多的信息，从而达到更高的智能化管理程度。汽车车牌自动识别系统主要包括图像预处理、车牌定位、字符分割、字符识别四个步骤，总体流程如图2-1所示。

图2-1 车牌识别系统流程图

1、图像预处理：该单元是指对拍摄的汽车图片进行灰度化边缘检测等处理。在外界光照不均匀，光照强度不稳定的情况下，通过摄像机采集到的车牌原始图像会模糊不清，因此需要对其进行图像增强的处理。

2、车牌定位：是指对预处理过的汽车图片进行处理，把车牌部分进行定位，删除无用区域，得到车牌图片。从原图像中提取出需要的部分舍弃不需要的部分，以便节省系统识别时间，这也是车牌定位分割的目的及意义所在。

3、字符分割：对字符分割的任务就是把车牌图像中的每个字符从整个图像中分割出来，使其成为单个字符。然后把字符归一化为系统可以识别的规格大小，就可以输入到系统中以待识别。字符切割的要点是确保字符的完整性。

4、字符识别：字符识别是整个车牌识别的最后一步，也是最为关键的一步。主要是将需要视别的样本输入系统，选择合适的模式识别方法，然后输出正确的

字符。而字符识别的精确度也直接反映整个车牌识别系统的优劣。

对于一个完整的车牌自动识别系统，上述的步骤是整个过程的核心关键部分，是必不可少的，但每一部分都是随着上一步的完成而展开，因此，只有确保做好每一步才能顺利完成系统最后的识别工作。

第3章图像预处理

3.1图像预处理

车牌图像通常是在各种复杂的背景、环境条件下采集得到，图像质量难以保证，因此在进行车牌定位之前，通常要进行图像的预处理工作。图像预处理主要是对系统获取的原始图像基本特征的信息进行相应的、有针对性的处理，以滤去干扰、噪声，作几何校正、色彩校正，以便于计算机的分析计算，一般包括图像灰度化、图像增强、边缘检测，如图3-1所示。

图3-1 图像预处理工作流程图

所获得的汽车牌照图片如图3-2所示。

图3-2 车辆原图

汽车图像目前大都是通过视频当中的截取或者是通过相机等设备拍摄获得，因而读入后的图像都是彩色图像。将彩色图像转化为灰度图像的过程称为图像的灰度化处理。彩色图像的每个像素点的颜色由R、G、B三个分量决定。每个分量的取值范围都为0～255，一个像素点一共可以有1600多万种不同的差别。当R、G、B三个分量的值相同时，彩色图像就成了一幅灰度图，一个像素点的变化范围减少到256种。因此，在数字图像处理中，先是将彩色图像变化为灰度图像，但仍然能反映出图像的色度和亮度等级的特征，没有实质性的损失，而且大大缩小了像素点的变化范围，减少了工作量。

对于将彩色图像转换成灰度图像时，目前比较主流的灰度化方法叫平均值法，公式为：

M=0.588G + 0.144B + 0.229R （3-1）公式中M表示灰度图的亮度值， G代表色彩图像绿色分量值，B代表彩色图像蓝色分量值，R代表彩色图像红色分量值，分量前面的系数为经验加权值。经验加权系数的是根据人眼的视觉特点而取值的。根据此公式获得的灰度图可以比较合适反映出原图像的具体亮度特征[5]。

首先对图像进行灰度化处理，灰度处理化的图像如图3-3所示，灰度直方图如图3-4所示。

图3-3 车辆灰度图图3-4 车辆灰度直方图

图像增强是指按特定的需要突出一幅图像中的某些信息，同时减弱或去除某些不需要的信息的处理方法。其主要目的是处理后的图像对某些特定的应用比原来的图像更加有效。图像增强技术主要有直方图修改处理、图像平滑化处理、图像尖锐化处理和彩色处理技术等。

直方图均衡化处理的“中心思想”是平均化灰度区间，即是让原来图像中灰度比较集中的地方的灰度值尽可能均匀的分散到全部的灰度区间中。直方图均衡化的操作就是对图像进行非线性拉伸处理，以重新分配图像像素值，以达到所有的灰度区间内的像素的数量尽可能的均匀分布。通过这样的处理，就可以既增强局部的对比度而且不破坏整体的对比度，在灰度图间接增强图对比度方面应用很常见。

直方图均衡化对于背景都太亮或者太暗的图像的处理效果较为明显，利用此方法对X光图片处理效果更加明显，尤其是可以让骨骼结构更好的显示，即使是曝光度出现问题的图像也可以显示出细节。这种方法的一个重要的优势是它是一个很简单的可以进行逆操作的方法，如果确定了均衡化时使用的函数公式，那么就可以很简单的恢复均衡化之前的图像，并且计算相当简洁。该方法的最主要的一个缺点是它对处理的数据不加选择，它可能会增加背景噪声的对比度并且降低有用信号的对比度。

图3-5是采用直方图均衡化的方法完成对图像增强的效果图。

图3-5 直方图均衡化后的图像

3.1.3 图像的边缘检测

边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。用摄像机采集到的机动车图像由于受到噪声干扰以及车辆本身的影响，使得获得的图像质量不理想。因此，在进行对汽车牌照的定位及字符识别之前需要先对车辆图像进行边缘检测处理，提高图像的质量，使其易于后面的分割和识别。通过良好的边缘检测可以大幅度的降低噪声、分离出复杂环境中的车辆图像、保留完好的车牌字符信息，方便后面的车牌精确定位与字符识别。

由于车牌识别系统摄像头安装位置固定以及机动车车牌的固有属性，可以发现机动车车牌图像都处在水平的矩形区域，在图像中位置较为固定，车牌中字符都是按水平方向排列。因为有这些明显的特征，经过适当的图像变换，可以清晰的呈现出车牌的边缘。本文采用经典的Roberts边缘检测算子来对图像进行边缘检测，如图3-6所示。

图3-6 Roberts边缘检测后的图像

3.2 车牌定位

摄像头拍摄的图片是不仅仅只有车牌部分的图片，而只有车牌部分是有用区域，其他部分都是无用区域。所以我们要对照片进行车牌定位，然后把车牌部分分割出来。车牌的定位和分割是从经过图像预处理后的灰度图像中确定牌照位置，并将车牌部分从整个图像中分割出来，从而进行字符识别。车牌定位和分割的精确度直接关系到最后的字符识别的质量的好坏。

迄今为止前人已经在在车牌定位方面进行了很多的研究。总结起来主要有如下几种方法：

(1) 基于数学形态学的车牌定位方法，这种方法基本上是利用数学形态学图像处理处理图片，寻找到一个合适结构元素来探测一幅图像，确定这个元素是否能够合适的放置在这幅图像内部，并检验这种填放元素的方法是否合理有效。数学形态学的基本运算包括腐蚀、膨胀、开启和关闭；

(2) 基于车牌颜色的定位方法，这种方法是利用车牌上的特征进行定位，包括形状、颜色和纹理特征，比如车牌的底色和字符的颜色有明显的反差来进行识别定位。

(3) 基于水平灰度变化的方法，这种方法需要将彩色图像转换为灰度图像，根据车牌灰度图像车牌的边缘特征的水平方向的特征进行定位；

(4) 基于边缘检测的车牌定位方法，在车牌的边缘部分蕴含了丰富的信息特征，边缘检测就是充分利用这些特征来达到定位的目的。可以进行边缘检测的算法有多种，如Roberts 边缘算子、Sobel 算子以及拉普拉斯边缘检测都可以完成边缘检测。

这些方法各有优缺点，要实现快速、准确地定位车牌，应该综合利用车牌的各种特征，仅靠单一特征很难达到目地。车牌图像经过灰度化和边缘检测的处理后，边缘得到了加强，牌照区域已经非常明显。本文采用的是用数学形态学来进行图像处理。数学形态学用具有一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的，能有效的去除噪声，保留图像原有信息的同时提取的边缘比较平滑，提取的图像骨架也比较连续，断点少。本文对二值化处理后的图像进行腐蚀，去除图像的噪声，得到的图像如图3-7。然后再利用25*25的结构元素对图像进行填充，即闭合运算，使车牌所在的区域形成连通区