1、基于卷积神经网络的中国车牌自动识别方法设计与实现毕业论文摘 要本论文主要是基于卷积神经网络的中国车牌自动识别算法的设计与实现。构建卷积神经网络来进行识别是一种稳定可靠的方法，能够有很高的识别精准度，因此得到了较为广泛的应用。本论文用边缘检测的定位方法大致定位出车辆车牌的位置，再用蓝点扫描截取图像的方式定位出车牌，然后将车牌的固定位置分割，截取出车牌中的七个字符，最后将七个字符输入到训练好的卷积神经网络当中进行识别。本论文按照这样的方法，用了三个章节分别表达了定位、分割以及识别。在测试过程中，定位算法测试的100张车牌均能准确定位，识别算法在50张车牌测试中，350个字符能够准确识别302个字符
2、。最后，本论文做出了一些总结和期望。关键词：中国车牌识别，卷积神经网络，图像定位与分割AbstractThis thesis is designed and achieved based on convolutional neural network in Chinas license plate recognition algorithm. Convolutional neural network for identification has been widely applied owing to its stable, reliable and high recognition accu
3、racy.In this thesis, the location of vehicle license plate is roughly located using the location method of edge detection firstly. Secondly, the license plate is located by intercepting the image using blue point scanning. Thirdly, the fixed position of the license plate is segmented and seven chara
4、cters in the license plate are intercepted. Finally, the seven characters are input into the trained volume neural network to recognize.According to this method, this study uses three chapters to demonstrate location, segmentation and recognition, respectively. In the process of testing, the 100 lic
5、ense plates in the location algorithm can be accurately located. In 50 license plate tests of the recognition algorithm, 350 characters can identify 302 characters accurately. At the end of this paper, we make a summary and prospect.Keywords:Chinese license plate recognition，Convolutional neural net
6、work，Image positioning and segmentation第一章 绪 论1.1研究意义伴随中国经济的飞速发展，人民的生活水平日益提高。现如今的城市机动车数量已经是一个非常庞大的数字，并且仍然在高速上涨。这样的情况也给城市机动车管理增加了不小的压力。不管是小区停车场还是车辆违章监控，其中所需要的处理事件规模已经远远大于人力负荷，所以，车辆智能管理系统的研究发展势在必行。车辆牌照作为每个车辆独一无二的“身份证”，随着模式识别技术的发展，车牌字符识别已成为智能交通系统的重要组成部分，它可以从复杂的背景中准确地提取、识别汽车牌照、车辆类型等信息，在交通控制和监视中占有很重要的地位，
7、具有广泛的应用前景【1】。 本论文在车牌识别部分主要应用了卷积神经网络来进行字符识别，卷积神经网络领域目前已经取得了许多令人瞩目的研究成果，其研究意义主要体现在三个方面: 理论研究挑战、特征表达研究、应用价值【2】。在本论文中，意义主要体现在这三者中的应用价值，将卷积神经网络应用于车牌识别系统能够为社会带来管理上的便利。1.2 国内外研究现状1.2.1 卷积神经网络研究现状卷积神经网络作为一种深度学领域，如: 行人检测、行为识别、人体姿势识别等。近期，卷积神经网络的应用进一步向更深层次的人工智能发展，如: 自然 语言处理、语音识别等。最近，由Google 开发的人工智能围棋程序 Alphago
8、成功利用了卷积神经网络分析围棋盘面信息，并且在挑战赛中接连战胜了围棋欧洲冠军和世界冠军，引起了广泛的关注。从当前的研究趋势来看，卷积神经网络的应用前景充满了可能性【2】。1.2.2 定位算法研究现状车牌定位算法是车辆智能管理系统的热门研究课题。早在20世纪90年代，国外就开始了对定位算法的深入研究。考虑到车牌的形状一般为矩形且宽高比值已知，车牌定位问题可以被转化为用边缘检测算法寻找图像中可能的矩形【3】。由于一些国家对车牌的颜色有所规定，一些发表的工作是通过处理颜色来定位车牌的，如ERLee等人将图像从RGB空间转化到HLS空间，用神经网络输出每个像素值的颜色，利用车牌的宽高比和颜色密度来确定
9、车牌区域【3】。我国智能化车辆管理系统起步比较晚，但发展得很快。上海交通大学的郭捷等提出了一种基于颜色和纹理分析相结合的车牌定位算法。用该算法对60张不同复杂背景的彩色车牌照片进行定位实验,成功率达到95%以上【4】。1.2.3 识别算法研究现状车牌识别一般分为基于灰度图像识别方法和基于彩色图像识别方法这两类方法。基于灰度图像的车牌识别方法是将采集到的彩色图形进行灰度处理，然后再进行车牌定位、字符分割和字符识别等步骤；基于彩色图像的车牌识别方法是利用采集得到的彩色图像直接进行车牌定位、字符分割和字符识别等【5】。我们国家车牌的识别因为有汉字的关系，所以不能直接使用国外的车牌识别方法。同时因为汉
10、字较为复杂、车牌的颜色和样式都有很多种，给很多应用于国外的识别技术增添了障碍，需要我们国家自主研发。查阅了很多的国内车牌识别文献，其中已经有了很多成熟高效的方法。曾泉使用BP神经网络的方法选取了260张不同环境下的车牌来进行字符识别，结果表明在结果整体识别率上到达了95.2%【6】；陈玮，曹志广等人使用模块匹配的方法，同时又在基于欧拉数的模板匹配上做了一定程度上的改进，让识别准确率到达了96.67%，并且识别时间只有0.559s【7】；彭清，季桂树等人用CNN提取隐层特征后，进行SVM分类，将800个测试样本进行识别，其准确率达到了97.00%【8】。1.3 研究内容和结构安排本论文在整个程序
11、的设计编写上分为三个章节，一般来说，车牌的识别与一般的图像识别还是有较大的区别。车牌的形状方正，易于检测定位，但又因为拍摄角度的不同，所定位的车牌又会有扭曲变化的难度。所以我将车牌识别分为了三步，也就是车牌的定位、定位后车牌当中的字符块的分割以及当字符块分割后作为独立个体的字符块识别。本论文第二章会用边缘检测后，再用蓝点扫描记录横纵坐标定位车牌位置；第三章会用固定位置分割截取车牌内的七个字符，同时进行归一化处理；第四章会基于卷积神经网络构建识别模块，其中涉及网络的构建、参数的选择以及最后车牌识别的结果统计。1.4 人工神经网络1.4.1人工神经网络简介1943年，美国的心理学家 W.S.McC
12、ulloch 和数学家W.A.Pitts 在论文神经活动中所蕴含思想的逻辑活动中，提出了一个非常简单的神经元模型，即MP模型。该模型将神经元当作一个功能逻辑器件来对待，从而开创了神经网络模型的理论研究【9】。以比较形象的角度上看，其原理就像现实中生物身体内的一个神经系统-通过建立无数个神经元，再通过神经互相进行感知交流传递“信息”，其中就包括了传递信息和反馈调整两个方面。不同的神经元，不同的连接方式构成了许多用途多样的网络。在工程和学术界，将其定义为人工神经网络或者类神经网络。图 1.1 人工神经网络 (1.1) (1.2) 如图1.1所示，其中x代表各个输入量；w为各个神经元的权值；f为传输
13、（传递）函数；t为输出。通过公式（1.1），（1.2）可知，单个输入神经元的作用是在求出输入向量，然后经过权值向量的内积计算之后，通过传递函数得到一个标量输出t。1.5卷积神经网络卷积神经网络【2】是近年来发展起来的，一种高效准确的识别方法。卷积神经网络是深度学习的其中一个分支，他作为一种深度前馈的人工神经网络，已经得到了广泛的应用。在20世纪60年代，Hubel和Wiesel在研究动物脑皮层的部分神经元时发现了其独特的网络连接结构，并且这样的结构可以很大程度的降低网络反馈的多样复杂性，从而他们提出了卷积神经网络的概念。在现如今的识别系统中，卷积神经网络凭借其出色的高效识别功能，已经得到了广泛
14、的认可。目前，很多的国内外学者都致力于研究卷积神经网络的参数优化，比方说激活函数、卷积核等等。图 1.2 卷积神经网络结构图在卷积神经网络中，如图1.2所示，我们一般将其分为输入层、卷积层、池化层、全连接层以及输出层。与BP网络不同的是，在卷积神经网络当中最主要的是特征提取层，即由卷积层和他的子采样层构成了一个特征提取器。也就是说，在卷积神经网络的卷积层中，通常情况下一个神经元只与部分神经元连接，这样就避免了类似BP网络每一层都是全连接，大大的降低了训练的难度。1.5.1 卷积神经网络的优点卷积神经网络的与其他网络比较起来，它的每个神经元因为有卷积池化层的构建，所以有着很独特的优越性，即权值的
15、共享大大减少了神经网络需要训练的参数个数，很大程度上降低了训练的难度以及网络的复杂性；网络结构也与图像结构更加搭配，在图像的特征提取和图像识别上有着不错的效果。1.6车牌识别系统伴随着经济的发展，中国的车辆数量在近几十年来已经上涨到了一个非常庞大的数量，面对这样的情况，政府相关部门已经对车辆的管理采取了很多方法，非常重视这一问题。在经历了上个世纪末的起步阶段之后，车牌识别技术已日趋走向成熟，并开始在交通、公安、路政、停车场、安防、门禁、智能小区等许多领域得到了广泛的应用。 车牌识别系统简单地说是一种以特定目标为对象的专用视觉系统，它能够从一幅图像中提取分割并识别出车辆牌照，运用先进的图像处理、
16、模式识别和人工智能技术，通过对图像的采集和处理完成车辆牌照的自动识别，识别结果可按需求分别包括车牌的字符、数字、牌照图像，以至牌照颜色、坐标、字体颜色等【1】。一般地，生活当中的车牌常见的有小型汽车号牌蓝底白字和大型汽车牌号黄底黑字。本论文主要研究的是小型汽车号牌，查阅相关文献后得知，小型汽车是蓝底白字，大小为的车牌【10】。第二章 定位算法2.1 车牌的采集和预处理一般来说，中国车牌的字符颜色与背景颜色搭配有：白底红字、黄底黑字、蓝底白字等等。本文主要研究的是对于生活中最常见的小型汽车牌照，也就是蓝底白字的车牌。因为车牌的色彩特征与其背景的色彩特征有很大的差别，所以当我们使用不同的色彩通道，就能够让我们的牌照和其他的背景区分出来。对本文研究的蓝底车牌来说，当我们使用蓝色的B通道时，牌照的区域就是一个亮矩形。就个人经验来说，虽然颜色
