一種利用Hough變換和先驗知識的車牌識別新方法

下面將進行校正。選取圖9每1列如圖10所示的最下方的1值像素，經過Hough變換后如圖11所示的可檢測到邊緣直線，此直線傾角(即車牌傾角θ)根據公式：

對圖9進行坐標轉換便實現了車牌傾斜校正，如圖12所示。其中x0、y0為原坐標，x、y為轉換后坐標。

對矯正后的車牌采用垂直投影法進行字符分割，結果如圖13所示。

圖13(a)中有2個連續的“0”字符粘連在一起，未能被分離，原因是鉚釘剛好處在它們中間的位置。用圖像處理的手段消除鉚釘而又不影響字符信息其難度很大。對于這種情況，針對性的解決辦法是直接將包含2個字符的分割板塊對等中切。1個字符的寬度不會超過整塊車牌寬度的1/5，連續2個字符的寬度肯定超過整塊車牌寬度的1/5，根據此先驗知識，以寬度大于車牌1/5且小于車牌2/5為條件，可以方便地確定是否存在粘連塊。圖13(b)與圖13(c)沒有受到鉚釘干擾，因而能1次性分割成功。圖14是將粘連板塊對等中切后的結果。

3 字符識別

在分類器的選取上，既要求其要有良好的容錯，又要求其具有良好的自適應的能力。神經網絡具有與人腦相似的高度并行性、良好的容錯性和聯想記憶功能、自適應、自學習能力和容錯等特點，特別是以改進型BP網絡為代表的神經網絡具有良好的自學習能力、強大的分類能力、容錯能力或魯棒性，可以實現輸入到輸出的非線性映射。因此本文選擇BP神經網絡作為字符進行分類、識別的主要方法。

3.1 字符預處理

對切割出來的車牌字符很有必要進行預處理，預處理包括：

(1)大小歸一化

為了便于訓練和識別，需要對字符圖像進行規范化處理，使它們變成統一尺寸的圖像，本文中將字符片段歸一化為24×14大小。

(2)特征提取

即由歸一化得到的字符確定網絡輸入向量。本文是將24×14網格轉換為單一向量輸入。

3.2 BP神經網絡的設計

大多數實際的神經網絡只需要2～3層神經元[6]，本文設計的BP神經網絡包含2個隱含層。對于神經網絡中隱含層節點數目的確定，沒有一個固定的規律可遵循。本文中對隱含層內節點數的確定，是以找到1個經過樣本訓練后，其網絡輸出與實際結果最近似的網絡，這是一個搜索的過程。參考相關隱含層確定的準則[7]，通過逐個比試最終確定，第1個隱含層節點數為15個，第2個隱含層節點數為10個，學習速度為0.01。

實驗中選取了300幅實際的車牌。這些車牌圖像的大小和拍攝的角度有所不同，有些車牌圖像比較清楚，有些則有缺陷。然后在Matlab7.0環境下對網絡進行訓練，訓練樣本由200個車牌的1 400個字符組成。剩下的100幅車牌圖像用于識別試驗。試驗結果：正確識別91幅，誤識6幅，不能識別3幅，平均識別速率0.94 s/幅。在實驗過程中數字識別率最高，字母次之，漢字識別率最低。

本文系統地研究了一套車牌識別算法，包含了車牌定位、字符分割、字符識別3個環節。其前后銜接緊密，互補性好，整體準確性高，穩定性好，具有較強的實用性。但仍存在一些問題需要進一步改進，如車牌定位時，距離伸縮性不夠，字符傾斜校正存在一些失真，字符特征提取還需要更有效的方法。