,,,,,,,,,,,二译文基于先验知识的车牌识别摘要本文基于种新的改进的反向传播神经网络算法对中国的车辆车牌识别进行了介绍。该方式对严重退化车辆车牌提供了种解决方法。明显区别于传统方法的是该方法应用先验知识进行车牌的定位分割和识别。色彩搭配用来定位图像中的车牌。每个字符的尺寸是不变的，这点可用于车辆车牌字符的分割，中国的车辆车牌的构造具有重要的特征,可以用来构建识别分类器。实验结果表明,改进后的算法能够有效地对退化严重的车牌进行识别。关键词车牌识别，先验知识，车牌，神经网络。绪论汽车车牌识别是个非常有趣但很困难的问题。在些诸如超重超速闯红灯道路检查和公园安全等应用中是很重要的。汽车车牌识别系统包括车牌定位字符分割和字符识别。在拍摄角度有倾斜或在有光照的天气状况以及车牌不清洁的情况下，这些处理将变得更加复杂。因为这个问题通常是用在实时系统中，不仅要求精度高，而且还要求快速处理。大多数现有的车牌识别方法减少了复杂性，而且通过本地汽车车牌的些具体特征,调整相机镜头到车辆之间的位置距离和倾斜角度提高了识别率。此外，尽管神经网络提高识别率，但传统的识别方法很少考虑当地汽车车牌的先验知识。在本文中，根据中国汽车车牌的具体特征，我们提出了种新的改进的学习算法，这种算法克服了神经网络的收敛速度慢的缺点，尤其是车牌图像退化严重的情况下显着地提高识别率。中国汽车车牌的具体特征尺寸根据车辆检测，所有的车牌必须是长方形，有尺寸，个字符都写在单独的行。在实际环境中，从相机到车辆的距离和倾斜角度是不变的，因此所有字符车牌有个固定的宽度，两个相邻字符之间的中等轴距离固定，宽度和高度之间的比率几乎是恒定的。这些特征可以用来进行车牌定位和字符分割。车牌的颜色搭配在中国的车牌中，有种颜色的搭配。这些颜色搭配如表所示表牌照类别颜色搭配电动车牌照蓝色背景和白色字符机动车牌照黄色背景和黑色字符军车和警车牌照黑色背景和白色字符使馆汽车牌照白色背景和黑色字符此外，军车和警车牌照包含个红色的字符，它属于个特定的字符设置，这些特征可以提高识别率。中国汽车车牌的构造中国车牌字符构造由车牌的标准决定。所有标准的牌照包含中文字符，数字和字母如图所示。第个是中文字符即中国各省的缩写。第二个字符是除了以外的到的字母，第三和第四个字符是字母或数字。第五至第七位字符是从到的数字，然而，第或第七个字符在特殊的车牌中可以是红色的如图所示。经过分割过程单个的字符被提取出来。利用字符构造和颜色搭配先验知识，将单个字符列的比较为了评估该算法，采取两组实验进行比较。组是与基于识别的方法进行比较。结果如表四所示。另组是与基于的方法进行比较。结果如表五所示。采用了相同用于训练和测试数据集，比较结果表明，本文采取的方法优于神经网络和方法。表方法汉字数字字母我们的方法表方法汉字数字字母我们的方法结论在本文中，基于汽车车辆的具体特征，我们采用种新的改进学习算法。在预处理过程中用到了色彩搭配和尺寸特征，这使得定位和分割更精确。中国汽车车牌的构造是个重要的特征，用来构建个用于识别的分类器，使得它对有划痕和倾斜的车牌识别效果更好。实验结果表明，该方法降低了率，消耗更少的时间。然而，在处理尤其是质量差或类似的车牌和字符时，仍然有些误差。专门处理质量差板和以其他类似的字符。这往往在如下的字符中容易混淆尤其是字母和数字。我们尝试在神经网络后面添加模板模型用以改善识别的问题。下面中的类中国各省的缩写集，字母集，字母或数字集，数集，特别字符集。典型构造特殊构造图中国车牌构造本文采用的算法该算法由四个模块组成车牌定位，字符分割，字符分类和字符识别。车牌识别系统流程图的主要步骤如图所示。首先对输入图像进行车牌定位和字符分割，然后对每个字符进行分类，以决定它属于哪类，最后的神经网络决定字符图像代表了哪些字符。辽汉字字母字母或数字数字辽汉字字母字母或数字数字图车牌识别系统流程图车牌预处理汽车车牌的定位这个过程充分利用颜色特征，如第二节所述的色彩搭配，车牌区域色彩中心和分布，。这些颜色特征可用于消除对造成的车牌的干扰。车牌定位流程图如图所示。图车牌定位算法的流程图同车牌相似的纹理和结构区域被提取出来，这过程被描述为字符边缘检测二值图像分割目标区域检测车牌提取图像获取车牌定位字符分割分类器汉字字母字母或数字数字特殊字符字符识别其次这里，高斯方差设置为小于是汉字笔划宽度，因此得到其最大值。经过卷积，另阀值等于进行二值化。中值滤波是用来保存边缘梯度和消除隔离噪音的二进制图像。设置个的矩形中值滤波器，代表奇数，近似等于。形态学闭运算可以用来提取目标区域。车牌目标区域的置信度可根据比率和区域大小得到验证。这里，由于倾斜的原因，长宽比设置在和之间。利用色彩搭配的先验知识进行用车牌区域的精确定位。车牌的定位过程如图所示。原始图像二值化中值滤波闭运算结构验证车牌提取图车牌定位的全过程字符分割这部分介绍了基于先验知识的字符分割算法，同时用到了字符宽度数量高宽比等特征，字符分割的流程图如图所示。图字符分割的流程图首先，预处理牌照的图像，如光照不均校正，对比度增强，倾斜校正和边缘增强运算车牌图像预处理二值图像获取车辆阴影消除空间标记其次，消除第二个字符和第三个字符之间出现的空间标记第三，合并字符分割的片段。在中国，所有的标准车牌只包含个字符见图。如果分割字符的数量超过七，必须进行合并。表二显示合并的过程。最后，提取基于字符数量和宽度的单个字符图像。图显示的分割结果。倾斜和破损的车牌图像，倾斜和扭曲的车牌图像，严重褪色的车牌图像，黑斑点的车牌图像。表获取如果每个字符分割计算中间值每两个连续中间值计算距离计算出的最小距离合并字符和字符算法结束其中是分割字符数量，是车牌号码数量，是每个分割字符的下标。每个分割字符的中值由以下公式确定是分割字符的初始坐标，是分割字符的最后坐标。连续两个中值点之间的距离计算公式为图分割结果基于特定的先验知识的识别中国汽车车牌的构造是个重要特征如在第二节中所述，这点可以用来构建个分类器用于识别。识别过程采用共轭梯度下降的快速学习方法，这是个改进神经网络的学习方法。共轭梯度下降采用了系列权值或参数空间中的线搜索。沿第个下降方向，并沿着这方向移动，直到误差达到最小。然后计算第二下降方向这个方向的共轭方向沿梯度不会改变其方向，从前面的进行迭代。该算法采用如图所示拓扑结构。输入值的大小是，初始权值是随机值，理想的的输出值与输入值有相同的特征。图，网络拓扑结构如图所示，有个三层网络，包含工作信号前向传输和误差信号的反馈传播过程。目标参数网络输出向量的长度为。是非线性传递函数，权重初始化为任意值，并在减小误差的方向上的改变。该算法采用幅不同背景和光照的图像进行训练，其中大部分图像退化严重。经过预处理，对单个字符进行存储。所有用于训练和测试的字符具有相同的大小，车牌识别全过程包括以下步骤特征提取从分离的字符图像中得到的的特征向量对识别率的直接影响。许多方法可以用于提取图像样本的特征，例如在垂直方向上的数据统计，边缘和形状，框架和所有像素值。基于大量的实验，所有的像素值方法用于构造特征向量。每个字符被改造成行特征向量的集合，这些特征向量分成两类，用于训练过程和测试过程。训练模式中国汽车车牌的构造是个重要特征，可以用来构建用于训练的分类器，因此分成类。数字训练过程如图所示。图字符识别神经网络的架构如图所示，首先分类器决定输入特征向量的类别，然后将特征向量输入到相应的神经网络。训练过程之后，将用于识别的网络最佳参数进行存储。训练和测试过程的总结如图所示。训练过程测试过程图识别过程识别模型经过训练过程，有五个网络得到完全训练，最佳参数得到存储。未受过训练的特征向量用来测试网络，识别系统的性能如表三所示。车牌识别系统的特征是式定义的识别率。识别率正确读取的字符数找到的字符数输入用于识别的特征向量特征向量神经网络目标输出输入用于训练的特征向量特征向量神经网络目标输出误差表类别识别率数字字母汉字数字和字母特殊字符与其他方法识别率,