CN103902956A - 基于神经网络的车牌照字符识别方法 - Google Patents

Abstract

本发明涉及基于神经网络的车牌照字符识别方法，其提取特征部分的方法的具体步骤如下：步骤1：设Ｎ为图形尺寸，ｇ（ｘ）和ｇ（ｙ）分别是图形在Ｘ轴和Ｙ轴上的投影；步骤2：对它们进行Fourier变换得到K个变换系数，从K个变换系数gk（k＝0，1，2，…，K-1）中选出M个有代表性的特征；步骤3：选出16个作为有代表性的特征作为网络输入；其无特征部分提取的方法的具体步骤如下：步骤1：对图形矩阵进行二维fft变换，分别得到矩阵的幅值和相值；步骤2：取矩阵的相值作为网络输入。本发明的基于神经网络的车牌照字符识别方法，其运行速度快，自适应性能好，具有较高的分辨率。

Description

基于神经网络的车牌照字符识别方法

技术领域

本发明涉及字符识别的领域，尤其是一种基于神经网络的车牌照字符识别方法。

背景技术

字符识别是模式识别领域的一项传统的课题，这是因为字符识别不是一个孤立的问题，而是模式识别领域中大多数课题都会遇到的基本问题，并且在不同的课题中，由于具体的条件不同，解决的方法也不尽相同，因而字符识别的研究仍具有理论和实践意义。这里讨论的是用神经网络识别数字的问题。

人工神经网络模式识别方法是近些年提出的新方法，为字符识别研究提供了一种新手段，它具有一些传统技术所没有的优点：良好的容错能力、分类能力强、并行处理能力和自学习能力。因而，采用神经网络识别方式是一种很好的选择。

针对模式特征的不同选择及其判别决策方法的不同，可将模式识别方法大致分为5大类。这5种识别方法均可实现字符识别，但它们特点不同，必须根据条件进行选择：1． 统计模式法：对已知类别的模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等按已知类别分别进行学习，按贝叶斯最小误差准则，根据以上统计特征设计出一个分类误差最小的决策超平面，识别过程就是对未知模式进行相同的特征提取和分类，通过决策平面方程决定该特征相应的模式所属的类别。此方法比较成熟，能考虑干扰、噪声等的影响，识别模式基元能力强。但对结构复杂的模式抽取特征困难；不能反映模式的结构特征，难以描述模式的性质；难以从整体角度考虑识别问题；2． 句法结构方法：分为训练过程和识别过程：训练过程就是用已知结构信息的模式作为训练样本，先识别出基元和它们之间的连接关系，并用字母符号表示它们，然后用构造句子的方法来描述生成这些场景的过程，并由此推断出生成该场景的一种文法规则；识别过程就是对未知结构的模式进行基元识别及其相互关系分析，然后用训练过程中获得的文法对其作句法分析，如果它能被已知结构信息的文法分析出来，则该模式具有与该文法相同的结构，否则就可判定不是这种结构。此方法识别方便，可从简单的基元开始，由简至繁；能反映模式的结构特征，能描述模式的性质，对图像畸变的抗干扰能力较强，但当存在干扰及噪声时，抽取基元困难，且易失误；3． 逻辑特征法：就是其特征的选择对一类模式识别问题来说是独一无二的，即在一类问题中只有1个模式具有某1种（或某1组合的）逻辑特征，此方法建立了关于知识表示及组织，目标搜索及匹配的完整体系；对需通过众多规则的推理达到识别目标的问题，有很好的效果，但当样品有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好；4． 模糊模式方法：就是在模式识别过程中引入了模糊集的概念，由于隶属度函数作为样品与模板相似程度的量度，故能反映整体的、主要的特性，模糊模式有相当程度的抗干扰与畸变，从而允许样品有相当程度的干扰与畸变，但准确合理的隶属度函数往往难以建立。目前有学者在研究，并将其引入神经网络方法形成模糊神经网络识别系统。 

发明内容

本发明要解决的技术问题是：为了克服上述中存在的问题，提供一种基于神经网络的车牌照字符识别方法。

本发明解决其技术问题所采用的技术方案是：一种基于神经网络的车牌照字符识别方法，利用提取特征部分的方法和无特征部分提取的方法来进行对车牌照字符的识别，其提取特征部分的方法的具体步骤如下：

步骤1：设Ｎ为图形尺寸，ｇ（ｘ）和ｇ（ｙ）分别是图形在Ｘ轴和Ｙ轴上的投影；

步骤2：对它们进行Fourier变换得到K个变换系数，从K个变换系数gk（k＝0，1，2，…，K-1）中选出M个有代表性的特征；

步骤3：选出16个作为有代表性的特征作为网络输入；

其无特征部分提取的方法的具体步骤如下：

步骤1：对图形矩阵进行二维fft变换，分别得到矩阵的幅值和相值；

步骤2：取矩阵的相值作为网络输入

本发明的有益效果是，本发明的基于神经网络的车牌照字符识别方法，其运行速度快，自适应性能好，具有较高的分辨率。 

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的结构示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

本发明的基于神经网络的车牌照字符识别方法，利用提取特征部分的方法和无特征部分提取的方法来进行对车牌照字符的识别，其取特征部分的方法的具体步骤如下：

步骤1：设Ｎ为图形尺寸，ｇ（ｘ）和ｇ（ｙ）分别是图形在Ｘ轴和Ｙ轴上的投影；

步骤2：对它们进行Fourier变换得到K个变换系数，从K个变换系数gk（k＝0，1，2，…，K-1）中选出M个有代表性的特征；

步骤3：选出16个作为有代表性的特征作为网络输入；

其无特征部分提取的方法的具体步骤如下：

步骤1：对图形矩阵进行二维fft变换，分别得到矩阵的幅值和相值；

步骤2：取矩阵的相值作为网络输入。

本发明的具体实验步骤如下：取0-9共十个数字作为待识别数，每个数字取6个样本进行训练，共有60个训练样本，另取10个样本作为识别样本。神经网络采用三层结构，提取特征法有16个输入，隐含层取24个神经元，输出为十个，无特征提取法有16X16个输入，隐含层取24个神经元，输出也为10个，取最大输出端对应的数字作为识别结果，如果所有输出端的结果都小于0.5，则认为系统无法识别，其收敛波形如图1所示，（a）有特征提取法的收敛图像；（b）无特征提取法的收敛图像，由图可知，两种不同方法的收敛速度，采用无特征提取法要快的多，但是由于其网络规模要比特整体取法大，每一次训练所耗时间要长，所以总的训练时间两者相差不多。识别样本和识别结果示例如附录所示。根据结果来看，采用无特征提取得到字符识别率为84.3%,采用有特征提取得到的字符识别率为92.9%,后者明显高于前者。如要进提高识别率，可以考虑改良特征值的提取，采集更多的样本进行训练及改善网络结构。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (1)

1.一种基于神经网络的车牌照字符识别方法，其特征是：利用提取特征部分的方法和无特征部分提取的方法来进行对车牌照字符的识别，其提取特征部分的方法的具体步骤如下：

步骤1：设Ｎ为图形尺寸，ｇ（ｘ）和ｇ（ｙ）分别是图形在Ｘ轴和Ｙ轴上的投影；

步骤2：对它们进行Fourier变换得到K个变换系数，从K个变换系数gk（k＝0，1，2，…，K-1）中选出M个有代表性的特征；

步骤3：选出16个作为有代表性的特征作为网络输入；

其无特征部分提取的方法的具体步骤如下：

步骤1：对图形矩阵进行二维fft变换，分别得到矩阵的幅值和相值；

步骤2：取矩阵的相值作为网络输入。

Images