​【好设计论文】基于自适应差分进化极限学习机的车牌识别算法

摘要：针对目前车牌识别算法中存在的模型训练慢、字符识别准确率低等问题，研究了一种基于自适应差分进化极限学习机的车牌识别算法。综合利用边缘检测和颜色定位的优点来检测车牌区域，然后用改进后的垂直投影法对车牌区域进行分割，最后将自适应差分进化极限学习机用于字符识别。研究结果表明，所提出算法具有训练速度快、字符识别率高等优点，可以应用于复杂的交通场景。

中文引用格式： 文武，乔龙辉，何鹏. 基于自适应差分进化极限学习机的车牌识别算法[J].电子技术应用，2017，43(1)：133-136，140.
英文引用格式： Wen Wu，Qiao Longhui，He Peng. License plate recognition based on self-adaptive evolutionary extreme learning machine[J].Application of Electronic Technique，2017，43(1)：133-136，140.

0 引言

作为智能交通系统的重要组成部分，车牌识别系统常用来监视交通状况、监督车辆行为，还可以用于停车场出入管理。虽然过去十年车牌识别技术取得了很大的成就，并在很多实际场合中得以应用，但从复杂场景的图像中识别车牌仍然是一个艰巨的任务^[1]。

车牌识别一般由三部分组成：车牌定位、字符分割和字符识别。车牌定位有两种主要的实现方法：一种是基于车牌区域颜色信息的，根据车牌区域特定的颜色信息组合来定位车牌^[2]；另一种是基于边缘或纹理信息的，根据车牌区域边缘信息较其他区域清晰来检测车牌^[3]。第一种方法对光照条件和照相机设置敏感，第二种方法当车牌褪色严重时，会由于检测不到边缘而导致定位失败。投影法^[4]、连通域法^[5]和模板匹配法^[6]是实现字符分割的主要方式。投影法要求字符字迹完整且没有噪音干扰，易受光照影响。连通域法对车牌的倾斜不敏感，但不能用来处理字符断裂和字符粘连。常用的字符识别方法有：神经网络(BPNN和CNN)、SVM和模板匹配法。传统的神经网络和SVM用于字符识别时有较高的正确率，但如果参数选择不合适会出现学习速度慢、过拟合和局部最优等缺陷^[7]。模板匹配法简单实用，但在字符出现形变、粘连等问题时会导致模板匹配法识别率降低^[8]。

相较于其他常用车牌识别算法，本文所用方法在以下几点做出了改进：(1)综合利用颜色定位和边缘检测的优点，克服了单一用其中一类方法的缺陷；(2)对垂直投影法做改进，先粗分割，再精确分割，有效解决了字符的粘连、断裂等问题；(3)用SaE-ELM来训练模型，缩短了训练时间，提升了字符识别率。

1 车牌定位

本文将车牌的面积、纹理、颜色、长宽比等多重特征结合起来，提出一种车牌定位的改进算法，具体执行步骤如下所示：

(1)输入彩色车牌图像，如图1(a)，预处理(高斯模糊和灰度化)后得到灰度图，然后用Sobel算子得到车牌图像的垂直边缘(由于车头排气孔、车标等的影响，检测水平边缘会影响最后的连接结果)，接着用大津法对边缘检测图进行二值化并做形态学闭运算。此时可以获得很多车牌候选区，如图1(b)所示。

(2)将输入的彩色图转成HSV图像，若当前像素的H、S、V分量分别满足表1所示蓝色对应的H、S、V分量，则灰度值置为255。同理若满足黄色各分量，灰度值置为200；满足白色各分量，灰度值置为150；满足黑色各分量，灰度值置为100；其他为0。构造出的五级灰度图如图1(c)所示。依次取每级灰度图，分别做二值化和闭运算操作。以蓝色分量为例，255为阈值，将灰度值不为255的全部置0，可得蓝色分量候选区，如图1(d)所示，其他分量的处理过程依此类推。

(3)将图1(b)与图1(d)做“与”运算可得图1(e)，候选区数量大大减少，然后借助与车牌的面积、长宽比等特征可以筛去部分伪车牌，最后由SVM分类器对每个候选车牌做分类判断操作即可得到真正的车牌，如图1(f)所示。对于一般场景下的车牌，经过上述3步即可定位到车牌区域。但对于某些特殊的场景，步骤(1)或步骤(2)可能存在不同程度的失效，导致最后的定位效果不佳。这里的解决办法是用SVM对候选车牌进行判断，若SVM判断结果大于1，则定位结束。否则，用颜色定位或边缘检测进行再次定位。

闭运算操作时，车牌可能会错分成两个区域。这是因为车牌中的第2或第3个位置存在某些垂直边缘不明显的字符(比如“E”、“1”等)，解决办法是对车牌区域进行扩展，然后对扩展区域再进行一次边缘检测。对于低照度图像，使用Sobel算子可能会出现边缘提取不清楚或缺失严重的问题，可以改用Scharr算子来提取边缘。完整的定位流程图如图2所示。本文所用定位方法综合多种因素，具有较好的鲁棒性。

2 字符分割

2.1 初步分割

传统投影法对字符进行切分时，需要字符字迹完整且没有噪声干扰，此时二值图像的垂直投影曲线会有清晰的波峰波谷，可以根据波峰波谷的跳变位置来确定字符分割点。由于受到噪声、光照等影响，车牌垂直投影的波峰和波谷往往不明显，图3所示为噪声严重车牌以及它的垂直投影曲线。

经分析，字符的投影曲线多数为单峰，少数为双峰和三峰，如：H、M和断裂字符为双峰，川为三峰。利用该特征来对垂直投影法进行改进的步骤如下：

(1)水平扫描车牌二值图像，根据字符区域跳变次数不小于14的经验去除上下边框和铆钉。求得字符高度charHeight，单个字符宽度charWidth=2charHeight。

(2)列扫描车牌二值图像，统计每一列白色像素点个数。设置投影阈值threshValue，完成垂直投影，并将投影结果保存在arrayTotal数组中。

(3)创建字符类Character和动态链表listCharacter，字符起点横坐标记为start，中心点centerPoint，终点end。扫描arrayTotal数组，当arrayTotal[start]>0&&arrayTotal[end]=0，记当前字符宽度width[m]=end-start。依次执行以下步骤：①若2charWidth<width[m]<3charWidth，则为2个字符粘连，取其投影中点进行分割；若3charWidth<width[m]<4charWidth，则为3个字符粘连，根据charWidth确定分割的位置。②若width[m]+width[m+1]<charWidth，同时满足两字符间距差小于(12/45)charWidth，则判定字符发生断裂，需对字符做合并操作。③若width[m]<0.5charWidth<width[m+1]，宽度width[m]内投影值大于0.8charHeight的像素个数为num。当num小于预先设定阈值，则当前字符被判定为噪声点，否则就被判定为数字“1”。

(4)重复步骤(3)，将字符写入链表listCharacter。直至遍历边界最右端且listCharacter中字符个数不小于7为止。

2.2 精确分割

上述步骤完成了车牌字符的初步分割，解决了字符的断裂和粘连问题。但仍然存在车牌左右边框的干扰，使得车牌的左右边界并非车牌字符起始和结束位置。因此还需根据先验知识对字符坐标值进行修正，从而完成精确分割，具体流程如下：

(1)统计listCharacter中字符个数N及对应宽度W_i，求出宽度的均值W_a与标准差W_s。

若W_i不满足|W_i-W_a|<W_s，则将其从listCharacter中剔除，对其余字符求W_a和W_s，循环直至所有W_i都符合|W_i-W_a|<W_s，则此时W_a为字符的统计标准宽度。

(2)选定优先分割字符C_min(与W_a差异最小的字符)。根据标准车牌字符宽度及间距等先验信息(单字符宽45 mm，高90 mm，间隔符宽10 mm，第二和第三字符间隔34 mm，其余字符间隔均为12 mm)，计算出W_a与标准宽度的比值p(如式(3)所示)。根据这一比值计算出C_min的centerPoint在表2所处的坐标范围，从而确定C_min在车牌字符排列中的序号。

(3)以C_min的centerPoint为基准点，W_a为尺度，根据表2计算出所有字符的开始和结束坐标，然后将所有坐标信息重新写入listCharacter，字符的精确分割即可通过这些坐标值来完成。分割效果如表3所示。

3 字符识别

3.1 SaE-ELM

极限学习机是Huang Guangbin^[9]提出的一种新的基于单隐层前馈神经网络的学习方法。该方法只需训练前设置好隐层节点数目，执行过程中随机产生输入权值与隐层偏差(无需通过迭代反复刷新调整)，最终把复杂的问题转化成求矩阵的Moore-Penrose广义逆。由于随机产生网络的输入权值和隐层的偏置向量参数，所以不能保证训练出的ELM模型能够达到最优。

本文采用基于SaE-ELM的方法来识别车牌字符。该方法利用自适应差分进化算法优化ELM网络的输入权值与隐层偏差，初始化后循环“突变→交叉→选择”来生成最优参数。接着通过测试设置最优隐层节点数目，选择适当的激励函数计算出隐层输出，并用最小二乘法计算出输出权值。实验验证表明，该方法不仅保留了ELM算法训练的快速性，而且具有更好的泛化能力和准确性，避免了ELM模型的随机性。假设训练集S包含了N个任意不同的样本，S={(x_j，t_j)|x_j∈Rⁿ，t_j∈R^m，j=1，2，…，N}，具有L个隐层单元的SaE-ELM算法执行步骤如下：

(1)首先初始化原始种群，原始种群是包含了所有输入权值与隐藏层偏差的NP组向量，每组向量作为一个个体向量，如式(4)所示。

其中，w_i和b_i是随机赋值的，w_i是输入权值，b_i是隐层偏差(i=1，2，…，L)。L是隐层节点数，G是进化代数，k=1，2，…，NP，NP表示种群大小，这里NP=10。

(2)然后通过式(5)计算出隐层输出矩阵H_k，G，输出权值矩阵?茁k，G则可以通过式(6)得到。

(3)接着通过变异操作获取变异个体向量v_k，G，变异过程中有4种变异策略可以选择，如表4所示。通过P_l，G可以实现变异策略的自适应选择，P_l，G是概率参数，表示在第G代变异操作中使用策略“l”的概率。

变异因子F用于控制步长，服从N(0.6，0.3)的正态分布，K在0~1区间随机取值，r1~r5是1~NP内互不相等的随机整数。概率参数P_l，G的更新规则可参考文献[10]，变异操作完成后，将变异向量

与θ_k，G进行交叉操作可得试验向量

交叉操作通过式(9)完成。

其中，j_rand是[1，L]随机正整数，rand_j是0~1之间随机数，交叉概率CR服从N(0.3，0.1)的正态分布。重复突变、交叉与选择，直至最大迭代次数得到最优θ_k，G，通过式(6)计算出输出权值β，即可获得模型。

3.2 字符识别

首先将字符尺寸统一为20×40，然后用方向梯度直方图来提取字符特征(单元10×10，块大小20×20，块步长5×5，每个单元对应的向量是9维)，则可得180维的输入特征向量。接着用SaE-ELM训练3个字符分类器。汉字分类器用来识别第一个字符，采用400个隐层节点和31个输出节点。字母分类器用来识别第二个字符，采用300个隐藏层节点和24个输出节点。字母数字分类器则用来识别剩下的5个字符，采用300个隐层节点和34个输出节点。在2.50 GHz CPU、2 GB内存、vs2013编程的主机上进行测试，用4 000个字符(1 435个中文字符，1 000个数字，1 565个英文字符)来训练，训练时间为144 s(训练用时最长的时间)。取500个字符做测试，这里是分开测试，汉字分类器识别率为96.5%，字母数字分类器的识别率为97.5%，字母分类器识别率为98.0%。从表5可知(以字母为例)，在识别率与BP神经网络和SVM区别不大的情况下，基于SaE-ELM的车牌字符识别大大缩短了训练时间，且提高了字符识别的速度。本文算法可应用于实际复杂场景，测试效果如图4所示。

4 结束语

经过大量测试，上述方法可以有效地识别各种复杂场景中的车牌。但所提出的方法前提是要把彩色图转为灰度图，未来可考虑直接对彩色图直接进行处理，终端完成图像的采集工作，然后通过云平台，把相对复杂的图像计算部分分到多个服务器上同时进行处理。还可以考虑将深度学习用于模型的训练，提高中文字符和相似字符的识别准确率。车牌识别技术的发展为其今后在车辆跟踪、交通监控、停车场出入管理等领域的应用打下了良好的基础。

参考文献

[1] TIAN B.Hierarchical and networked vehicle surveillance in its：A survey[J].IEEE Trans.Intell.Transp.Syst.，2015，16(2)：557-580.

[2] SHI X，ZHAO W，SHEN Y.Automatic license plate recognition system based on color image processing[J].Lecture Notes in Computer Science，2005,3483(4)：1159-1168.

[3] ZHENG D，ZHAO Y，WANG J.An efficient method of license plate location[J].Pattern Recog.Lett.，2005，26(15)：2431-2438.

[4] 张学海.车牌字符分割方法研究与实现[D].成都：西南交通大学，2010.

[5] 甘玲，林小晶.基于连通域提取的车牌字符分割算法[J].计算机仿真，2011，28(4)：336-339.

[6] 穆丽娟，籍焱.基于新模板的算法在车牌字符分割中的应用[J].计算机工程与应用，2012，48(19)：191-196.

[7] HONG T，GOPALAKRISHNAM A K.License plate extraction and recognition of a Thai vehicle based on MSER and BPNN[C].Knowledge and Smart Technology(KST)，2015 7th International Conference on，Chonburi，2015：48-53.

[8] NEJATI M，MAJIDI A，JALALAT M.License plate recognition based on edge histogram analysis and classifier ensemble[C].2015 Signal Processing and Intelligent Systems Conference(SPIS)，Tehran，2015：48-52.

[9] HUANG G B，WANG D H，LAN Y.Extreme learning machines：a survey[J].International Journal of Machine Learning and Cybernetics，2011，2(2)：107-122.

[10] CAO J，LIN Z，HUANG G B.Self-adaptive evolutionary extreme learning machine[J].Neural Process.Lett.，2012，36(3)：285-305.

作者信息

文  武1，2，乔龙辉1，何  鹏1

1.重庆邮电大学，重庆400065；

2.重庆信科设计有限公司，重庆400065