基于离散Hopfield神经网络的污染车牌字符识别

来源:用户上传      作者:

　　摘要：传统字符识别方法缺乏对污染车牌字符正确识别的能力，难以有效分辨易混淆字符等。针对这些弊端，采用MATLAB对真实车牌字符图像进行处理，提出一种基于离散Hopfield神经网络的改进算法（CLP-HNN），对车牌字母及数字进行识别。实验结果表明，该算法对污染车牌字符识别率达93.3%，不仅可有效降低污染车牌错误识别的风险，而且可提高易混淆字符正确辨别率，对减少车牌误识别引起的交通安全及秩序问题有较大参考价值。
　　关键字：污染车牌;字符识别;Hopfield神经网络
　　DOI：10. 11907/rjdk. 192300 开放科学（资源服务）标识码（OSID）：
　　中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2020）007-0032-04
　　Contaminated License Plate Character Recognition
　　Based on Discrete Hopfield Neural Network
　　LIU Yue， SUN Guo-qiang
　　（School of Optical-Electrical & Computer Engineering， University of Shanghai for Science & Technology， Shanghai 200093， China）
　　Abstract： To improve the disadvantages of traditional character recognition methods which lack of ability of correctly recognizing contaminated license plate characters and effectively distinguishing the confusing characters， this paper utilizes MATLAB to process the real license plate character images and proposed the contaminated license plate-Hopfield neural network（CLP-HNN） which is a modified algorithm based on discrete Hopfield neural network to recognize the letters and numbers of contaminated license plate. Experiment results have shown that the recognition rate of contaminated license plate characters by CLP-HNN algorithm can reach 93.3%. It indicates the method proposed in this paper can not only effectively decrease the risk of misrecognition of contaminated license plates but also improve the correct discrimination rate of confusing characters， which is of great significance for reducing traffic safety problems caused by license plate recognition.
　　Key Words： contaminated license plate; characters recognition; Hopfield neural network
　　0 引言
　　智能交通系統（Intelligent Transportation System，ITS）的主要目标是在交通运输管理系统中运用先进的信息、通信、计算机等技术使系统更加实时高效[1-2]。车牌识别技术作为城市智能交通中采集分析信息的重要方式，承担了极其重要的任务[3-4]。常规车牌识别技术一般分为3个环节：定位[5]、分割[6]及识别[7]，环环相扣。由于车牌字符正确识别率直接关系到车牌识别系统性能，所以成为完善智能交通管理系统的关键。
　　然而现实场景中车牌大多受到程度不一的污染，比如雨雪污泥沾染、人为恶意改动以及长期使用造成的质量退化等，这种车牌通常被称为“污染车牌”，也是当前车牌识别难点之一。大多数车牌字符识别是针对正常车牌的，对污染字符缺少成熟的手段，无法确保结果准确、高效。因此，如何从这些残缺、改动、模糊的字符中获取正确完整的字符信息是识别的关键问题。鉴于字母及数字字符的人为污染可能性及对识别结果的影响程度均大于汉字字符，所以本文主要针对字母和数字进行研究。
　　目前常用车牌字符识别技术主要分为基于模板匹配的字符识别算法[8-9]、基于神经网络的字符识别算法[10-12]、基于特征统计匹配法[13]等。文献[14]提出基于数学形态学的模糊模板匹配方法，但是对质量差的字符识别效果欠佳;肖晓等[15]通过细化字符字库，提出一种改进的模版匹配算法，在一定程度上克服了传统模版匹配无法识别残缺字符的缺点;Parekh等[16]提出一种新的识别算法，它以动态生成的车牌字符作为数据库模板，对字符进行识别;高强[17]利用张量积小波分解高频子图具有方向性的特点，提取字符笔画特征，得到反映字符结构和统计特征的联和特征向量，从而实现字符;Masood等[18]详细介绍了一种全自动车牌检测识别系统，该系统核心技术由深度卷积神经网络（CNN）等算法结合而成;Zhang等[19]使用自然图像训练Hopfield神经网络，以实现自然图像的有效压缩和恢复;Soni等[20]提出一种使用云Hopfield神经网络识别低分辨率灰度面部图像的方法，该网络可以处理变形面部，例如戴太阳镜或口罩遮住部分面庞的人。 　　本文利用Hopfield神经网络联想记忆功能，改进传统算法以污染字符。现有利用Hopfield神经网络识别车牌的研究大都未使用真实的车牌图像，无法保证算法对于车牌字符识别的可用性，而本文使用的图像均为真实车牌图像，研究结果更加真实可靠。
　　1 字符识别
　　1.1 传统Hopfield神经网络
　　1982年Hopfield[21]提出一种对机器学习领域产生直接影响的异步神经网络模型。Hopfield神经网络是一种能够识别模式且具有输入—输出反馈连接的递归神经网络。它可维持网络内部状态，是模拟各种记忆功能的绝佳选择。在网络初始化过程中，输入模式用于初始化输出模式，初始化后输入模式将被删除，输出将成为整个反馈连接的新网络输入。多次重复该操作，直到输出模式发生更改。当输出模式不再继续改变时，网络被认为处于平衡状态。如果在经过合理的步骤后网络没有达到平衡，则停止该过程。在Hopfield神经网络中，由于网络稳定性，不存在同一神经元自身反馈连接。Hopfield神经网络原理如图1所示。
　　第0层仅为网络输入而非实际神经元，所以并不具有计算功能。神经元输入输出为1和-1，分别对应神经元激活和抑制状态。每个连接均有对应权重，神经元之间均以[wij=wji]的方式呈双向连接，神经元[i]连接到神经元[j]，反之亦然。网络权重可由[n×n]的权重矩阵[W]表示。网络中不存在自连接，所以[wii=0]，神经网络激活函数见式（1）。
　　同时每个神经元均有阈值[γ]，确认当前输入是否足够，令其状态为1，如果节点总输入大于或等于阈值，则节点新状态为1，反之为-1。一般而言[W]和[γ]可确定唯一的Hopfield神经网络，目标函数为：
　　1.2 基于Hopfield神经网络的污染车牌字符识别
　　基于不完全信息的先前知识检索是人脑基本特征之一。缺失的信息会触发人类心理搜索，根据已有上下文信息将新输出与给定输入相关联，这与“触景生情”类似。Hopfield网络可用于联想记忆，网络工作过程为状态的演化过程，其按照能量减小的方式演化，最终达到稳定状态，这些稳定状态叫做网络吸引子。吸引子需要记忆模式，由于每个吸引子均存在一定的吸引域，处在吸引域内的状态最终可演化为对应的吸引子，如图3所示，它的联想记忆功能即为状态向稳定点的运动，可将其理解由一个不完整输入模式向完整模式的演化过程。
　　这种可找到最接近初始输入内存的能力使Hopfield神经网络具有联想记忆的功能。 因此，关联存储器网络具有很强的容错能力。对该网络而言，首先通过一个学习训练过程确定网络权值系数，网络不断变化后会趋于稳定，最终输出即为联想检索结果，即便给定部分不完整或不正确，也能得到正确结果，如图4所示。在污染字符识别中，离散Hopfield神经网络联想记忆功能可很好弥补这一局限性，有效识别受干扰或不完整的字符。
　　本文基于Hopfield神经网络的车牌字符识别方法由两部分构成：①输入训练图像集训练Hopfield分类模型;②将待识别的车牌字符图像输入已训练的模型进行识别。
　　由于被污染的中文字符对识别结果的影响远远低于数字及字母，所以本文主要针对数字及字母进行识别工作，这其中包括“A～Z”26个英文字母及“0～9”10个阿拉伯数字。设输入模式为[X]，若当前网络稳定，则稳态时输出也应为[X]，此刻网络元素可表示为：
　　其中[xj]表示神经元[j]的状态，[wji]代表从突触前神经元j到突触后神经元[i]的连接权重，在式（5）中引入学习率[η]对权值设定进行优化，如式（6）所示。
　　本文取[η=0.9]，由于不带自环的离散神经网络易于稳定，因而可取权值矩阵为：
　　其中P为单位矩阵。若输入模式为X，则式（7）可推广为：
　　然而有些情况下很可能输入模式并不正交，在若干时刻后可能出现[Y（t）≠X（t）]。针对该问题，可通过修正[W]消除差异，优化传统算法。设定[t]时刻与[t+1]时刻下的[wij]变化差量为[Δwij]，并引入[ξ]对算法进行改进。
　　综上有：
　　[yi（t+1）]表示在[t+1]时刻第[i]个神经元，[γ]为阈值。
　　2 实验分析及结果评价
　　2.1 字符预处理
　　本文所用车牌字符均采用人工拍摄的方式从车牌图像中获取，由于原始字符图像不能直接用于Hopfield神经网络的训练识别，需对原始彩色图像进行灰度值及二值化等预处理操作后，再输入到网络中进行下一步识别，可得到更佳的字符结构特征并有利于识别效果优化、去除不必要的背景和噪声，得到字符本质形状结构。首先对污染字符原始图像进行预处理，将彩色图像统一转化为灰度图像，然后将灰度图像转化为大小一致的二值图像，再去除二值图像中噪声点。由于污染字符种类非常多，本文以0为例，列举出0在污染情况下的可能情况，比如受污染为C、D、G、8等。如图6～8所示。
　　2.2 Hopfield神经网络训练
　　构造标准字符模板库。国内车牌有不同格式，但所有种类的车牌尺寸大小、宽高比例及字符间距可视为一致。本文重点研究小型汽车车牌字符识别，针对10个数字和I、0除外的24个英文字母，共34个字符。
　　对构造的网络进行评估。对于Hopfield神经网络可识别的字符需将其图像进行二值化处理，本文使用字符包含32*16个像素点，因此需容纳约512个大小为32*16的像素点记忆模式。由先验知识可知，当Hopfield神经网络接收外界输入信号和需联想匹配的模式過多时，可能会影响正常识别，当网络神经元数量大于或等于所需记忆模式的6.7倍时方可正常。由此可见本文识别不会出现该问题。
　　采用MATLAB语言创建Hopfield神经网络。网络训练时，每个字符取50个样本作为输入测试样本。首先测定最佳初始参数，即学习率和训练次数。 　　對于学习率[η]，当训练样本为50、训练次数为80时，学习率为0.9，识别率最高。如表1所示。
　　对于训练次数，当学习率为0.9，训练样本数为50时，训练次数为75和80时识别率均比较高，但识别率为80时，时延较小，如表2所示。所以本文取学习率为0.9，训练次数为80。
　　2.3 算法评估
　　为验证算法效果，对算法进行综合对比：首先对改进的Hopfield神经网络与传统Hopfield进行纵向对比;然后，将本文算法与其它算法进行对比。
　　表3中的字符“0”极易认为改动为“C”、“G”、“Q”、“8”等，“8”易改动为“0”等，以这些字符为例展示识别结果更具有说服力。由表3实验结果表明，传统Hopfield神经网络不能很好地识别污染车牌，改进的Hopfield神经网络在识别结果上有明显优势，尤其对于相似字符本文方法识别率明显更高。
　　不同算法在相同测试集下的实验结果如表4所示。
　　仿真结果与实验数据表明，对于测试集中的字符识别率而言，模板匹配算法是最不理想的，由于算法本身特性导致其对于易混淆字符的识别错误率较高;神经网络算法对于该类污染字符的识别更加有效，而本文提出的CLP-HNN算法识别率最高，污染车牌识别效果最好。
　　3 结语
　　本文提出一种CLP-HNN算法实现对污染车牌字符的识别，避免了传统离散Hopfield神经网络存在的弊端。MATLAB模拟结果表明，CLP-HNN对污染车牌的缺失、改动及不完整信息有良好的容错性，联想记忆成功率也较其它算法更高，识别结果更加贴近准确字符，具有优越的污染车牌字符识别能力。本文实验仅考虑了数字和字母字符，尚未验证CLP-HNN算法是否符合汉字识别，因此将针对该方向继续深入研究。
　　参考文献：
　　[1] ZHU L， YU F R. Big data analytics in intelligent transportation systems： a survey [J].  IEEE Transactions on Intelligent Transportation Systems， 2018， 20（1）：383-398.
　　[2] MAIMARIS A， PAPAGEORGIOU G. A review of intelligent transportation systems from a communications technology perspective[C].  Rio de Janeiro： IEEE International Conference on Intelligent Transportation Systems， 2016.
　　[3] LAN C， LI F， JIN Y. Research on the license plate recognition based on image processing [C].  Qinhuangdao： Fifth International Conference on Instrumentation & Measurement， 2015.
　　[4] MOLINA-MORENO M，GONZáLEZ-DíAZ I，DíAZ-DE-MARíA F. Efficient scale-adaptive license plate detection system[J]. IEEE Transactions on Intelligent Transportation Systems，2018，（99）：1-13.
　　[5] RAJPUT H， SOM T， KAR S. An automated vehicle license plate recognition system[J]. Computer，2015（48）：56-61.
　　[6] WANG N， ZHU X， ZHANG J. License plate segmentation and recognition of Chinese vehicle based on BPNN[C]. Wuxi： The 12th International Conference on Computational Intelligence and Security，2016.
　　[7] KHAN M A， SHARIF M， JAVED M Y. License number plate recognition system using entropy-based features selection approach with SVM [J].  IET Image Processing，2018，12（2）：200-209.
　　[8] WANG C M， LIU J H. License plate recognition system [C].  Zhangjiajie： The 2th International Conference on Fuzzy Systems and Knowledge Discovery， 2015.
　　[9] PURANIC A，DEEPAK K，UMADEVI V. Vehicle number plate recognition system： a literature review and implementation using template matching [J].  International Journal of Computer Applications，2016， 134（1）：12-16. 　　[10] YAO D，ZHU W，CHEN Y. Chinese license plate character recognition based on convolution neural network[C]. Jinan： 2017 Chinese Automation Congress， 2017.
　　[11] 董峻妃，郑伯川，杨泽静. 基于卷积神经网络的车牌字符识别[J]. 计算机应用， 2017， 37（7）：2014-2018.
　　[12] GUAN X Z， ZHANG L. License plate recognition based on improved BP neural network[J]. Techniques of Automation & Applications. 2015， 34（7）：66-68.
　　[13] ZHAO D， SONG J Y， MOUSAVINEZHAD S H. Research on recognition algorithm of free handwritten numerals based on combined structural features [C]. SanDiego： IEEE International Conference on Electro-Information Technology， 2013.
　　[14] RUAN Z Y，SHEN Y J，LIU F L. An application of mathematical morphology based fuzzy set theory in license plate characters recognition [J].  Computer Engineering & Science，2016，38（3）：562-568.
　　[15] 肖晓，陈杰，邵慧，等. 基于二次模版库的车牌残缺字符识别[J]. 安徽建筑大学学报，2017，25（4）：33-37.
　　[16] PAREKH R， CHAKRABORTY S. An improved template matching algorithm for car license plate recognition[J].  International Journal of Computer Applications， 2015， 118（25）：16-22.
　　[17] 高强，刘斌.  基于提升小波的矩不变量车牌字符识别方法 [J].  量子电子学报， 2016， 33（6）：662-670.
　　[18] MASOOD S Z， SHU G. DEHGHAN A. License plate detection and recognition using deeply learned convolutional neural networks [J].  Computer Vision and Pattern Recognition， 2017.
　　[19] ZHANG J， ZHUANG T. A novel approach to design weight matrix of Hopfield network[C].  Shanghai： 2005 IEEE Engineering in Medicine and Biology 27th Annual Conference， 2006.
　　[20] SONI N， SINGH N，KAPOOR A. Face recognition using cloud Hopfield neural network[C]. Chennai：2016 International Conference on Wireless Communications，Signal Processing and Networking， 2016.
　　[21] HOPFIELD J J. Neural networks and physical systems with emergent collective computational abilities[J]. Proceedings of National Academy of Sciences， 1982， 79（8）： 2554-2558.
　　（責任编辑：江 艳）
转载注明来源:https://www.xzbu.com/8/view-15285858.htm