差分进化算法和神经网络的车牌自动识别模型
穆日磊
摘 要： 为了提高对车牌的自动识别和检测能力，针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割，采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，采用神经网络算法进行车牌特征信息分类，实现车牌识别。测试结果表明，采用该方法进行车牌识别的准确性较好，识别模型的可靠度较高。
关键词： 差分进化； 神经网络； 车牌识别； 图像处理
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）15?0183?04
Abstract： Since the traditional edge contour detection method has poor recognition performance while the vehicles are shielded due to their close distance and overload traffic， a vehicle license plate automatic recognition method based on differential evolution algorithm and neural network is proposed to improve the vehicle automatic recognition and detection abilities. The extracted vehicle video monitoring image is performed with external contour rectangular grid division. The differential evolution algorithm is used to traverse the sub?block of the license plate test sample image continuously to segment the license plate image feature and strengthen the information point. The neural network algorithm is adopted to classify the information of the license plate feature， and recognize the license plate. The test results show that the method has high recognition accuracy of license plate， and high reliability of model recognition.
Keywords： differential evolution； neural network； license plate recognition； image processing
0 引 言
随着计算机图像处理技术的发展，车牌智能识别技术作为计算机图形图像处理的一个重要应用方向，在进行交通视频监控和刑事犯罪侦查等领域受到极大关注和广泛应用，研究车牌的自动识别算法受到了人们的重视[1]。车牌自动识别主要通过车辆以及车牌上的信息特征提取和图像信息增强处理技术进行特征检测和自适应分类，进而完成识别。在极端环境下还要进行车牌图像的修复和还原，实现车牌图像重构[2]，自动识别车牌的数字信息特征，实现车牌号码识别和车牌真伪识别的效能。当前较为流行的方法主要有BP神经网络检测方法、局部子空间方法、分割粘连法等，本文针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法，提高车牌识别的准确度，得出有效性结论。
1 车牌图像处理模型的设计
1.1 车牌图像的网格化的图像采集处理
车牌识别主要运用模式识别和图像处理原理，实现车牌的甄别和判断，车牌识别技术在刑事侦查、交通违法监控和车流量管理等领域具有重要的应用价值[3]。在进行车牌识别算法设计之前，首先需要进行车牌图像的采集处理，车牌识别技术建立在对车牌图像采集和特征提取技术上，通过图像特征提取，自动匹配车牌信息特征，再结合识别算法进行车牌信息特征分类。当前车牌识别方法对重叠车牌分离性功能不好，導致对车流量较大情况下的识别精度不高，其中很大一部分原因是在进行车牌图像采集时，没有很好的处理模糊信息。本文采用去模糊和去重的方法进行车牌图像采集，进行重叠车牌的突变信息感知，得到车辆视频监测图像外接轮廓矩形网格模型，如图1所示。
其中分形技术构建车牌图像的网格分割模型，在整个重叠车辆区域进行车牌的信息特征分离，通过车牌检测视觉采集器，有效感知车牌的几何特性，得到车牌采集和车牌图像处理结果，在车辆的视频监控区域，车牌图像采集器件主动进行视频捕捉，得到车牌图像采集输出质量比[4]：
式中：为车牌特征分形变量；参数值为分形变量。特别是针对特定的分形技术结构结合车牌图像特征及其方差的统计得到车牌的相似度变量，将车牌几种分形结构的主特征相应的扩大倍，从而使得该结构被整体放大了倍，则重叠车牌分离分形过程表示为：
通过上述处理，把重叠车牌的宽度降为单个像素宽度，通过统计概率衡量车牌像素子块，实现对车牌图像的采集，车牌图像采集后的特征输出表示为：
式中：和分别是重叠车牌的亮点特征值在坐标点处的出现概率；和分别是车牌图像的视频采集空间内的对比度，车牌图像是视频采集器以每秒几十帧甚至几百帧的速度来捕获车牌图像，由此实现车牌图像采集。
1.2 车牌图像的外接轮廓矩形网格分割处理
为了实现对车牌图像的自动识别，对提取的车辆视频监测图像进行外接轮廓矩形网格分割，得到车辆的骨架图像。采用分形结构反向分割方法，分形结构反向分割是车牌图像分割中最有代表性的一种定义方法，其对任何结构都适用，适用范围广泛，对于每次检测到的车牌图像，相似性特征是一致的，车牌图像特征分形用如下的数学表达式描述[5]：
式中：均为实数；为一个分形变换参数。车牌图像特征增强表示如下： （7）
在不破坏图像连通性的情况下，进行车牌测试样本图像的全局显著性特征点标定，将当前目标车牌测试样本图像划分为个子块，得到车牌图像的外接轮廓矩形网格区域阈值描述为：
根据监测图像的饱和度（Saturation）和亮度（Intensity），进行车牌图像的外接轮廓矩形网格分割[6]，分割后的过程可表述为：
这里取为黑，为白，根据人的视觉特性进行车牌图像的外接轮廓矩形网格分割的长宽比和占空比表述，示意图如图2所示。
图2中，设定划分后的每个子块阈值如果那么该区域可能存在多台车辆的车牌遮挡和覆盖，需要进行去重处理。利用车牌图像的外接轮廓矩形网格分割结果，在三维空间坐标系统中，利用车牌图像的色调（Hue）、饱和度（Saturation）和亮度（Intensity）进行阈值处理[7]，实现车牌图像的特征提取。
2 车牌自动识别模型优化实现
在进行了车牌图像采集和分割预处理的基础上，进行车牌的优化自动识别，针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法。
2.1 基于差分进化算法的车牌子块连续遍历处理
为了提高车牌自动识别的准确度，需要采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，差分进化（Differential Evolution，DE）是仿生算法的一个重要分支[8]，假设对车牌图像遍历的差分迭代函数为：
选取车牌图像特征分割相差很小的欧氏距离作为初始值，假设在这样一个稳定的周期点进行均匀对比，通过差分进化求得图像的最大熵，在最大迭代次数、维数、迭代次数给定的情况下，利用图像的灰度分布密度函数将扰动序列加入种群中，得到灰度像素序列分量：
定义图像的信息熵，载入到算法中，在一幅灰度范围内求得图像样本数据的像素终点值在阶序列中选出初始最优个体，当像素值区间满足阈值时，差分进化个体的目标函数为：
式中：是随机产生的一个灰度级矩阵，在像素点处图像亮点出现的概率表示为：
计算图像分割后边缘子块，进行像素值连续特征提取，提取公式为：
式中：是遍历图像分割的平滑参量；是低通滤波信息参量。通过车辆区域与中心线的连续检测，提取车牌边缘及两侧的轮廓，实现子块连续遍历处理。
2.2 基于神经网络的车牌分类识别
在进行了车牌图像特征提取和子块连续遍历的基础上，采用神经网络分类器进行车牌的亮点信息分类，实现车牌自动识别，采用BP神经网络分类器[9]，BP神经网络为三层网络结构，网络的迭代方程为：
假设车牌识别的学习步长为经过步训练和学习后，BP神经网络隐含层至输出层的权值变化为：
选取一个连通区域，根据图像灰度值在神经网络模型中实现车牌识別，识别的输出模型为：
遍历车牌分布的连通区域，即使车牌的中心线满足，，综上处理，采用神经网络算法进行车牌特征信息分类，实现优化识别。
3 实验测试分析
在Matlab仿真软件中进行车牌自动识别模型的仿真实验分析，本文对车牌图像采集的环境分别设定为市区交通场景和高速公路的交通场景，分别标注为场景1和场景2，实验中进行车牌图像采集的环境和参数信息见表1。
根据上述仿真场景设定，进行车牌识别仿真实验，实验进行图像采集，得到的结果如图3所示。
对上述两种场景采集的图像进行特征分割和信息点增强处理，实现车牌识别，这一过程的仿真实现如图4所示。
图4从左到右的图像处理分别表示的是原始图像、网格分割、边缘检测、边缘轮廓分割以及分割线仿真结果，在此基础上实现车牌识别，为了定量刻画识别的准确性，表2给出了不同方法进行车牌识别的准确度和时间开销（实验100次取均值）。
分析上述仿真结果得知，本文方法进行车牌识别的准确性高于传统方法，时间开销较小，能自动实时地实现对车牌的准确识别。
4 结 语
本文提出一种基于差分进化算法和神经网络的车牌自动识别方法，对提取的车辆视频监测图像进行外接轮廓矩形网格分割，采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，采用神经网络算法进行车牌特征信息分类，实现优化识别。研究结果表明，采用本文方法进行车牌识别的准确性较好，实时性较高，相比传统方法具有优越性。
参考文献
[1] 单家凌.基于无线网络车牌识别系统识别算法的研究[J].计算机测量与控制，2011，19（1）：124?126.
[2] 申晓磊，周武能.压缩感知在车牌识别系统中的应用研究[J].科学技术与工程，2012，12（19）：4797?4803.
[3] 郭荣艳，胡雪惠.BP神经网络在车牌字符识别中的应用研究[J].计算机仿真，2010，27（9）：299?301.
[4] 刘怀愚，李璟，洪留荣.利用局部特征的子空间车辆识别算法[J].计算机工程与应用，2010，46（30）：156?158.
[5] 魏玉强，王成儒.多车辆跟踪时分割粘连车辆的方法[J].电视技术，2009，33（11）：107?109.
[6] 焦波，闫了了，李伟.实时部分遮挡车辆分割及阴影消除[J].小型微型计算机系统，2012，33（8）：1825?1829.
[7] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 2776： 154?160.
[8] 张贵军，陈铭，周晓根.动态小生境半径两阶段多模态差分进化算法[J].控制与决策，2016，31（7）：1185?1191.
[9] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）： 2715?2723.
摘 要： 为了提高对车牌的自动识别和检测能力，针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割，采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，采用神经网络算法进行车牌特征信息分类，实现车牌识别。测试结果表明，采用该方法进行车牌识别的准确性较好，识别模型的可靠度较高。
关键词： 差分进化； 神经网络； 车牌识别； 图像处理
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）15?0183?04
Abstract： Since the traditional edge contour detection method has poor recognition performance while the vehicles are shielded due to their close distance and overload traffic， a vehicle license plate automatic recognition method based on differential evolution algorithm and neural network is proposed to improve the vehicle automatic recognition and detection abilities. The extracted vehicle video monitoring image is performed with external contour rectangular grid division. The differential evolution algorithm is used to traverse the sub?block of the license plate test sample image continuously to segment the license plate image feature and strengthen the information point. The neural network algorithm is adopted to classify the information of the license plate feature， and recognize the license plate. The test results show that the method has high recognition accuracy of license plate， and high reliability of model recognition.
Keywords： differential evolution； neural network； license plate recognition； image processing
0 引 言
随着计算机图像处理技术的发展，车牌智能识别技术作为计算机图形图像处理的一个重要应用方向，在进行交通视频监控和刑事犯罪侦查等领域受到极大关注和广泛应用，研究车牌的自动识别算法受到了人们的重视[1]。车牌自动识别主要通过车辆以及车牌上的信息特征提取和图像信息增强处理技术进行特征检测和自适应分类，进而完成识别。在极端环境下还要进行车牌图像的修复和还原，实现车牌图像重构[2]，自动识别车牌的数字信息特征，实现车牌号码识别和车牌真伪识别的效能。当前较为流行的方法主要有BP神经网络检测方法、局部子空间方法、分割粘连法等，本文针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法，提高车牌识别的准确度，得出有效性结论。
1 车牌图像处理模型的设计
1.1 车牌图像的网格化的图像采集处理
车牌识别主要运用模式识别和图像处理原理，实现车牌的甄别和判断，车牌识别技术在刑事侦查、交通违法监控和车流量管理等领域具有重要的应用价值[3]。在进行车牌识别算法设计之前，首先需要进行车牌图像的采集处理，车牌识别技术建立在对车牌图像采集和特征提取技术上，通过图像特征提取，自动匹配车牌信息特征，再结合识别算法进行车牌信息特征分类。当前车牌识别方法对重叠车牌分离性功能不好，導致对车流量较大情况下的识别精度不高，其中很大一部分原因是在进行车牌图像采集时，没有很好的处理模糊信息。本文采用去模糊和去重的方法进行车牌图像采集，进行重叠车牌的突变信息感知，得到车辆视频监测图像外接轮廓矩形网格模型，如图1所示。
其中分形技术构建车牌图像的网格分割模型，在整个重叠车辆区域进行车牌的信息特征分离，通过车牌检测视觉采集器，有效感知车牌的几何特性，得到车牌采集和车牌图像处理结果，在车辆的视频监控区域，车牌图像采集器件主动进行视频捕捉，得到车牌图像采集输出质量比[4]：
式中：为车牌特征分形变量；参数值为分形变量。特别是针对特定的分形技术结构结合车牌图像特征及其方差的统计得到车牌的相似度变量，将车牌几种分形结构的主特征相应的扩大倍，从而使得该结构被整体放大了倍，则重叠车牌分离分形过程表示为：
通过上述处理，把重叠车牌的宽度降为单个像素宽度，通过统计概率衡量车牌像素子块，实现对车牌图像的采集，车牌图像采集后的特征输出表示为：
式中：和分别是重叠车牌的亮点特征值在坐标点处的出现概率；和分别是车牌图像的视频采集空间内的对比度，车牌图像是视频采集器以每秒几十帧甚至几百帧的速度来捕获车牌图像，由此实现车牌图像采集。
1.2 车牌图像的外接轮廓矩形网格分割处理
为了实现对车牌图像的自动识别，对提取的车辆视频监测图像进行外接轮廓矩形网格分割，得到车辆的骨架图像。采用分形结构反向分割方法，分形结构反向分割是车牌图像分割中最有代表性的一种定义方法，其对任何结构都适用，适用范围广泛，对于每次检测到的车牌图像，相似性特征是一致的，车牌图像特征分形用如下的数学表达式描述[5]：
式中：均为实数；为一个分形变换参数。车牌图像特征增强表示如下： （7）
在不破坏图像连通性的情况下，进行车牌测试样本图像的全局显著性特征点标定，将当前目标车牌测试样本图像划分为个子块，得到车牌图像的外接轮廓矩形网格区域阈值描述为：
根据监测图像的饱和度（Saturation）和亮度（Intensity），进行车牌图像的外接轮廓矩形网格分割[6]，分割后的过程可表述为：
这里取为黑，为白，根据人的视觉特性进行车牌图像的外接轮廓矩形网格分割的长宽比和占空比表述，示意图如图2所示。
图2中，设定划分后的每个子块阈值如果那么该区域可能存在多台车辆的车牌遮挡和覆盖，需要进行去重处理。利用车牌图像的外接轮廓矩形网格分割结果，在三维空间坐标系统中，利用车牌图像的色调（Hue）、饱和度（Saturation）和亮度（Intensity）进行阈值处理[7]，实现车牌图像的特征提取。
2 车牌自动识别模型优化实现
在进行了车牌图像采集和分割预处理的基础上，进行车牌的优化自动识别，针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题，提出一种基于差分进化算法和神经网络的车牌自动识别方法。
2.1 基于差分进化算法的车牌子块连续遍历处理
为了提高车牌自动识别的准确度，需要采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，差分进化（Differential Evolution，DE）是仿生算法的一个重要分支[8]，假设对车牌图像遍历的差分迭代函数为：
选取车牌图像特征分割相差很小的欧氏距离作为初始值，假设在这样一个稳定的周期点进行均匀对比，通过差分进化求得图像的最大熵，在最大迭代次数、维数、迭代次数给定的情况下，利用图像的灰度分布密度函数将扰动序列加入种群中，得到灰度像素序列分量：
定义图像的信息熵，载入到算法中，在一幅灰度范围内求得图像样本数据的像素终点值在阶序列中选出初始最优个体，当像素值区间满足阈值时，差分进化个体的目标函数为：
式中：是随机产生的一个灰度级矩阵，在像素点处图像亮点出现的概率表示为：
计算图像分割后边缘子块，进行像素值连续特征提取，提取公式为：
式中：是遍历图像分割的平滑参量；是低通滤波信息参量。通过车辆区域与中心线的连续检测，提取车牌边缘及两侧的轮廓，实现子块连续遍历处理。
2.2 基于神经网络的车牌分类识别
在进行了车牌图像特征提取和子块连续遍历的基础上，采用神经网络分类器进行车牌的亮点信息分类，实现车牌自动识别，采用BP神经网络分类器[9]，BP神经网络为三层网络结构，网络的迭代方程为：
假设车牌识别的学习步长为经过步训练和学习后，BP神经网络隐含层至输出层的权值变化为：
选取一个连通区域，根据图像灰度值在神经网络模型中实现车牌识別，识别的输出模型为：
遍历车牌分布的连通区域，即使车牌的中心线满足，，综上处理，采用神经网络算法进行车牌特征信息分类，实现优化识别。
3 实验测试分析
在Matlab仿真软件中进行车牌自动识别模型的仿真实验分析，本文对车牌图像采集的环境分别设定为市区交通场景和高速公路的交通场景，分别标注为场景1和场景2，实验中进行车牌图像采集的环境和参数信息见表1。
根据上述仿真场景设定，进行车牌识别仿真实验，实验进行图像采集，得到的结果如图3所示。
对上述两种场景采集的图像进行特征分割和信息点增强处理，实现车牌识别，这一过程的仿真实现如图4所示。
图4从左到右的图像处理分别表示的是原始图像、网格分割、边缘检测、边缘轮廓分割以及分割线仿真结果，在此基础上实现车牌识别，为了定量刻画识别的准确性，表2给出了不同方法进行车牌识别的准确度和时间开销（实验100次取均值）。
分析上述仿真结果得知，本文方法进行车牌识别的准确性高于传统方法，时间开销较小，能自动实时地实现对车牌的准确识别。
4 结 语
本文提出一种基于差分进化算法和神经网络的车牌自动识别方法，对提取的车辆视频监测图像进行外接轮廓矩形网格分割，采用差分进化算法进行车牌测试样本图像的子块连续遍历，实现车牌图像的特征分割和信息点增强，采用神经网络算法进行车牌特征信息分类，实现优化识别。研究结果表明，采用本文方法进行车牌识别的准确性较好，实时性较高，相比传统方法具有优越性。
参考文献
[1] 单家凌.基于无线网络车牌识别系统识别算法的研究[J].计算机测量与控制，2011，19（1）：124?126.
[2] 申晓磊，周武能.压缩感知在车牌识别系统中的应用研究[J].科学技术与工程，2012，12（19）：4797?4803.
[3] 郭荣艳，胡雪惠.BP神经网络在车牌字符识别中的应用研究[J].计算机仿真，2010，27（9）：299?301.
[4] 刘怀愚，李璟，洪留荣.利用局部特征的子空间车辆识别算法[J].计算机工程与应用，2010，46（30）：156?158.
[5] 魏玉强，王成儒.多车辆跟踪时分割粘连车辆的方法[J].电视技术，2009，33（11）：107?109.
[6] 焦波，闫了了，李伟.实时部分遮挡车辆分割及阴影消除[J].小型微型计算机系统，2012，33（8）：1825?1829.
[7] KHALILI A， SAMI A. SysDetect： a systematic approach to critical state determination for industrial intrusion detection systems using Apriori algorithm [J]. Journal of process control， 2015， 2776： 154?160.
[8] 张贵军，陈铭，周晓根.动态小生境半径两阶段多模态差分进化算法[J].控制与决策，2016，31（7）：1185?1191.
[9] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）： 2715?2723.
