（天津职业技术师范大学信息技术工程学院，300222）
天津市大学生创新创业训练计划项目：智能化汽车牌照识别系统（编号：201710066069）
摘要：本文针对车牌字符识别问题进行研究。在设计过程中，分别训练了三个BP神经网络来对数字，字母和汉字进行识别，并得出结论。在识别过程中，需对图像进行预处理来降低神经网络训练的复杂度。由于是针对单个字符进行识别，对图像进行手动分割后，图像会由于缩放、裁剪等原因而产生噪声，因此在图像去噪方面，采用中值滤波。在图像字符识别中，选择了BP神经网络的方法来进行识别，与其他方法相比，该网络不仅有较强的鲁棒性，还具有较强的自学习能力。该系统的开发环境为MATLAB，能够直接调用神经网络工具箱，使设计过程降低了难度。
关键词：中值滤波；BP神经网络；字符识别
1 引言
由于城市空间的限制和环境的压力，相较于扩大交通道路，大力发展车辆识别系统才更有助于解决交通管理问题，而车辆识别系统的核心就是字符识别系统。因此，本系统将针对车牌字符识别问题进行研究。在整个系统中涉及了许多内容，例如图像去噪、灰度化、二值化、膨胀腐蚀、归一化等预处理内容，使用BP神经网络方法进行字符识别的系统。在预处理中，本文只论述图像去噪和归一化的内容。图像去噪也有许多可采用的方法，本文采用了中值滤波进行去噪，是因为它在实际运算过程中并不需要图像的统计特性，所以比较方便。
2 图像预处理
图像预处理的作用主要是在BP神经网络训练之前降低图像的识别难度和复杂度。流程图如图2-1，整个系统的预处理工作包括图像去噪、灰度化、二值化、边缘检测、滤波、归一化、膨胀腐蚀。在本文中将详细论述图像去噪和归一化部分。在图像去噪中，采用中值滤波方法，只针对RGB图像进行去噪。在归一化中，将二值化后不是黑底白字的字符图像进行反色处理，统一为黑底白字，再将图像进行缩放处理，统一为规定的大小。
图2-1 预处理流程图
在车牌图像采集的过程中，如果遇到了不佳的天气状况，例如雾霾天，或者下雨天等，就会形成不同类型的噪声，例如高斯噪声、椒盐噪声等加性噪声。而这些噪声处理的好坏将直接影响后续的预处理工作，因此，本系统将采用被广泛应用于去除各种随机噪声的中值滤波法对彩色图像进行去噪。实验表明，利用中值滤波去噪后的图片能有效去除图像中的干扰因素，能够达到比较满意的复原效果。
归一化是指对图像进行一系列的操作处理之后，使图像转变为固定标准的过程。传统的归一化是只归一图像大小，而本设计是先对图像进行二值化后，再对图像进行背景色统一，即统一为黑底白字，再统一图像的大小。
3.BP神经网络算法
在对图像预处理完毕后，我们开始进行神经网络的训练。BP神经网络学习过程为信号正向传入，误差反向传递，其中误差为期望误差与实际误差之间的差值。当网络开始学习时，输入信号首先从输入层进行输入，再通过与隐含层相连的权值相乘以后，得出的结果作为隐含层的输入，再将该输入通过隐含层内的激活函数进行激活，与输出层之间的权值进行相乘，得出的结果作为输出层输入，在输出层中，通过激活函数，输出结果。当输出误差值不断逼近期望输出时，或训练达到学习次数后，此过程就会停止。
本系统考虑使用MATLAB，在这个软件中自带了许多神经网络工具箱，可以直接进行系统调用，避免了大量的公式编程计算过程。
在网络训练部分，通过构造BP神经网络，分别对数字、字母和汉字进行训练测试，总体的识别率都在90%以上，具有较好的识别效果。对BP神经网络系统进行分析，发现BP神经网络学习速度较快，但识别结果部分不理想，容易陷入局部最优。出现这种情况的原因可能是隐含层个数不是最合适的值，因为设置一个适当的隐节点数目不仅可以提高网络训练的效率和精度误差，还大大减少了网络训练的时间。除了调整隐含层的数目外，还需要控制学习速率，学习速率如果过大可能导致系统不稳定，过小了可能导致训练时间增加，使收敛变慢，从而达不到期望的输出。
在完成上一步的BP神经网络设计之后，要开始进行训练，训练时信号正向传递，误差反向传播一次的过程为一次训练，程序流程图如图3-1所示。
4.结论
经过以上几个步骤，字符识别取得良好进展。本文还存在一些其他的不足之处，都需进一步改善和提高，不足之处主要有以下三点：
（1）本系统只选取了十类车牌照的汉字进行训练识别，没有对车牌上可见的五十多个汉字进行训练。
（2）本系统在预处理部分没有处理光线不足的工作，因此，有少部分图像因为光照原因无法识别出正确结果。
（3）为了提高识别率，本系统将网络分成了数字、字母和汉字分别进行训练。
总之，本系统仍需不断的完善，随着人工智能技术的进步，车牌识别系统在今后的发展必定越来越好。
参考文献
[1]闻新.应用MATLAB实现神经网络[M].国防工业出版社，2015:98-148.
[2]周品.MATLAB神经网络设计与应用[M].清华大学出版社，2013:145-160.
[3]刘冰.MATLAB神经网络超级学习手册[M].人民邮电出版社，2013:159-193.
[4]陈明.MATLAB神经网络原理与实例讲解[M].清华大学出版社，2013:154-180.
[5]张雨浓.神经网络权值直接确定法[M].中山大学出版社，2010:45-59.
[6]史峰.MATLAB神经网络30个案例分析[M].北京航空航天大学出版社，2010:7-15.
[7]张德丰.MATLAB神经网络应用设计[M].机械工业出版社，2009:39-48.
[8]周志华.神经网络及其应用[M].清华大学出版社，2004:230-241.
[9]张志涌.精通MATLAB6.5版[M].北京航空航天大学出版社，2003:15-41
作者简介：张梦翔（1997-），男，天津职业技术师范大学信息技术工程学院在读本科生。
论文作者:张梦翔 常少琦 刘玲
论文发表刊物:《知识-力量》2019年1月中
论文发表时间:2018/11/26
标签：神经网络论文; 图像论文; 中值论文; 字符论文; 误差论文; 噪声论文; 汉字论文; 《知识-力量》2019年1月中论文;