摘  要： 當(dāng)前基于神經(jīng)網(wǎng)絡(luò)方法的車牌字符識(shí)別技術(shù)都使用固定的訓(xùn)練樣本，學(xué)習(xí)的效果受初始樣本限制，對(duì)于識(shí)別過(guò)程中新出現(xiàn)的不同角度、光線等特征的字符圖片不能自適應(yīng)地學(xué)習(xí)。本文針對(duì)這個(gè)問(wèn)題提出了基于在線序列極限學(xué)習(xí)機(jī)（OS-ELM）的車牌字符識(shí)別方法。在樣本實(shí)時(shí)更新中使系統(tǒng)自適應(yīng)調(diào)整網(wǎng)絡(luò)權(quán)值，不斷提高識(shí)別準(zhǔn)確率。本文設(shè)計(jì)了漢字、字母、字母混合數(shù)字三個(gè)字符分類器，根據(jù)車牌字符的排列特征識(shí)別相應(yīng)的字符。通過(guò)與傳統(tǒng)ELM方法和BP神經(jīng)網(wǎng)絡(luò)法對(duì)比，結(jié)果證明該字符識(shí)別技術(shù)達(dá)到了較高的識(shí)別率，在訓(xùn)練速度上也比BP神經(jīng)網(wǎng)絡(luò)法提高了2~3個(gè)數(shù)量級(jí)。

　　關(guān)鍵詞： 車牌字符識(shí)別；極速學(xué)習(xí)機(jī)；在線序列；特征提取

0 引言

　　車牌識(shí)別是智能交通系統(tǒng)（Intelligent Transportation System，ITS）的重要組成部分。在交通擁堵、停車場(chǎng)管理和套牌檢測(cè)等眾多領(lǐng)域得到了廣泛的應(yīng)用。在車牌識(shí)別系統(tǒng)中字符識(shí)別是核心與難點(diǎn)，目前字符識(shí)別方法主要有模板匹配法、神經(jīng)網(wǎng)絡(luò)技術(shù)，以及兩者的聯(lián)合應(yīng)用。

　　中國(guó)大陸車牌字符中含一位漢字且漢字結(jié)構(gòu)復(fù)雜，識(shí)別困難，出錯(cuò)率高，模板匹配法對(duì)于相似的字符區(qū)分能力差，同時(shí)受光線和天氣等復(fù)雜情況的影響，在特征數(shù)據(jù)維數(shù)過(guò)大時(shí)效率較低。神經(jīng)網(wǎng)絡(luò)技術(shù)以BP（Back Propagation）算法居多[1-2]。BP神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)性和存儲(chǔ)知識(shí)的能力，但網(wǎng)絡(luò)的訓(xùn)練速度慢，存在局部最優(yōu)解等問(wèn)題。因而基于該方法的車牌字符識(shí)別只能離線訓(xùn)練樣本，測(cè)試精度也較依賴于初始樣本的全面性。

　　Huang等[3-5]提出了極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM），設(shè)置合適的隱藏層節(jié)點(diǎn)數(shù)，為輸入權(quán)值和隱藏層偏差隨機(jī)賦值，輸出層權(quán)值通過(guò)最小二乘法得到，整個(gè)過(guò)程一次完成，無(wú)需迭代，與BP神經(jīng)網(wǎng)絡(luò)相比學(xué)習(xí)速度顯著提高，于是出現(xiàn)了一些基于ELM及其改進(jìn)算法的車牌識(shí)別方法。Gou Chao等[6]利用ELM算法構(gòu)建分類器，設(shè)計(jì)了完整的車牌識(shí)別系統(tǒng)，取得了較好的分類性能。但是所采用的訓(xùn)練樣本始終是初始樣本集，對(duì)于車牌識(shí)別，初始訓(xùn)練樣本包含全部拍攝角度的車牌字符圖片是比較困難的，所以ELM算法對(duì)于新出現(xiàn)的字符樣本沒(méi)有學(xué)習(xí)能力，限制了網(wǎng)絡(luò)的魯棒性和泛化能力。因此有必要尋找一種算法，可以將就近識(shí)別的樣本加入訓(xùn)練集，做到實(shí)時(shí)訓(xùn)練。

　　本文設(shè)計(jì)了基于在線序列極限學(xué)習(xí)機(jī)[7]（Online Sequential Extreme Learning Machine，OS-ELM）的車牌識(shí)別分類器，能夠在小樣本數(shù)量的基礎(chǔ)上，實(shí)時(shí)訓(xùn)練，自適應(yīng)調(diào)整網(wǎng)絡(luò)參數(shù)，可快速地獲得高識(shí)別率。并提出一種新的適合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特征提取方式，以降低提取特征的維度，滿足車牌識(shí)別準(zhǔn)確性、魯棒性和實(shí)時(shí)性要求。

1 車牌字符的特征提取

　　本文主要采用字符的網(wǎng)格特征和圖像矩陣行列信息作為待識(shí)別的字符特征。由于漢字字符筆劃錯(cuò)綜復(fù)雜且分布不均，而字母和數(shù)字字符相對(duì)比較簡(jiǎn)單，容易提取特征值，因而在提取特征方法的具體實(shí)施上兩者有所差別，以便后續(xù)投入不同的分類器。

　　對(duì)漢字的特征提取具體步驟為：

　　（1）網(wǎng)格特征提取。將歸一化后的漢字字符（大小為32×16）平均劃分成4×4大小相等的子區(qū)域，計(jì)算每個(gè)子區(qū)域中白色像素值數(shù)量，產(chǎn)生32個(gè)網(wǎng)格特征。

　　（2）行列特征信息提取。從漢字圖像第一行開(kāi)始，提取第一行中白色像素點(diǎn)的個(gè)數(shù)，之后將每隔兩行的下一行定為目標(biāo)行，逐一統(tǒng)計(jì)目標(biāo)行中的白點(diǎn)數(shù)。用同樣方法對(duì)圖像矩陣列進(jìn)行操作。至此，提取出17個(gè)行列特征信息值。漢字“浙”的字符特征提取過(guò)程示例如圖1。

　　對(duì)于英文字母字符和數(shù)字字符的特征提取，也是采用網(wǎng)格特征結(jié)合行列特征的提取方法。但是由于字母、數(shù)字結(jié)構(gòu)簡(jiǎn)單，為便于訓(xùn)練，提取較小維數(shù)的向量作為特征向量。本文提取了16個(gè)網(wǎng)格特征和9個(gè)行列信息特征共25維特征向量。

2 車牌字符分類器的設(shè)計(jì)

　　本文根據(jù)車牌字符的排列特點(diǎn)構(gòu)造了三個(gè)基于OS-ELM的子網(wǎng)絡(luò)分類器，分別為漢字字符分類器、字母字符分類器以及字母/數(shù)字混合字符分類器，一方面降低了識(shí)別時(shí)間，另一方面也提高了識(shí)別精度。三種分類器如圖2所示。

　　分類器配置方面，提取的特征向量維數(shù)即輸入節(jié)點(diǎn)數(shù)目。訓(xùn)練樣本中漢字字符有14種，分別為魯、京、浙、豫、粵、陜、遼、蘇、吉、瓊、滬、桂、冀、閩；車牌中沒(méi)有O和I兩個(gè)字母，所以字母有24種，字母加數(shù)字有34種。三種分類器配置如表1。

　　3 OS-ELM車牌字符識(shí)別算法設(shè)計(jì)

　　傳統(tǒng)的極限學(xué)習(xí)機(jī)只能學(xué)習(xí)不變的數(shù)據(jù)，而如果初期訓(xùn)練樣本不能包含全部角度的字符圖片，則新字符圖片由于具有不同角度，以及受遮擋、污跡等影響特殊特征會(huì)難以識(shí)別，故而限制了網(wǎng)絡(luò)的泛化能力。部分特殊特征的字符圖片如圖3所示。

　　所以本文采用OS-ELM算法，將后繼車牌樣本分批加入訓(xùn)練，增強(qiáng)網(wǎng)絡(luò)的泛化能力，構(gòu)建基于在線序列極限學(xué)習(xí)的車牌識(shí)別方法。網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖4。以漢字分類器設(shè)計(jì)為例，將提取400張漢字字符圖片特征數(shù)據(jù)均分為4批先后輸入網(wǎng)絡(luò)，學(xué)習(xí)過(guò)程如下：

　　（1）初始化階段。取k=0，其中k為送到網(wǎng)絡(luò)的字符數(shù)據(jù)批次。給定激活函數(shù)，隱層節(jié)點(diǎn)數(shù)目L和初始訓(xùn)練數(shù)據(jù)，其中xi為輸入特征向量，ti為每個(gè)特征向量對(duì)應(yīng)的字符類別，N0=100，L由交叉驗(yàn)證法試驗(yàn)后取為40。隨機(jī)產(chǎn)生輸入權(quán)值向量ωj和偏置bj初始化網(wǎng)絡(luò)，則由參考文獻(xiàn)[6]，輸出權(quán)值向量?茁（0）=P0H0TT0。其中：

　　（2）在線學(xué)習(xí)階段。給定第k+1批數(shù)據(jù)，計(jì)算出隱層輸出矩陣為Hk+1，輸出權(quán)值向量為：

　　令k=k+1，返回到在線學(xué)習(xí)階段，不斷更新參數(shù)H和β，直到學(xué)習(xí)完4批數(shù)據(jù)。

　　4 實(shí)驗(yàn)結(jié)果及分析

　　實(shí)驗(yàn)中選取了100幅實(shí)際的車牌圖片。用三個(gè)OS-ELM分類器進(jìn)行整體的識(shí)別。隱藏層節(jié)點(diǎn)數(shù)目本文用5折交叉驗(yàn)證法選擇最優(yōu)數(shù)目。識(shí)別速度取50次測(cè)試結(jié)果的平均值。識(shí)別結(jié)果如表2所示。

　　本文還將OS-ELM法與已有的ELM法、BP神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法進(jìn)行了實(shí)驗(yàn)結(jié)果的比較。具體比較為：從大量準(zhǔn)確分割出的單個(gè)字符中選取100張包含字母及數(shù)字的字符圖像作為對(duì)比測(cè)試樣本，100張作為ELM法和BP神經(jīng)網(wǎng)絡(luò)法的訓(xùn)練樣本，同時(shí)作為OS-ELM訓(xùn)練樣本的第一批輸入樣本，再選取200張字符圖片分別作為ELM法的第二、第三批訓(xùn)練樣本。測(cè)試結(jié)果如表3所示，其中識(shí)別結(jié)果采取50次識(shí)別結(jié)果的平均值。

　　從表2、表3的實(shí)驗(yàn)對(duì)比結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)算法由于本身繁瑣的迭代過(guò)程，因而訓(xùn)練耗費(fèi)時(shí)間很長(zhǎng)。OS-ELM法相比于BP神經(jīng)網(wǎng)絡(luò)法不僅在字符的識(shí)別率上表現(xiàn)出了更令人滿意的效果，能達(dá)到90%以上，而且在識(shí)別速度上更是體現(xiàn)出很大的優(yōu)越性，訓(xùn)練速度比BP法高出近200倍。與ELM法相比，識(shí)別速度相差不多，但有更好的泛化性能。

5 結(jié)束語(yǔ)

　　本文采用在線序列學(xué)習(xí)機(jī)算法對(duì)車牌字符進(jìn)行識(shí)別，與BP法相比訓(xùn)練時(shí)間短，能夠滿足在線訓(xùn)練的要求；與ELM法相比有更好的泛化能力。采用字符的網(wǎng)格特征和圖像矩陣行列信息提取的特征提取方法，降低了特征維數(shù)。針對(duì)車牌字符的排列特征，設(shè)計(jì)了漢字、字母、字母與數(shù)字三個(gè)分類器，能夠提高分類準(zhǔn)確率并且縮短運(yùn)算時(shí)間。該車牌字符識(shí)別技術(shù)可以應(yīng)用于道路監(jiān)控中對(duì)實(shí)時(shí)性要求較高的場(chǎng)合。

參考文獻(xiàn)

　　[1] KOVAL V， TURCHENKO V， KOCHAN V. Smart license pattern recognition system based on imaging processing using neural network[C]. Procedings of the  Second IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing System-technology and Applications. Lviv， Ukraine： IEEE press，2003：123-127.

　　[2] 劉雄飛，朱盛春.車牌字符多特征提取與BP神經(jīng)網(wǎng)絡(luò)的識(shí)別算法[J].計(jì)算機(jī)仿真，2014，31（10）：161-164.

　　[3] HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： theory and applications[J]. Neurocomputing， 2006，70（1）：489-501.

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

　　[5] HUANG G B， ZHOU H M， DING X J， et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on System， Man， and Cybernetics， 2012，42（2）：513-529.

　　[6] Gou Chao， Wang Kunfeng， Yu Zhongdong. License plate recognition using MSER and HOG based on ELM[C]. IEEE Service Operation and Logistics， and Informatics，2014：217-221.

　　[7] Liang Nanying， Huang Guangbin， SARATCHANDRAN P， et al. A fast and accurate online sequential learning algorithm for feedforward networks[J]. IEEE Transactions on Neural Networks， 2006，17（6）：1411-1423.