基於遺傳演算法的車牌定位技術研究論文

基於遺傳演算法的車牌定位技術研究論文

　　摘 要：隨著我國經濟的快速發展，我國機動車輛數量大大增加，給交通管制帶來了一定壓力。車牌是管理交通車輛的唯一標識，為了對車牌進行準確的定位，根據車牌的特徵，本文提出一種自適應的遺傳演算法。透過實驗，該方法能有效地對車牌進行精確的定位，達到了較好的實驗效果。

　　關鍵詞：

　　關鍵詞：遺傳演算法 車牌定位 影象處理

　　車牌牌照的提取是一個尋找最符合牌照特徵的區域的過程，從本質上講，就是一個在參量空間裡尋找最優定位參量的問題。由於車牌定位中最優定位參量的尋找不僅涉及牌照區域的特徵，還有一些有關先驗知識，就構成了一個複雜的組合最佳化問題，這個最佳化問題用常規方法來解決不僅容易出錯，而且效率不高。本文采用自適應的遺傳演算法準確的定位車牌影象。

　　由於遺傳演算法的車牌定位方法利用遺傳演算法對影象進行最佳化搜尋，結合區域特徵向量構造適應度函式，最終尋找車牌區域的最佳定位參量。車牌定位是尋找一個符合“車牌區域特徵”最佳區域的過程，本質上就是從參量空間尋找最優定位參量的問題，但是在實時系統中，車牌定位速度受遺傳演算法中迭代次數的影響很大。

　　1 遺傳演算法

　　遺傳演算法(Genetic Algorithm,GA)是一種新發展起來的最佳化演算法。是一類借鑑生物界進化規律演化而來的隨機化搜尋方法，它是計算機科學人工智慧領域中用於解決最最佳化的一種搜尋啟發式演算法，能在大量干擾的資料系統中動態尋優，在給定的時間內搜尋問題的較好解。

　　1.1 遺傳演算法的原理

　　對於一個求函式最大值的最佳化問題(求函式最小值也類同)，一般可描述為下述數學規劃模型：

　　式中， 為決策變數， 為目標函式， 和 為約束條件， 是基本空間， 是 的一個子集。滿足約束條件的解 稱為可行解，集合 表示由所有滿足約束條件的解所組成的一個集合，叫做可行解集合。

　　1.2 遺傳演算法的基本運算過程

　　遺傳演算法中，將 維決策向量 用 個記號 所組成的符號串表示：

　　把每一個 看作一個遺傳基因，它的所有可能取值稱為等位基因，這樣 就可看作是由 個遺傳基因所組成的一個染色體。一般情況下染色體的長度 是固定的，但對一些問題 也可以是變化的。個體的適應度與其對應的個體表現型 的目標函式值相關聯， 越接近目標函式的最優點，其適應度越大，反之，其適應度越小。遺傳操作包含三個基本遺傳操作運算元(Genetic Operator)：選擇(Selection)、交叉(Crossover)、變異(Mutation)。

　　2 實驗結果

　　本實驗影象庫中共有40幅圖(360個樣本)，其中25幅作為訓練集(220個樣本);15幅圖作為測試集(140個樣本)。

　　(a) (b) (c)

　　圖1原圖

　　(a) (b) (c)

　　圖2 實驗後車牌定點陣圖

　　圖1是採集到的原始三個影象，圖2是經過實驗後，定位的車牌效果圖。由圖1我們可以看出，圖(a)光線較好，角度適中，影象就比較清晰，(b)圖是在較暗的光線下拍攝的，圖(c)是在拍攝角度和光線均不佳的.情況下拍攝的影象。經過實驗後，我們得到圖2車牌定位的三幅圖。由圖2(a)可以看出，在光線較好和拍攝角度比較正的情況下，我們實驗定位後的車牌效果十分清晰，而且位置也比較正。由(b)可以看出，因為受到光線較暗，定位後的影象稍微有點模糊(和圖a比較)。由圖(c)我們可以看出，因為受到拍攝角度和拍攝光線的影響，定位後的車牌影象不但模糊，而且定位的車牌位置不正，有點偏。

　　綜上所述，我們在獲取車牌原始影象時，有時候因採集的光線、拍攝角度、周圍環境的影響，使得獲取的車牌影象效果不佳，影響到後期車牌識別系統的研究。在車牌影象定位過程中，演算法存在某些侷限性，如光照很強的部位受到影響(圖1(a)),車牌的釘子也在定位範圍內(圖1(b))，基於這樣的情況，我們在以後的研究過程中，將進一步完善該演算法，使其達到更好的定位效果。實驗結果是在windows XP/Matlab7.0.1環境下執行得到。

　　參考文獻：

　　[1]虞安軍,吳海珍,蔣加伏.改進的遺傳演算法在車牌自動系統中的應用[J].計算機模擬,2010(11).

　　[2]巨志斌.遺傳演算法在車牌特徵選擇的應用研究[J].計算機模擬,2012(12).

　　[3]李睿,皮佑國.一種車牌影象的快速定位演算法究[J].微型電腦應用,2013(8).