基于BP神经网络的车牌识别系统：从模型训练到生产环境部署实战

1次阅读

没有评论

共计 2182 个字符，预计需要花费 6 分钟才能阅读完成。

传统车牌识别方法主要依赖图像处理技术，如边缘检测、模板匹配等。这些方法在理想条件下表现尚可，但在实际应用中面临诸多挑战：

光照变化：夜间或强光环境下，车牌区域难以准确提取
角度倾斜：摄像头拍摄角度导致车牌变形
字符粘连：车牌字符因污损或拍摄原因连在一起
背景干扰：复杂背景中定位车牌困难

这些因素导致传统方法的识别率通常在 80% 左右，难以满足高精度场景需求。

常见的深度学习方案有 CNN 和 BP 神经网络两种：

CNN：擅长处理二维图像数据，但需要大量训练样本
BP 神经网络：对一维特征处理效率高，训练速度较快

选择 BP 神经网络的主要原因：

车牌识别本质是字符分类问题，BP 网络足够胜任
车牌字符经过分割后可作为一维特征输入
模型参数量较小，适合嵌入式设备部署

使用 OpenCV 进行初步定位：

import cv2

def locate_plate(image):
    # 转为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

    # 高斯模糊
    blurred = cv2.GaussianBlur(gray, (5,5), 0)

    # Sobel 边缘检测
    sobel = cv2.Sobel(blurred, cv2.CV_8U, 1, 0, ksize=3)

    # 二值化
    ret, binary = cv2.threshold(sobel, 0, 255, cv2.THRESH_OTSU)

    # 查找轮廓
    contours, _ = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    # 根据面积和长宽比筛选车牌区域
    for cnt in contours:
        x,y,w,h = cv2.boundingRect(cnt)
        ratio = w/h
        if 2 < ratio < 5 and w > 100:
            return image[y:y+h, x:x+w]
    return None

垂直投影法分割单个字符
归一化字符大小为 32×32 像素
转换为灰度值向量作为网络输入

三层 BP 神经网络结构：

输入层：1024 节点（32×32 图像展平）
隐藏层：256 节点（使用 ReLU 激活）
输出层：34 节点（10 数字 +24 字母）

选择依据：

输入层大小与图像分辨率匹配
隐藏层节点数为输入层的 1 /4，避免过拟合
输出层对应所有可能的车牌字符

学习率调整：初始 0.01，每 10 轮衰减 0.1 倍
L2 正则化：λ=0.001 防止过拟合
早停机制：验证集准确率连续 3 轮不提升则终止

import numpy as np

class BPNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.W1 = np.random.randn(input_size, hidden_size) * 0.01
        self.b1 = np.zeros(hidden_size)
        self.W2 = np.random.randn(hidden_size, output_size) * 0.01
        self.b2 = np.zeros(output_size)

    def forward(self, X):
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = np.maximum(0, self.z1)  # ReLU
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        exp_scores = np.exp(self.z2)
        self.probs = exp_scores / np.sum(exp_scores, axis=1, keepdims=True)
        return self.probs

    def backward(self, X, y, learning_rate):
        delta3 = self.probs
        delta3[range(len(X)), y] -= 1
        dW2 = np.dot(self.a1.T, delta3)
        db2 = np.sum(delta3, axis=0)

        delta2 = np.dot(delta3, self.W2.T) * (self.z1 > 0)
        dW1 = np.dot(X.T, delta2)
        db1 = np.sum(delta2, axis=0)

        # 参数更新
        self.W1 -= learning_rate * dW1
        self.b1 -= learning_rate * db1
        self.W2 -= learning_rate * dW2
        self.b2 -= learning_rate * db2