第4期 吴加明，等：基于Tent映射CPSO和车牌纹理特征的车牌定位 ·335· 值U应该较大，而车灯处反而应该较小.为了直观2.2基于Tet映射的混沌粒子群算法 地能够排除车灯处的干扰，本文画出定位结果区域 BPSO算法运算机理简单，需要确定的参数少， 的直方图，计算出其一致性度量值U,若U值小于 但易陷入局部极值，难以保证收敛到全局最优解.而 一个定值（该定值可根据大量实验统计得到），则将 混沌具有伪随机性、初值敏感性和遍历性等特点.若 其先前计算出的距离度量值D重新设置为一个较 利用混沌优化与BPSO结合形成的混沌粒子群算法 大值，从而来排除最终结果定位在车灯处的情况 寻找最优阈值，在寻优过程中对停止进化的粒子产 生混沌扰动，使解跳出局部极值区，可以提高搜索精 度和算法效率.由于Tent映射比Logistic映射具有 更好的遍历性，故采用基于Tent映射的混沌粒子群 算法.为了克服Tent映射迭代序列中存在小周期 点、不稳周期点的缺陷，引入随机扰动方程，使Tent 映射达到小周期点或不动点时重新进入混沌状态 (a)原始图像 另外，最优粒子反映了粒子种群整体趋于最优解的 程度，仅对最优粒子的位置进行混沌映射，可以跳出 700 80 600 局部极值且寻优速度更快。 500 60 Tent映射方程为 400 300 40 0≤B≤0.5； (4) 200 月1=2g, 20 100 2(1-),0.5<≤1. 100 00 300 00 200 300 当Tent映射达到小周期点(0.2,0.4,0.6,0.8)或 点的位置 点的位置 不动点(0,0.25,0.5,0.75)时，使用以下扰动方程： (b)车牌处灰度直方图 (c)车灯处灰度直方图 B1= 图2车牌图像及其车牌、车灯处灰度直方图 r2[g+0.1rand(0,1)], 0≤B≤0.5： Fig.2 The vehicle image and gray histogram of license 2[1-(g+0.1rand(0,1)],0.5<≤1. and light (5) 2基于Tent映射的混沌粒子群算法 在迭代过程中，按下列方程对粒子种群的最优粒 子pregbest(k)=[XX登…X]进行混沌迭代变异： 2.1基本粒子群算法(BPS0) 设在n维解空间中，粒子i的位置为X,=(X, ∫P。=X血+(Xn-X.i), (6) X2,…,X),对应的目标函数值：作为评价该粒 lx=(1-入)X+入Pe 子优劣程度的适应度；V=(V,V2,…,Vn)表示粒 式中：入。称为收缩因子，它决定了变量X的变异空 子从当前位置移动到下一位置的速度.首先对粒子 间，由式(7)得到. 群进行初始化，然后通过迭代方式在解空间中寻找 入.=1-[(e-1)/e]. (7) 最优解.设在第k次迭代时刻，粒子i的最优解为 式中：e为粒子群的进化代数，4用于控制收缩速度， pbst,(k),称为个体极值，整个粒子群的最优解为 本文中w=2. gbest(k),称为全局极值.则在第k+1次迭代时刻， 结合本文提取的车牌特征矢量构造Tent映射 按式(2)更新自己的速度 CPS0算法的适应度函数，具体步骤如下. Vi(k +1)=wV(k)+cr[pbest;(k)-X;(k)]+ 1)初始化混沌粒子群，以改进的Tent序列产生 c2r2[gbest(k)X()] (2) a个粒子，[x,y,l,h]作为每个粒子的位置，粒子 然后以速度V(k+1)移动到下一位置，即 速率在「Vn,Vmm]上随机产生；工程中，车辆与摄像 X(k+1)=X(k)+V(k+1).(3) 头的距离可以通过硬件设施设定，在对大量样本统 式中：学习因子c1=c2=2;1、2是均匀分布在(0， 计后，可以将车牌大小定为120≤l≤130,38≤h≤42 1)上的随机数；惯性因子0=0mm-k(0mr一0min）/ 位置范围也可确定为1≤x≤680-mx,240≤y≤ kn,其中k表示总迭代次数，wm和0in分别表示 480-hmm,240为图像高度的一半，这里利用车牌一 最大和最小惯性因子，本文0mm=0.95,0=0.4. 般在图像下半部的先验知识。 迭代更新过程中，粒子的速率限制在[Va,V], 2)按式(1)计算每个粒子的适应度，更新个体 V=-Vmm=一8，位置限制在允许范围内，最后 最优位置和全局最优位置；并引入判决条件，当不满 输出的gbest为全局最优解. 足判决条件时，将粒子适应度设置为一个较大值，以