基于PCANet的車牌識別

萬佳樂+朱文浩+華禹凱+倪屹聆+邵葉秦

摘要：為了有效地識別汽車車牌，提出了一個基于PCANet的車牌識別方法。首先通過預(yù)處理增強車牌圖像上的字符，接著采用垂直投影分割車牌字符，然后利用PCANet提取不同字符子圖像的特征，最后基于支持向量機分類不同的字符。在由65類字符組成的車牌字符集上的實驗表明，基于PCANet的車牌識別具有99.65的準確率。

關(guān)鍵詞：車牌識別；字符分割；PCANet；支持向量機；多分類

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1009-3044（2017）17-0175-03

車牌識別是現(xiàn)代智能交通的重要組成部分。它運用計算機等技術(shù)對含有車輛的圖像進行處理和分析，最終將車牌號碼識別出來。這個過程主要包括車牌定位、字符分割和字符識別三個部分。目前車牌識別系統(tǒng)已經(jīng)在停車場管理系統(tǒng)、智能交通以及高速公路管理系統(tǒng)等方面得到了廣泛應(yīng)用。

雖然車牌識別系統(tǒng)已經(jīng)投入實際使用，但實際環(huán)境下的識別性能有待進一步提高。為了進一步提升車牌識別的準確率，我們借助PCANet有效的特征表達能力，設(shè)計了一個基于PCANet的車牌識別系統(tǒng)。

1 PCANet技術(shù)

近年來，深度學(xué)習(xí)受到研究者的重視。PCANe是馬毅等人提出的一種深度學(xué)習(xí)框架。相對于一般的深度學(xué)習(xí)框架，PCANet訓(xùn)練過程更加簡單，不需要特別的調(diào)參技巧，已經(jīng)在人臉識別等方面展現(xiàn)了良好的性能。

PCANet包括了三個部分：1）級聯(lián)主成分分析（Cascaded Principal Component Analysis）。2）二值化哈希編碼。3）分塊直方圖量化。具體結(jié)構(gòu)如圖1所示：

整體來看，PCANet的訓(xùn)練總共分為三個步驟：第一、二步驟比較相似，都是提取主成分后再進行卷積；最后一步是輸出，包括了二值化哈希編碼和分塊直方圖量化。具體過程見2.3節(jié)。

2基于PCANet的車牌識別

基于PCANet車牌識別包括：預(yù)處理、車牌字符分割、基于PCANet的字符特征提取和基于多分類的字符識別。

2.1預(yù)處理

車牌圖像一般是彩色的，為了后續(xù)處理的方便，我們?nèi)∶總€像素RGB三分量的平均值實現(xiàn)圖像灰度化。接著，為了突出算法感興趣的車牌字符，同時考慮到實際情況下存在光照等多種因素的影響，我們采用Otsu自動閾值方法，確定一個能盡可能把背景和前景分開的閾值完成車牌圖像的二值化。經(jīng)過二值化之后，車牌字符變成黑色，背景變成白色，如圖3所示。

2.2車牌字符分割

為了切割車牌上的字符，我們采用垂直投影法：即在車牌子圖像中，逐列的自上而下計數(shù)字符像素（黑色像素）的個數(shù)。每一列都對應(yīng)一個代表字符像素個數(shù)的值（如圖4所示）。每一個“山谷”對應(yīng)兩個字符的間隔。如果在字符的各個間隔處把圖像切開，就可以分割車牌上的字符。然后，我們通過水平投影，采用類似的方法，可以確定車牌字符在垂直方向上的位置，以去除車牌的上下邊緣。

由于車牌拍攝的距離不同，車牌傾斜等原因，不同車牌上得到的字符子圖像大小不一樣。因此，算法需要把所有的字符子圖像歸一化到同一尺寸，以便后續(xù)的準確識別。在歸一化過程中，我們采用雙線性插值的方法。

2.3基于PCANet的字符特征提取

通過同樣的方法，所有字符子圖像的PCANet特征向量都可以提取出來。

2.4基于多分類的字符識別

基于每個字符子圖像的特征向量和相應(yīng)的標簽（每一類字符賦予一個不同的編號作為標簽），我們訓(xùn)練一個支持向量機對字符進行多分類。這里我們采用適合大量特征和樣本的LIBLINEAR工具庫進行車牌字符的分類識別。

3實驗

本文所用的字符圖像分為65類，每一類包含400個外觀不同的訓(xùn)練圖像，每個圖像的大小歸一化為20×20。在PCANet網(wǎng)絡(luò)中，L₁取8，L₂取8，窗口大小取7×7，重復(fù)系數(shù)為0.5。

下圖展示了在不同字符子圖像上使用PCANet提取的特征。

如圖6分別是字符“蘇”、“京”、“A”、“F”、“2”、“8”的特征向量提取的結(jié)果圖。在實驗過程中，這種基于PCANet的特征提取方法提取速度快，準確率高，具有較高的適應(yīng)性和實時性。

為了衡量車牌識別的準確性，這里選了一個不是很理想的車牌圖像為例（圖2中的車牌），我們的車牌識別方法輸出了正確的結(jié)果（如圖7所示）。

同時，我們在一個由1400個車牌圖像組成的數(shù)據(jù)集上做了測試，我們方法的識別正確率達到99.65%。

4結(jié)束語

本文提出了一個基于PCANet的車牌識別方法。首先通過預(yù)處理增強車牌上的字符，投影法切分一個個字符，得到字符子圖像，接著利用兩階段的PCANet提取各個字符子圖像的特征向量，最后使用支持向量機識別出不同的字符。實驗證明，基于PCANet的車牌識別方法可以準確的識別出實際情境下采集的非理想車牌，并且取得99.65%的識別準確率。