基于深度學(xué)習(xí)的車牌識別

朱旭辰

車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，對于交通安全、城市治安和實現(xiàn)交通自動化管理有重要意義。目前的車牌識別面臨著光線、氣候和車速不一的挑戰(zhàn)，因此本文提出一種車牌檢測的方法。該方法筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進行結(jié)合，利用筆畫寬度變換法計算圖像中每一個像素的筆畫寬度，將筆畫寬度大致相等的相鄰像素合并形成字符候選區(qū)域，并將合并形成的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進行特征提取，由Softmax分類器對提取的特征進行分類。實驗結(jié)果表明，本文方法提高車牌識別率。

【關(guān)鍵詞】電車牌識別 筆畫寬度變換算法 深度置信網(wǎng)絡(luò) 特征提取

隨著生活水平的提高車輛數(shù)量的增加，城市以及城市間車輛的流動不斷增大，對于車輛交通的有效管理已成為人們亟待解決的問題。人工智能技術(shù)的進步，智慧城市理念的普及，使得人們對于城市車輛的管理越來越多的采用智能化和自動化的方案。車牌檢測作為智慧城市中智能車輛管理系統(tǒng)重要的一環(huán)，其檢測技術(shù)的魯棒性、精確性將直接影響整個智能交通系統(tǒng)的健壯性。因此，本文主要集中在車牌檢測。

鄒明明[2]等人提出了模般匹配法，該方法不需要提取特征，輸入圖像直接與一系列的模板字符進行匹配，最終選擇出與原圖像最接近的模板并將其作為最終的字符識別結(jié)果。Liu[3]等人利用卷積神經(jīng)網(wǎng)絡(luò)模型CNN，是通過許多樣本來訓(xùn)練一個能夠識別中文字符的卷積神經(jīng)網(wǎng)絡(luò)，通過卷積層和采樣層來提取圖像的特征。

周鵬[4]提出利用支持向量機算法，先對車牌字符進行特征提取，在用支持向量機算法進行字符識別。Redmon[5] 等人將卷積神經(jīng)網(wǎng)絡(luò)和人類視覺系統(tǒng)原理相結(jié)合，提出了YOLO 網(wǎng)絡(luò)：將分類問題作為回歸問題處理并直接將原圖像輸入網(wǎng)絡(luò)，取得了很好的效果。朱宏吉[6]提出利用深度置信網(wǎng)絡(luò)模型DBN，對車牌字符進行特征提取，并對其進行識別。劉峰[7]等提出利用字典學(xué)習(xí)的方法對模糊車牌中文字符識別，采用基于費希爾判別準則的字典學(xué)習(xí)方法來提取中文字符的特征，為了從不同的角度對中文字符提取特征，用不同的訓(xùn)練樣本訓(xùn)練三個字典學(xué)習(xí)模型，將車牌中文字符樣本分別通過訓(xùn)練好的三個字典學(xué)習(xí)模型，從而形成三種殘差信息，用softmax對三種殘差信息進行整合最終得到識別結(jié)果。因此，本文將筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進行結(jié)合應(yīng)用到車牌識別中，旨在解決光線、氣候和車速不一的問題，從而提高車牌識別的準確率。

1 筆畫寬度變換

筆畫寬度變換（Stroke Width Transform， SWT）是一種局部的圖像操作，改操作是將計算每個像素的顏色值變換成每一個像素最有可能的筆畫寬度值。首先對待檢測的圖像做灰度變換，得到灰度圖。然后在灰度圖上提取邊緣信息（如使用Canny邊緣檢測算法）。對于生成一張空的SWT圖，圖中的每個像素取值為+00。對每一個邊緣像素p，沿著它的梯度方向（梯度方向是指從圖像灰度由小到大的方向）向前搜索對應(yīng)的邊緣。如果找到一個邊緣q，且該邊緣點梯度方向dq與p，的梯度方向dp粗略地滿足：

將p，和q之間的搜索路徑記為一條筆劃射線，它的寬度記為該筆劃射線所屬筆劃的寬度

。作者為SWT算法輸出的SWT圖上將路徑上的所有點（除了值小于等于w的點）對應(yīng)的像素設(shè)置為w。

2 車牌識別的流程

一個典型的車牌識別主要流程如圖1所示，簡單描述車牌識別的主要步驟：

2.1 預(yù)處理

一般從監(jiān)控視頻中獲取的是包含車輛以及更多背景圖片的圖像，識別系統(tǒng)無法直接處理它們。因此，這些圖像必須經(jīng)過一系列的預(yù)處理，其中包括車牌截取，仿射變換，灰度化，去均值和歸一化等步驟。經(jīng)過預(yù)處理，中文字符圖像變得更加利于后續(xù)操作。

2.2 車牌定位

利用筆畫寬度變換算法提取圖像中車牌字符的筆畫，字符筆畫是字符的基礎(chǔ)特征，通過尋找筆畫達到定位車牌字符的目的。

2.3 DBN字符識別

將從筆畫寬度變換中提取出來的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進行訓(xùn)練，從訓(xùn)練筆畫寬度變換數(shù)據(jù)中進行學(xué)習(xí)更多隱藏特征，對字符候選區(qū)域進行驗證識別。

3 實驗結(jié)果和分析

為了檢驗本文提出的車牌識別方法的有效性，以自己制作的數(shù)據(jù)集作為測試平臺進行車別識別檢驗試驗，該數(shù)據(jù)集采集于多個交通路口的天網(wǎng)攝像頭，然后對3000幅圖像，約9000個目標進行人工標注。

從表1的實驗結(jié)果可以看出，本文提出的筆畫寬度變換算法與深度置信網(wǎng)絡(luò)結(jié)合的車牌識別方法的訓(xùn)練時間、測試時間和識別率均優(yōu)于支持向量機、深度置信網(wǎng)絡(luò)算法的車牌識別，識別率提高了1.7%，圖2顯示了SWT-DBN方法在車牌數(shù)據(jù)集上的部分識別結(jié)果。

4 結(jié)論

本文提出了一種車牌識別的新方法，該方法將筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進行結(jié)合，利用筆畫寬度變換法計算圖像中每一個像素的筆畫寬度，將筆畫寬度大致相等的相鄰像素合并形成字符候選區(qū)域，并將合并形成的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進行特征提取，由Softmax分類器對提取的特征進行分類。相比其他車牌識別算法，該方法在車牌識別中首先對字符定位，再使用深度學(xué)習(xí)模型進行特征提取，進而有更高的識別率和更好的識別穩(wěn)定性。

參考文獻

[1]趙莉，白猛猛.深度學(xué)習(xí)在車牌定位中的研究[J].計算機應(yīng)用研究，2017，35（10）：1-8.

[2]鄒明明，盧迪.基于改進模板匹配的車牌字符識別算法實現(xiàn)[J].國外電子測量技術(shù)，2010（01）：59-61+80.

[3]P.Liu，G.Li and D.Tu，"Low-quality License Plate Character Recognition Based on CNN."2015 8th International Symposium on Computational Intelligence and Design （ISCID）， Hangzhou，2015，pp.53-58.

[4]周鵬.基于支持向量機的車牌字符識別方法[J].數(shù)字技術(shù)與應(yīng)用，2016（09）：91-93.

[5]Redmon J，Divvala S，Girshick R，et al. You only look once：unified，realtime object detection[C].Proc of IEEE Conference on Computer Vision and Pattern Recognition. Washington DC： IEEE Computer Society，2016：779-788.

[6]朱宏吉.基于深度信念網(wǎng)絡(luò)的車牌字符識別算法研究與實現(xiàn)[D].浙江大學(xué)，2015：22-30.

[7]劉峰，呂顥等人.基于字典學(xué)習(xí)的模糊車牌中文字符識別[J].計算機技術(shù)與發(fā)展，2017，6：6-8.

[8]徐海良.自然場景文字檢測方法研究[D].江蘇南京： 南京大學(xué)，2016.

[9]宋文，肖建于.基于筆畫寬度變換的自然場景文本檢測方法[J].計算機工程與應(yīng)用，2013，49（09）：190-192.

[10]廖翔云，許棉標.車牌照識別技術(shù)研究[J].工業(yè)控制計算機，2003，13（04）：31-35.

[11]周凱龍.基于深度學(xué)習(xí)的圖像識別應(yīng)用研究[D].北京工業(yè)大學(xué)，2016：22-35.

作者單位

1.西安市鐵一中濱河中學(xué) 陜西省西安市 710038

2.大唐移動通信設(shè)備有限公司 陜西省西安市 710061endprint