車牌識別技術(shù)簡介

付遙 文章

摘要：根據(jù)目前高速公路上車牌檢測識別存在的問題，本文介紹了將深度學習網(wǎng)絡引入到車牌檢測識別的最新技術(shù)，進而解決因光照不充足、圖像不清晰、車牌傾斜等因素造成的車牌識別率低的問題。

關(guān)鍵詞：高速公路;車牌檢測;深度學習

1引言

隨著社會的迅速發(fā)展，汽車工業(yè)也在進行著井噴式的發(fā)展。車牌是機動車的主要標識之一，每輛機動車的車牌號都是唯一的。所以車牌在交通管理中扮演著重要的角色，車牌識別也就成為了汽車交通領(lǐng)域的前沿問題。

20世紀80年代初期，車牌識別技術(shù)研究只是借助圖像處理技術(shù)處理一些采集的車牌圖像，無法做到自動識別。到了20世紀90年代，伴隨計算機技術(shù)的發(fā)展，車牌識別技術(shù)逐漸成型，形成了圖像處理、字符分割、字符識別等識別流程，相對于最初的檢測方式有很大的進展，但是識別也只是停留在光照充足、圖像清晰、車牌不傾斜等條件之下，一旦識別的環(huán)境較為復雜時，識別的準確性便會大大下降。

2研究方法及進展

深度學習具有自我學習的功能，主要依賴可學習的卷積核，通過反向傳播算法，在大量的訓練數(shù)據(jù)中進行不斷的迭代，獲得數(shù)據(jù)之間的分布規(guī)律，自主學習出車牌的特征，進而在實際應用中快速準確的識別車牌。

Ye Yunyang等人提出了一種基于車牌紋理特征的小波分析定位法，該方法基于車牌的紋理，對顏色變化并不敏感，所以適用于色彩變化較大的環(huán)境中。2011年，西安電子科技大學Wang Wei等，在車牌先驗知識的約束下，提出了一種MSER車牌檢測方法。該方法有效的確定了車牌的上下邊界，再通過垂直投影確定車牌的左右邊界。最近幾年，我國車牌識別技術(shù)也面臨因光照不足、識別場景復雜化、拍攝角度等因素帶來的問題。我國的學者基于深度學習的基礎(chǔ)提出了一些表現(xiàn)效果較好車牌識別算法。Wu Peiqi等為了解決漢字識別率低的問題，使用連續(xù)的卷積層對車牌圖像進行卷積，提取更多的字符。我國臺灣Lin等提出了一種基于Mask R-CNN的三級車牌識別系統(tǒng)，該系統(tǒng)可以用于識別不同的拍攝角度和傾斜角度在0～60度之間的車牌。Qin Gu等人提出了一種魯棒、快速的多尺度車牌檢測與定位算法，通過利用極值區(qū)域（MSER）特征來提取候選字符區(qū)域，再將每個候選字符區(qū)域劃分為四種類型，根據(jù)其鄰域MSER分布特征提取可疑的初始節(jié)點（左上角字符），最后根據(jù)檢測到的可疑初始節(jié)點和對應的標簽移動最大MSER團對每個候選字符區(qū)域進行標記完成許可檢測和定位。

Gamma Kosala等人將復雜環(huán)境下的車牌檢測方法分為兩個階段：車牌候選提取和車牌區(qū)域選擇。在車牌候選提取階段，先采用Sobel算子進行垂直邊緣檢測、閉合形態(tài)操作和連通成分分析（CCA）進行輪廓檢測。然后采用卷積神經(jīng)網(wǎng)絡—支持向量機（CNN-SVM）實現(xiàn)車牌區(qū)域的選擇，最終實現(xiàn)對車牌的檢測識別。ZHAO Yiqun等人提出了一種基于車牌檢測的車輛識別方法，該方法分為三個步驟：首先，利用圖像中的道路表面或車道線等細節(jié)提取感興趣區(qū)域。其次，利用HSV（Hue-Saturation-Value）顏色空間變換和矩形圖像檢測技術(shù)，從提取的感興趣區(qū)域中濾除光照變化、陰影和雜亂背景，檢測車牌信息。最后，利用檢測到的車輛信息對前方車輛進行識別。Tian J 為了解決在開放環(huán)境下的車牌檢測，提出了一種基于語義區(qū)域提議的方法。該方法首先從像素層次考慮，采用語義分割卷積網(wǎng)絡進行車牌候選區(qū)域提取，為了提高分割精度，設(shè)計了增強的損失函數(shù)。然后，采用基于面向包圍盒回歸算法的分類回歸網(wǎng)絡進行區(qū)域驗證和細化。最終實現(xiàn)對車牌的準確檢測識別。Yuxin Shi提出了一種基于卷積神經(jīng)網(wǎng)絡和視覺特征的車牌檢測算法。首先，通過人工特征提取，生成一定數(shù)量的候選包圍盒。然后，將生成的包圍盒作為級聯(lián)卷積神經(jīng)網(wǎng)絡的輸入，進行進一步的驗證和回歸。Dongsuk Lee提出了一種利用快速區(qū)域卷積神經(jīng)網(wǎng)絡（Faster R-CNN）和傳統(tǒng)卷積神經(jīng)網(wǎng)絡（CNN）的方法，該方法基于快速R-CNN的模塊用于從圖像中檢測車牌候選區(qū)域，然后基于CNN的模塊用于去除候選區(qū)域中的誤報，實現(xiàn)了一個快速、魯棒的實時車牌檢測系統(tǒng)。

車牌檢測是車牌識別系統(tǒng)中的關(guān)鍵第一步，傳統(tǒng)的車牌檢測算法存在大角度下車牌檢測精度不高的問題。East算法將車牌檢測作為一個場景文本檢測問題，直接預測圖像中任意角度的車牌位置和傾斜信息，Biao Y等人通過改進的East網(wǎng)絡用于車牌檢測，特征提取采用PVANet加速計算，整個網(wǎng)絡進行端到端的訓練，有效避免了不必要的中間步驟，直接獲取車牌區(qū)域?qū)嶒灲Y(jié)果表明，所以構(gòu)造的車牌檢測算法具有較好的檢測效果，能夠準確檢測出大角度傾斜車牌的位置坐標信息，提高檢測精度。字符識別的任務是將車牌圖像的字符識別出來。首先對車牌上的字符進行分割，然后再對一個個字符進行識別。車牌識別的一般步驟如圖1所示：

在實際場景中，通過相機或者攝像頭捕捉到的車牌圖像往往圖像信息都不是很清晰，所以通常需要先進行圖像預處理使得圖像過濾噪聲等因素變的清晰，常用的圖像預處理方法有灰度化、二值化、直方圖均衡化等。而Faster R-CNN在原來的基礎(chǔ)上達到了更好的效果，F(xiàn)aster R-CNN是在2016年提出的目標檢測算法，該算法在fast rcnn的基礎(chǔ)上進行改進，提出了RPN（Region Proposal Network）候選框生產(chǎn)算法，大大提高了目標檢測的速度。Faster R-CNN模型總體來說檢測精度很高，檢測的效果也比較理想。

3 結(jié)束語

本論文介紹了目前車牌檢測的發(fā)展現(xiàn)狀，并重點介紹了使用Faster R-CNN對開放式場景下的車輛車牌檢測識別方法，隨著深度學習更加快速的發(fā)展，此方法必將在高速公路車牌識別領(lǐng)域得到更廣泛的推廣和應用。

參考文獻：

[1]YE Y， CHEN W， HU J， et al. Research on localization method of vehicle license plate based on wavelet analysis; proceedings of the 2010 International Conference on Networking and Digital Society， F 30-31 May 2010， 2010 [C].

（作者單位：中交一公局第七工程有限公司）