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)