基于 Faster R-CNN的車牌識別系統研究分析

朱文軒

[摘? ? ? ? ? ?要]? 近年來深度學習已經成為人工智能領域中的熱門話題，將深度學習應用到傳統車牌識別系統中，可以解決車牌識別中常遇到的定位、分割的難點，有效提高識別速度與準確率。

[關? ? 鍵? ?詞]? ?Faster R-CNN;深度學習;車牌識別系統

[中圖分類號]? U495? ? ? ? ? ? ? ?[文獻標志碼]? A? ? ? ? ? ? ? ? ? ? ? [文章編號]? 2096-0603（2019）33-0138-02

本文所研究的Faster R-CNN是基于卷積神經網絡（Convolutional Neural Network，CNN）的模型，它解決了CNN在訓練中步驟繁瑣、占用空間大、運行速度慢的缺點，將邊框回歸加入CNN訓練中去，并將目標檢測CNN和產生建議窗口CNN信息共享，提高檢測的效率。

本文對車牌識別系統創新的提出Faster R-CNN結構，根據實驗測試，最終識別率達到97.3%，顯著提高了識別的精度，具有研究的意義。

一、實驗環境

本次實驗的軟件環境在Spyder（Python 3.6）中進行，硬件配置16核心，32線程，內存大小為16G，GPU為 GTX 660TI 4G。

二、訓練集實驗數據

本次實驗訓練數據為0～9十個數字以及A-Z 26個英文字母，和全國各個省的簡寫漢字如圖1所示。

三、參數討論

在該訓練深度網絡的實驗中，有Bacth_Size，學習率，迭代次數，權值初始值，這個幾個關鍵的參數，由于本文的訓練樣本大小為256×256，結合考慮到計算機顯卡大小，設定Bacth_Size=128，因為參數設置過大會導致梯度計算爆炸，使MSDG算法失效，學習率會影響算法收斂速度，本文設置為0.005，迭代次數與Bacth_Size和學利率有關，權值初始值參數采用權值和等于0的隨機數構成。

本文中的深度網絡簡稱V9。在V9網絡中沒有過多的卷積和池化層，主要是由于數據本身的特殊性，特殊在于數據本身紋理不算復雜、易于辨識，沒必要使用大規模的卷積層來提取更深層的特征，因為這樣會大大增加訓練時間，增加網絡的復雜度。該網絡的詳細參數可以在Tensorboard里面進行詳細的可視化展示。

在訓練的時候首先將所有圖像數據全部歸一化到128×128×3，為了驗證訓練的效果同時隨機采樣25%的數據為驗證數據，在參數設置方面，網絡神經元130，圖像塊大小為64，學習率為3×10e-5。訓練過程如圖2所示。

訓練過程的示意圖中，上半部分為訓練的精度，下半部分為Loss function 的值，由圖可知，訓練的精度震蕩上行，逐漸逼近100%的準確率，而Loss function 的值震蕩下行，逐漸趨于0，所有該訓練過程達到了車牌識別的目的，與傳統的檢測不同的是，Faster R-CNN使用了RPN網絡，輸入一個與訓練圖像大小一致的測試圖像，能得到一個矩形回歸的Region Proposal值，然后依據Region Proposal中，所有分類的得分對該RPN網絡進行排序，把前300個得分高的Region Proposal作為Fast R-CNN 的矩形框輸入進行目標識別，未來提高計算速度，在該網絡中采用小規模的SVM網絡層或Softmax對每一塊圖像進行分類，分類的目的是得到需要的目標區域，最后再利用矩形框回歸得到最后的檢測框，對車牌字符識別，通過得到檢查框里面包含的圖像Softmax的輸入得到車牌字符。

四、數據測試

數據測試使用不同角度下的車牌數據直接對車牌進行定位以及識別，該深度網絡的識別與傳統圖像處理不同，傳統的圖像處理算法只能識別同一種底色的車牌，而基于Faster R-CNN的識別算法可以識別常見底色的車牌，比如藍牌與黃牌。

本文基于Python語言，采用Faster R-CNN對目標進行訓練并自動定位捕捉，Faster R-CNN使用Bounding box回歸，再利用GoogLeNet深度網絡進行車牌特征提取，最后通過SVM進行識別，具體的測試界面如圖3所示。

五、分析與討論

測試所使用的車牌庫為開源車牌識別系統EasyPR中的general_test測試集，共有256張來自全國各地的車牌，車牌庫的測試結果如下表所示。

在General_test測試集中，共有256張車牌，成功識別249張，錯誤7張，識別率達到97.3%，錯誤的原因主要有以下兩點。

1.噪點清除不徹底，在監控中有部分車牌會顯示文件名或監控時間，本系統在識別過程中有一定幾率把這部分錯誤信息進行捕捉定位，導致車牌識別錯誤。

2.在對視頻監控中的車牌進行定位是，僅能定位特征最明顯的一個車牌，無法對多個車牌同時進行定位。

本文制定了一個Faster R-CNN模型，相較于傳統的CNN，本文采用的Faster R-CNN，它克服了CNN在訓練中步驟繁瑣、占用空間大、運行速度慢的缺點，將邊框回歸加入了CNN訓練中去，并將目標檢測CNN和產生建議窗口CNN信息共享，提高了檢測的效率。通過實驗論證可知，本文所用車牌識別系統完全是可行的，能夠在實際應用中起到良好的效果。在車牌的研究技術之中，合理發現識別的難點，通過技術分析，可以十分準確地識別車牌號碼。本文在256個車牌中成功識別了249個車牌，識別準確率為97.3%。

編輯 張 慧