基于深度學習的車牌識別

王菽裕 梁金碩 潘晨皓 德吉群宗 旦增平措 西藏民族大學信息工程學院

引言

車牌檢測和識別是智能交通的一部分。車牌是車輛運輸中的主要標識符，LPR 的實現主要涉及圖像處理、計算機視覺、神經網絡模式識別技術、人工智能等。這項工作的主要動機是調查不同的LPR 技術，以便開發一個更好的LPR，這樣的系統可以自動打開只有經過授權的人才能進入的安全區域。LPR 包括兩個步驟即車牌檢測和車牌識別。

1 LPR 方法論

本文的方法論是基于CNN、ReLU 和Conv 的LPDS (License Plate Detection System)。Conv 識別背景時功能使用的是特征量算法。

圖1 LPDR 系統的LP 識別結構

【A】車牌預處理，在這個過程中，將灰色圖片作為輸入的車輛圖像，其處理方式仍然應用canny 邊緣測來增強需要銳化的圖像，以CNN算法作為檢測階段。【B】車牌檢測，使用特征過濾方法來檢測LP 的邊界框。檢測到的邊界即LP 的特征窗口（FW）是由一系列定位和CNN規范化[7]得到的。

圖2 特征定位和特征提取[7]

【C】車牌字符識別最后一步是識別車牌具有的CNN 的特點。這個過程中的第一步在是車牌二值化。從Phase-I 中提取車牌被二進制化改善后有利于圖像對比度和數字識別的準確性[7]的成分。 許可證識別的接收來自許可證的輸入板檢測即為檢測到的車牌。它是通過功能加權和最后一個轉發步驟是標準化的成果，如圖3 所示：

作者發現了全局閾值和基于二值化的最適合的數字識別的結果。這兩種二值化的方法由多種方法組成用于將前景區域分割為閾值進而創造更高對比度的車牌圖像的數字識別。【D】特別的圖則選擇此視覺來顯著性提取牌照。顯著性提取牌照的主要目的是將每個地方的“顯眼”或“顯著性”視覺領域的標量引導選擇參加的地點，結合了動態CNN，它為顯著性提供自下而上的輸入地圖。

圖3 CNN 識別中的特征提取 [7]

2 結論

LPR 技術需要實施或用各種技術檢查。機器學習和深度學習也應該與LPR 一起發展。結果顯示，LPR 使用CNN 給出了最好的結果。未來的工作范圍是基于新實施的LPR 技術和深度學習算法來獲得最佳結果的車牌檢測和識別技術。