基于深度學(xué)習(xí)和顏色邊緣特征的車(chē)牌定位算法

劉曉瑤，邱建林，吳湘君

(1.南通大學(xué) 電氣工程學(xué)院，江蘇 南通 226019； 2.南通大學(xué) 信息科學(xué)技術(shù)學(xué)院，江蘇 南通 226019)

0 引 言

傳統(tǒng)的車(chē)牌定位方法包括邊緣檢測(cè)[1]、小波變換[2]、紋理特征提取[3]、顏色特征提取[4-6]、角點(diǎn)檢測(cè)[7]等。這些方法通過(guò)人工提取車(chē)牌特征來(lái)完成車(chē)牌的定位，提取的車(chē)牌特征單一，且受環(huán)境影響較大，在復(fù)雜環(huán)境下的定位效果并不理想。多特征融合的車(chē)牌定位算法[8,9]雖然能避免單一特征所帶來(lái)的環(huán)境適應(yīng)性差的問(wèn)題，但在背景復(fù)雜的環(huán)境下，這些方法仍然有很高的誤檢測(cè)率。支持向量機(jī)(support vector machine，SVM)等機(jī)器學(xué)習(xí)算法的引入使背景中的噪聲能進(jìn)一步被抑制[10,11]，但由于傳統(tǒng)機(jī)器學(xué)習(xí)算法魯棒性較差，在復(fù)雜環(huán)境下的效果仍然不理想。羅斌等采用全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，通過(guò)對(duì)車(chē)牌進(jìn)行角點(diǎn)回歸來(lái)完成車(chē)牌定位[12]。YOLO目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)能夠通過(guò)回歸車(chē)牌的位置和大小來(lái)完成車(chē)牌定位[13]。這些算法都通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)全圖進(jìn)行特征提取，處理的對(duì)象較復(fù)雜，因此需要更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)才能完成任務(wù)，檢測(cè)速度較慢。

針對(duì)已有車(chē)牌定位算法魯棒性差和檢測(cè)速度慢的問(wèn)題，本文將顏色邊緣特征提取和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，簡(jiǎn)單提取車(chē)牌的顏色邊緣特征后分割出感興趣區(qū)域(region of interest，ROI)，然后通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)提取ROI的深層特征，去除ROI中的偽車(chē)牌，標(biāo)記出檢測(cè)到的車(chē)牌，大大降低了卷積神經(jīng)網(wǎng)絡(luò)的運(yùn)算量，提升了車(chē)牌檢測(cè)算法在復(fù)雜環(huán)境下檢測(cè)的準(zhǔn)確率和檢測(cè)速度。實(shí)驗(yàn)結(jié)果表明，相較已有的車(chē)牌定位算法，該算法在復(fù)雜環(huán)境下具有更好的魯棒性，在保證檢測(cè)速度的同時(shí)仍然能夠達(dá)到很高的準(zhǔn)確率。

1 算法設(shè)計(jì)

本文提出一種結(jié)合顏色邊緣特征和卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌定位算法，該算法包括ROI的提取和ROI的識(shí)別兩部分。首先根據(jù)顏色邊緣特征從原圖中分割出ROI，再通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)ROI進(jìn)行識(shí)別分類(lèi)，去除偽車(chē)牌并標(biāo)記車(chē)牌區(qū)域。算法流程如圖1所示。

(1)將待檢測(cè)圖像從RGB顏色空間轉(zhuǎn)化到HSV顏色空間，根據(jù)車(chē)牌的顏色特征設(shè)置H、S、V這3個(gè)通道分量值的閾值范圍，分割出符合約束條件的圖像。

(2)對(duì)分割出的子區(qū)域進(jìn)行高斯濾波去除噪聲，然后通過(guò)Sobel邊緣檢測(cè)提取邊緣特征并進(jìn)行二值化，最后通過(guò)形態(tài)學(xué)操作獲取ROI。

(3)將獲得的ROI通過(guò)卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取深層特征并進(jìn)行分類(lèi)，去除其中的偽車(chē)牌，同時(shí)將檢測(cè)出的車(chē)牌進(jìn)行標(biāo)記。

圖1 算法流程

2 顏色邊緣特征提取

我國(guó)的機(jī)動(dòng)車(chē)牌在顏色和紋理上都具有明顯的特征，通過(guò)顏色分割和邊緣檢測(cè)能夠快速提取圖像中的ROI。對(duì)這些ROI進(jìn)行深層特征提取，這樣既能保留高分辨率圖像中感興趣的特征，防止因?yàn)榭s放圖像導(dǎo)致的細(xì)節(jié)丟失，又能提高車(chē)牌定位算法的檢測(cè)速度。

2.1 顏色分割

自然環(huán)境下，光線的明暗變化將導(dǎo)致車(chē)輛牌照顏色的變化，從數(shù)字?jǐn)z像設(shè)備采集到的圖像為RGB顏色模型，但R、G、B這3個(gè)分量對(duì)光線的強(qiáng)弱較敏感，因此不適合用來(lái)對(duì)車(chē)牌圖像進(jìn)行顏色的分割[6]。而HSV色彩空間采用色相(Hue)、飽和度(Saturation)和亮度(Value)來(lái)描述顏色，更符合人類(lèi)的視覺(jué)特性，因此采用HSV色彩模型能夠更好的對(duì)車(chē)牌圖像進(jìn)行顏色分割。RGB色彩模型和HSV色彩模型的轉(zhuǎn)換如式(1)～式(3)所示

v=max(r,g,b)

(1)

(2)

(3)

中國(guó)的車(chē)牌類(lèi)型分為藍(lán)底白字、黃底黑字、白底黑字和黑底白字4種，本文以藍(lán)底白字車(chē)牌為研究對(duì)象，通過(guò)對(duì)不同環(huán)境和光照下藍(lán)底白字車(chē)牌的圖像進(jìn)行顏色統(tǒng)計(jì)，發(fā)現(xiàn)車(chē)牌底色H值分布在87～125之間，S值分布在43～255之間，V值分布在32～255之間。

待檢測(cè)圖像如圖2(a)所示，f(x,y)(0≤x≤xmax，0≤y≤ymax)為待檢測(cè)圖像I位于坐標(biāo)(x,y)的像素值。將待檢測(cè)圖像I轉(zhuǎn)換到HSV色彩空間進(jìn)行閾值分割，生成一幅二值圖像IMASK如圖2(b)所示。g(x,y)(0≤x≤xmax，0≤y≤ymax)為圖像IMASK位于坐標(biāo)(x,y)的像素值。如果圖像I在坐標(biāo)(x,y)上3條通道的分量值都在指定的閾值范圍內(nèi)，則令g(x,y)=255，否則令g(x,y)=0。集合C={f(x,y)|g(x,y)=255}表示顏色分割的結(jié)果。

圖2 顏色特征提取

2.2 邊緣檢測(cè)及連通域分析

部分車(chē)牌受車(chē)身顏色的影響，僅通過(guò)顏色特征很難將車(chē)牌從背景中分割出來(lái)。我國(guó)車(chē)牌區(qū)域由多個(gè)水平排列的字符構(gòu)成，并且字符顏色和車(chē)牌底色存在較大差異[6]，呈現(xiàn)出明顯的邊緣特征，采用邊緣檢測(cè)算法能夠有效的對(duì)車(chē)牌的邊緣特征進(jìn)行提取。鐘偉釗等對(duì)幾種常用于車(chē)牌檢測(cè)的邊緣檢測(cè)算子進(jìn)行了分析和比較[14]，綜合考慮各邊緣檢測(cè)算子的特性，本文采用Sobel算子提取車(chē)牌的邊緣特征。水平方向Sobel算子如式(4)所示，用來(lái)檢測(cè)圖像的垂直邊緣。垂直方向Sobel算子如式(5)所示，用來(lái)檢測(cè)圖像的水平邊緣

(4)

(5)

對(duì)顏色分割結(jié)果進(jìn)行邊緣檢測(cè)之前需要進(jìn)行灰度化處理，使Gray(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)，其中R(x,y)、G(x,y)、B(x,y)分別表示集合C中元素在R、G、B通道的分量值，集合G={Gray(x,y)|g(x,y)=255}表示對(duì)集合C進(jìn)行灰度化處理的結(jié)果。當(dāng)g(x,y)=255時(shí)，令I(lǐng)MASK中g(shù)(x,y)=Gray(x,y)，從而獲得灰度圖像IGRAY，完成對(duì)顏色分割結(jié)果的灰度化處理。對(duì)IGRAY采用高斯濾波去除噪聲，然后采用Sobel算子進(jìn)行邊緣檢測(cè)并對(duì)結(jié)果進(jìn)行二值化，獲得邊緣特征圖ISOBEL，用集合S={a(x,y)|a(x,y)=255}表示提取出的邊緣信息，a(x,y)是ISOBEL位于坐標(biāo)(x,y)處的像素值，邊緣特征圖如圖3所示。

圖3 邊緣特征圖ISOBEL

對(duì)邊緣檢測(cè)結(jié)果ISOBEL采用數(shù)學(xué)形態(tài)學(xué)操作來(lái)獲取ROI。數(shù)學(xué)形態(tài)學(xué)操作是基于集合論基礎(chǔ)上形態(tài)學(xué)數(shù)學(xué)的一系列圖像處理操作的合集，主要包括4個(gè)操作：膨脹操作、腐蝕操作、開(kāi)運(yùn)算和閉運(yùn)算。其中膨脹操作如式(6)所示，腐蝕操作如式(7)所示。B為形態(tài)學(xué)操作所需的結(jié)構(gòu)元素，集合S為需要被處理的對(duì)象，Ba表示結(jié)構(gòu)元素B平移a(x,y)后構(gòu)成的新的像素點(diǎn)集合

S⊕B={a|Ba∩S≠?}

(6)

SB={a|Ba?S}

(7)

首先對(duì)ISOBEL進(jìn)行一次閉運(yùn)算，這樣既有助于車(chē)牌區(qū)域的融合和連通域的形成，同時(shí)還能濾除一些較小的噪聲區(qū)域。閉運(yùn)算需要先進(jìn)行一次膨脹操作然后進(jìn)行一次腐蝕操作，因此采用5×5的結(jié)構(gòu)元素對(duì)集合S進(jìn)行一次膨脹操作和一次腐蝕操作。然后采用12×5的結(jié)構(gòu)元素對(duì)閉運(yùn)算結(jié)果連續(xù)進(jìn)行3次膨脹操作，獲得ROI的連通域，形態(tài)學(xué)處理結(jié)果如圖4所示。

圖4 形態(tài)學(xué)處理結(jié)果

對(duì)獲取的ROI連通域進(jìn)行簡(jiǎn)單的篩選，去除其中面積過(guò)大和過(guò)小的連通域，對(duì)篩選出的連通域求取最小外接矩形并在原圖I中進(jìn)行標(biāo)記，該最小外接矩形所標(biāo)定的區(qū)域即為顏色邊緣特征提取所獲得的ROI，ROI提取結(jié)果如圖5所示。

圖5 感興趣區(qū)域

3 卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)算法和BP神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)在車(chē)牌檢測(cè)中擁有更好的性能[15]。經(jīng)過(guò)顏色邊緣特征提取產(chǎn)生的ROI中存在部分與車(chē)牌特征相似的偽車(chē)牌，基于深度學(xué)習(xí)的車(chē)牌檢測(cè)方法的核心在于設(shè)計(jì)更有效的二元分類(lèi)器來(lái)檢測(cè)ROI中的車(chē)牌。本文提出一種車(chē)牌檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)(license plate recognition convolutional neural network)，簡(jiǎn)稱(chēng)PR Net，能夠有效檢測(cè)ROI中的車(chē)牌。

3.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

PR Net輸入大小為96×32的圖像，經(jīng)過(guò)六層卷積層、三層下采樣層和兩層全連接層提取圖像的深層特征。第一層卷積層具有64個(gè)5×5的卷積核，第二層和第三層卷積層具有128個(gè)3×3的卷積核，第四層到第六層卷積層具有256個(gè)3×3的卷積核。在第一層、第三層和第六層卷積層后采用步長(zhǎng)為2，大小為2×2的窗口進(jìn)行最大值下采樣，最后采用兩層全連接層來(lái)輸出結(jié)果。網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 PR Net結(jié)構(gòu)

為了提高神經(jīng)網(wǎng)絡(luò)對(duì)模型的表達(dá)能力，需要在每層隱含層和輸出層后采用激活函數(shù)提升模型的非線性能力。PR Net采用ReLU函數(shù)作為隱含層的激活函數(shù)，該激活函數(shù)在反向傳播求取誤差梯度時(shí)計(jì)算量較小，可以加快模型的訓(xùn)練速度，同時(shí)會(huì)使一部分神經(jīng)元的輸出為0，這樣就造成了網(wǎng)絡(luò)的稀疏性，緩解了過(guò)擬合問(wèn)題的發(fā)生。輸出層采用Sigmoid激活函數(shù)，用來(lái)預(yù)測(cè)該輸入可能為車(chē)牌的概率。

3.2 卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)完成后，需要采用訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行適當(dāng)?shù)挠?xùn)練才能獲得有效的模型。通過(guò)對(duì)3000張?jiān)诓煌h(huán)境和天氣下采集的車(chē)輛圖像進(jìn)行顏色邊緣特征提取，產(chǎn)生14 577張ROI圖像，其中包括5740張正樣本和8837張負(fù)樣本，將樣本進(jìn)行人工標(biāo)注，樣本的標(biāo)簽為1時(shí)表示該樣本為車(chē)牌圖像，為0時(shí)表示該樣本為偽車(chē)牌圖像。對(duì)部分和車(chē)牌較相似的負(fù)樣本進(jìn)行旋轉(zhuǎn)拉伸變換，將樣本擴(kuò)展至16 000張并以此作為訓(xùn)練集，訓(xùn)練集中部分訓(xùn)練樣本如圖7所示，其中第一行為負(fù)樣本，第二行為正樣本訓(xùn)練過(guò)程分為前向傳播和反向傳播兩部分，PR Net在前向傳播初采用一組符合截?cái)嗾龖B(tài)分布的隨機(jī)數(shù)對(duì)權(quán)重進(jìn)行初始化，之后對(duì)訓(xùn)練集中樣本的類(lèi)別進(jìn)行預(yù)測(cè)并計(jì)算誤差，然后在反向傳播過(guò)程中計(jì)算損失函數(shù)對(duì)每個(gè)權(quán)重的偏導(dǎo)數(shù)并通過(guò)優(yōu)化算法更新網(wǎng)絡(luò)中的權(quán)值。前向傳播過(guò)程中如果第l層為卷積層，則前向傳播過(guò)程中第l層的輸出為M個(gè)特征矩陣組成的三維張量，結(jié)果如式(8)所示，其中*表示卷積操作，M為卷積核的深度

圖7 訓(xùn)練集樣本

(8)

如果第l層是下采樣層，則前向傳播過(guò)程中下采樣結(jié)果如式(9)所示，其中pool表示采用保留區(qū)域內(nèi)最大特征值的方式對(duì)特征圖進(jìn)行下采樣。如果第l層是全連接層，則前向傳播過(guò)程中第l層的第j節(jié)點(diǎn)的輸出如式(10)所示，其中M表示RP Net在第l-1層中節(jié)點(diǎn)的個(gè)數(shù)

al=pool(al-1)

(9)

(10)

前向傳播過(guò)程中經(jīng)過(guò)隱含層來(lái)提取圖像的深層特征，最終輸出z來(lái)預(yù)測(cè)該輸入可能為車(chē)牌的分?jǐn)?shù)。通過(guò)Sigmoid激活函數(shù)將輸出z限定在0到1之間，以此來(lái)表示該輸入可能為車(chē)牌的概率p，Sigmoid激活函數(shù)如式(11)所示

(11)

當(dāng)PR Net輸出的結(jié)果與我們的期望值不相符時(shí)，求出預(yù)測(cè)值與期望值的誤差，進(jìn)行誤差的反向傳播，將樣本的標(biāo)簽y作為模型的觀察值，采用交叉熵?fù)p失函數(shù)計(jì)算損失值。損失函數(shù)如式(12)所示，其中N為樣本數(shù)，p為樣本的預(yù)測(cè)值，樣本標(biāo)簽y采用One-hot編碼來(lái)表明概率分布

(12)

將獲取的誤差值J層層返回并計(jì)算出每一層的誤差，然后采用Adam優(yōu)化算法將J進(jìn)行反向傳播，對(duì)PR Net中的權(quán)值進(jìn)行更新。將PR Net在訓(xùn)練集上經(jīng)過(guò)多次迭代訓(xùn)練使模型趨于收斂，獲得有效的車(chē)牌檢測(cè)模型。

3.3 卷積神經(jīng)網(wǎng)絡(luò)模型的測(cè)試

將圖5中的ROI圖像尺寸調(diào)整為PR Net模型的輸入尺寸，并依次將其輸入到PR Net中，通過(guò)前向傳播算法來(lái)預(yù)測(cè)ROI圖像可能為車(chē)牌的概率p，當(dāng)p小于0.5時(shí)，判定該ROI為偽車(chē)牌，當(dāng)p大于0.5時(shí)，判定該ROI為車(chē)牌，對(duì)其進(jìn)行保存并且在原圖I中進(jìn)行標(biāo)記，車(chē)牌定位結(jié)果如圖8所示。

圖8 車(chē)牌定位結(jié)果

對(duì)500張車(chē)輛圖像進(jìn)行顏色邊緣特征提取，產(chǎn)生2500張ROI圖像并將其作為測(cè)試集。在該測(cè)試集上將部分經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型以及文獻(xiàn)[15]提出的車(chē)牌分類(lèi)模型和本設(shè)計(jì)提出的PR Net模型進(jìn)行對(duì)比測(cè)試。其中Alex Net擁有5層卷積層，采用批量隨機(jī)梯度下降算法進(jìn)行模型的訓(xùn)練，相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)分類(lèi)算法而言具有不錯(cuò)的表現(xiàn)。VGG Net擁有19層卷積層，相對(duì)于Alex Net模型中首層采用了尺寸為11×11的卷積核，VGG Net全采用大小為3×3的卷積核。文獻(xiàn)[15]所提出的車(chē)牌分類(lèi)算法基于LeNet5卷積神經(jīng)網(wǎng)絡(luò)，將圖像的輸入尺寸縮小到24×24并減少了一層全連接層，結(jié)構(gòu)較簡(jiǎn)單。將各算法在測(cè)試集上進(jìn)行性能測(cè)試，對(duì)比結(jié)果見(jiàn)表1。

表1 不同CNN模型的性能比較

通過(guò)各模型在測(cè)試集上的表現(xiàn)可以看出，文獻(xiàn)[15]所提出的網(wǎng)絡(luò)模型檢測(cè)速度最快，但由于模型結(jié)構(gòu)簡(jiǎn)單，魯棒性較差，難以對(duì)傾斜、光照不均以及模糊或有污損的車(chē)牌進(jìn)行有效的檢測(cè)，檢測(cè)準(zhǔn)確率較低。Alex Net模型采用尺寸更大的卷積核進(jìn)行卷積運(yùn)算，導(dǎo)致運(yùn)算量的增加，但網(wǎng)絡(luò)結(jié)構(gòu)較淺，實(shí)際應(yīng)用中檢測(cè)效果也一般。由于VGG Net具有更深的網(wǎng)絡(luò)結(jié)構(gòu)，能夠提取車(chē)牌圖像更深層的特征，對(duì)傾斜和光照不均的車(chē)牌也能有效進(jìn)行檢測(cè)，但更深的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致該算法的運(yùn)算量較大，因此檢測(cè)速度較慢。相較于Alex Net模型，本文提出的PR Net模型擁有更深的網(wǎng)絡(luò)結(jié)構(gòu)，首層采用尺寸為5×5的卷積核，比VGG Net擁有更大的感受視野，由于結(jié)構(gòu)比VGG Net更精簡(jiǎn)，因此在保持較高的檢測(cè)準(zhǔn)確率的同時(shí)，檢測(cè)速度更快。

4 實(shí)驗(yàn)分析

實(shí)驗(yàn)采用型號(hào)為i7-7700k，頻率為4.2 GHz的CPU，16 GB的內(nèi)存以及型號(hào)為GTX1070Ti的GPU進(jìn)行測(cè)試。對(duì)比實(shí)驗(yàn)在Pycharm2018集成開(kāi)發(fā)環(huán)境下采用Python語(yǔ)言完成。神經(jīng)網(wǎng)絡(luò)模型在Google發(fā)行的神經(jīng)網(wǎng)絡(luò)開(kāi)源框架Tensorflow上設(shè)計(jì)與實(shí)現(xiàn)，并采用NVIDIA推出的通用并行計(jì)算架構(gòu)CUDA(compute unified device architecture)加速模型的訓(xùn)練。

實(shí)驗(yàn)測(cè)試數(shù)據(jù)由測(cè)試集A和測(cè)試集B兩部分組成，其中測(cè)試集A包括1795張?jiān)诓煌h(huán)境下收集的車(chē)輛圖像。將圖像經(jīng)過(guò)顏色邊緣特征提取后，統(tǒng)計(jì)每張圖像中的ROI數(shù)量n，并將n作為衡量該圖像背景復(fù)雜度的指標(biāo)。圖9(a)為測(cè)試集A中背景復(fù)雜度較低的樣本，圖9(b)為測(cè)試集A中背景復(fù)雜度較高的樣本。

圖9 測(cè)試集A樣本

根據(jù)n將測(cè)試集A分為6組，每組樣本中的樣本數(shù)以及平均ROI數(shù)量見(jiàn)表2，其中每組樣本中ROI的平均數(shù)量依次上升，用于測(cè)試算法在不同背景復(fù)雜度下的性能。測(cè)試集B由1189張?jiān)陔S機(jī)環(huán)境下采集的車(chē)輛圖像構(gòu)成，用于測(cè)試算法在自然環(huán)境下的平均性能。

表2 測(cè)試集A

實(shí)驗(yàn)首先基于測(cè)試集A，將本文提出的車(chē)牌定位算法分別與文獻(xiàn)[6]、文獻(xiàn)[11]和文獻(xiàn)[12]中的算法進(jìn)行比較，以此來(lái)測(cè)試算法在不同背景復(fù)雜度下的性能。算法的準(zhǔn)確率和響應(yīng)時(shí)間的對(duì)比結(jié)果分別如圖10和圖11所示。

圖10 算法準(zhǔn)確率比較

實(shí)驗(yàn)結(jié)果表明，在背景復(fù)雜度較低的環(huán)境中，所有算法都能取得較好的效果，這是由于背景中不包含或者包含較少與車(chē)牌特征相似的噪聲。隨著環(huán)境中背景復(fù)雜度的提升，文獻(xiàn)[6]和文獻(xiàn)[11]的算法準(zhǔn)確度有明顯下降。由于采用神經(jīng)網(wǎng)絡(luò)提取深層特征，文獻(xiàn)[12]和本文的算法仍然能夠保持較好的效果。在運(yùn)行速度方面，無(wú)論圖像背景復(fù)雜度如何，文獻(xiàn)[12]都采用對(duì)全圖進(jìn)行卷積的方法來(lái)完成車(chē)牌檢測(cè)，因此運(yùn)行速度較慢，而文獻(xiàn)[6]、文獻(xiàn)[11]和本文的算法都是對(duì)ROI進(jìn)行操作，處理的圖像背景復(fù)雜度越低，算法的速度越快?；跍y(cè)試集B對(duì)全部算法進(jìn)行比較，以此來(lái)反應(yīng)自然環(huán)境下各算法的平均性能，結(jié)果見(jiàn)表3，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)車(chē)牌定位算法相比，本文算法擁有更高的準(zhǔn)確度,與文獻(xiàn)[12]所提算法相比，本文算法在保證算法準(zhǔn)確度的同時(shí)，檢測(cè)速度大大提升。

表3 平均性能比較

5 結(jié)束語(yǔ)

在復(fù)雜環(huán)境下，特別是在車(chē)牌存在傾斜以及背景中包含和車(chē)牌具有相似特征的噪聲時(shí)，傳統(tǒng)車(chē)牌定位算法難以進(jìn)行準(zhǔn)確的定位，采用卷積神經(jīng)網(wǎng)絡(luò)直接對(duì)輸入圖像進(jìn)行處理又導(dǎo)致計(jì)算量大大增加。針對(duì)以上問(wèn)題，本文算法通過(guò)顏色邊緣特征進(jìn)行ROI的提取，并設(shè)計(jì)了一種有效的車(chē)牌分類(lèi)卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)去除ROI中的偽車(chē)牌。實(shí)驗(yàn)通過(guò)兩組測(cè)試集對(duì)模型進(jìn)行測(cè)試，驗(yàn)證該算法在復(fù)雜環(huán)境下性能明顯優(yōu)于其它的車(chē)牌定位方法，在保證檢測(cè)速度的同時(shí)能達(dá)到更高的準(zhǔn)確率，算法擁有更好的魯棒性。