車牌識別技術簡介

付遙 文章

摘要：根據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絡引入到車牌檢測識別的最新技術，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

隨著社會的迅速發展，汽車工業也在進行著井噴式的發展。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域的前沿問題。

20世紀80年代初期，車牌識別技術研究只是借助圖像處理技術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，伴隨計算機技術的發展，車牌識別技術逐漸成型，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，在大量的訓練數據中進行不斷的迭代，獲得數據之間的分布規律，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提出了一些表現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，該系統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，通過利用極值區域（MSER）特征來提取候選字符區域，再將每個候選字符區域劃分為四種類型，根據其鄰域MSER分布特征提取可疑的初始節點（左上角字符），最后根據檢測到的可疑初始節點和對應的標簽移動最大MSER團對每個候選字符區域進行標記完成許可檢測和定位。

Gamma Kosala等人將復雜環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、閉合形態操作和連通成分分析（CCA）進行輪廓檢測。然后采用卷積神經網絡—支持向量機（CNN-SVM）實現車牌區域的選擇，最終實現對車牌的檢測識別。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提取感興趣區域。其次，利用HSV（Hue-Saturation-Value）顏色空間變換和矩形圖像檢測技術，從提取的感興趣區域中濾除光照變化、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 為了解決在開放環境下的車牌檢測，提出了一種基于語義區域提議的方法。該方法首先從像素層次考慮，采用語義分割卷積網絡進行車牌候選區域提取，為了提高分割精度，設計了增強的損失函數。然后，采用基于面向包圍盒回歸算法的分類回歸網絡進行區域驗證和細化。最終實現對車牌的準確檢測識別。Yuxin Shi提出了一種基于卷積神經網絡和視覺特征的車牌檢測算法。首先，通過人工特征提取，生成一定數量的候選包圍盒。然后，將生成的包圍盒作為級聯卷積神經網絡的輸入，進行進一步的驗證和回歸。Dongsuk Lee提出了一種利用快速區域卷積神經網絡（Faster R-CNN）和傳統卷積神經網絡（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域，然后基于CNN的模塊用于去除候選區域中的誤報，實現了一個快速、魯棒的實時車牌檢測系統。

車牌檢測是車牌識別系統中的關鍵第一步，傳統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網絡用于車牌檢測，特征提取采用PVANet加速計算，整個網絡進行端到端的訓練，有效避免了不必要的中間步驟，直接獲取車牌區域實驗結果表明，所以構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在原來的基礎上達到了更好的效果，Faster R-CNN是在2016年提出的目標檢測算法，該算法在fast rcnn的基礎上進行改進，提出了RPN（Region Proposal Network）候選框生產算法，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 結束語

本論文介紹了目前車牌檢測的發展現狀，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展，此方法必將在高速公路車牌識別領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）