基于LeNet-5的汽車車牌識別算法

王孟濤

目前基于LeNet5網絡結構的車牌圖形識別算法存在識別誤差大、效率低等缺點。本文對原算法進行了改進，具體做法是轉化車牌圖像大小、刪除LeNet5網絡中的C5層、修改輸出層的神經元數量等。經驗證，算法在識別率和時間效率上均得到有效提高。

LeNet-5卷積神經網絡原理

改進的LeNet5網絡結構

對原LeNet5網絡提出以下幾點改進：

①輸入圖片歸一化為32×16像素：中國車牌字符長度和寬度為90 mm×45mm。減小輸入圖像尺寸能夠減少模型訓練參數，提高網絡運算效率。

②使用ReLU激活函數：有利于緩和模型的梯度消失。

③取消C5層：將LeNet5網絡原C5層改為F6層，減少模型總體的訓練參數數量。

④加入Dropout。將失活率設置為0.5，減少參數更新的個數，防止模型過擬合。

⑤將車牌字符漢字與數字/字母分開識別。

改進后的LeNet5網絡結構與傳統LeNet5網絡結構的對比如表1所示。

車牌識別策略

①圖片預處理：增強原始車牌圖片對比度，消除圖片的噪聲。

②車牌定位：使用基于二值圖像的形態學區域填充進行車牌定位。

③字符分割：采用垂直投影法對車牌字符進行分割。通過對二值化的車牌圖像進行垂直投影，分析圖像像素的分布情況，再根據閾值切割車牌字符。

④字符識別：將分割后的車牌字符圖像輸入到網絡模型中。

實驗與結論

通過網絡收集不同環境條件的國內車牌圖像作為數據集。進一步進行圖像處理得到7 877張車牌字符圖像作為改進后網絡的訓練樣本。訓練集中4 285張為數字和字母圖片，3 232張為漢字圖片；測試集包含360張圖片，200張數字和字母圖片，160張漢字圖片。

實驗表明，改進后的LeNet5網絡對于車牌中漢字識別率達到99 %，數字和字母識別率達到99.5 %，算法對于單張圖片識讀時間為2.748 ms。綜上，改進后算法有效提高了車牌字符識別的準確率，同時提高了算法運算效率。