朱文軒

[摘? ? ? ? ? ?要]? 近年來深度學習已經(jīng)成為人工智能領域中的熱門話題，將深度學習應用到傳統(tǒng)車牌識別系統(tǒng)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(tǒng)

[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(jīng)網(wǎng)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(chǎn)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(tǒng)創(chuàng)新的提出Faster R-CNN結(jié)構(gòu)，根據(jù)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(huán)境

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

二、訓練集實驗數(shù)據(jù)

本次實驗訓練數(shù)據(jù)為0～9十個數(shù)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(shù)討論

在該訓練深度網(wǎng)絡的實驗中，有Bacth_Size，學習率，迭代次數(shù)，權(quán)值初始值，這個幾個關鍵的參數(shù)，由于本文的訓練樣本大小為256×256，結(jié)合考慮到計算機顯卡大小，設定Bacth_Size=128，因為參數(shù)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(shù)與Bacth_Size和學利率有關，權(quán)值初始值參數(shù)采用權(quán)值和等于0的隨機數(shù)構(gòu)成。

本文中的深度網(wǎng)絡簡稱V9。在V9網(wǎng)絡中沒有過多的卷積和池化層，主要是由于數(shù)據(jù)本身的特殊性，特殊在于數(shù)據(jù)本身紋理不算復雜、易于辨識，沒必要使用大規(guī)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(wǎng)絡的復雜度。該網(wǎng)絡的詳細參數(shù)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(shù)據(jù)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(shù)據(jù)為驗證數(shù)據(jù)，在參數(shù)設置方面，網(wǎng)絡神經(jīng)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(tǒng)的檢測不同的是，F(xiàn)aster R-CNN使用了RPN網(wǎng)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(jù)Region Proposal中，所有分類的得分對該RPN網(wǎng)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(wǎng)絡中采用小規(guī)模的SVM網(wǎng)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(qū)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(shù)據(jù)測試

數(shù)據(jù)測試使用不同角度下的車牌數(shù)據(jù)直接對車牌進行定位以及識別，該深度網(wǎng)絡的識別與傳統(tǒng)圖像處理不同，傳統(tǒng)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，F(xiàn)aster R-CNN使用Bounding box回歸，再利用GoogLeNet深度網(wǎng)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(tǒng)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(jié)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(jiān)控中有部分車牌會顯示文件名或監(jiān)控時間，本系統(tǒng)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(jiān)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(tǒng)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(chǎn)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(tǒng)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(shù)之中，合理發(fā)現(xiàn)識別的難點，通過技術(shù)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