吳林輝 楊晨耀 張文龍 蔣衛(wèi)祥

摘要：車牌識(shí)別系統(tǒng)在生活中的使用越發(fā)廣泛，占據(jù)重要地位。車牌識(shí)別一共分為圖像處理和字符識(shí)別兩部分。本文首先使用OpenCV技術(shù)定位車牌、分割車牌，接著應(yīng)用Tensorflow識(shí)別車牌字符。每個(gè)環(huán)節(jié)都是獨(dú)立出來的，能夠降低各層之間的耦合度，提高系統(tǒng)可維護(hù)性。其中車牌定位是一步非常關(guān)鍵的步驟，能夠精準(zhǔn)地定位出清晰的車牌能減少后續(xù)環(huán)節(jié)的誤差。系統(tǒng)具有較高的識(shí)別率，能夠精確地識(shí)別出彩色圖像中的車牌字符，具有一定實(shí)用價(jià)值。

關(guān)鍵詞：車牌識(shí)別;OpenCV;Tensorflow深度學(xué)習(xí);人工智能

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）01-0203-02

隨著科技的進(jìn)步和人民生活水平的提高，道路上的汽車隨之增多，汽車管理問題也引起了人們的重視。每輛車的車牌號(hào)都是唯一的，準(zhǔn)確識(shí)別出車牌號(hào)就能知道車主信息，降低了汽車管理難度。車牌識(shí)別的系統(tǒng)被大量運(yùn)用在道路上、車庫門禁、小區(qū)門口等。當(dāng)汽車經(jīng)過時(shí)，就識(shí)別出車牌號(hào)，如果是登記在冊或被允許通過的車輛，門桿就會(huì)自動(dòng)升起。運(yùn)用在道路上，就能記錄車輛實(shí)時(shí)動(dòng)態(tài)信息，方便交通管理。本文的車牌識(shí)別系統(tǒng)是通過OpenCV實(shí)現(xiàn)圖像處理和Tensorflow實(shí)現(xiàn)字符識(shí)別，編程語言采用Java，具有運(yùn)行環(huán)境簡單、軟件結(jié)構(gòu)清晰、識(shí)別效率高等特點(diǎn)。

1車牌識(shí)別系統(tǒng)的組成

車牌識(shí)別系統(tǒng)一般可分為車牌定位、車牌矯正、字符分割和字符識(shí)別四個(gè)部分，如圖1所示。

1.1車牌定位

車牌定位它主要是將車牌從復(fù)雜的背景中分割出來。車牌圖像容易受各種環(huán)境因素的影響，比如不同光照、不同天氣、不同角度、不同距離、車牌老舊褪色等都對(duì)準(zhǔn)確性造成了較大的影響。據(jù)我所知，現(xiàn)在有四種比較成熟的定位技術(shù)，如采用顏色特性的定位算法、基于灰度邊緣的定位算法、基于小波的定位算法、基于監(jiān)督的車牌定位算法。這些算法都各有利弊，基本上都或多或少的受環(huán)境所影響，特別是受光照環(huán)境所影響。

本文所使用的是顏色定位算法，顏色定位法利用車牌的基本顏色特征，將原圖像在HSV顏色空間處理得到的二值圖像，在使用閉操作將二值圖像先膨脹再腐蝕，使得二值圖像更好處理，然后使用findContours方法檢測二值圖的輪廓，最后將截取下來的輪廓進(jìn)行分析，將高寬比合理的車牌進(jìn)行車牌矯正。

不同光照：為了減少背景和光線對(duì)定位產(chǎn)生的干擾，在進(jìn)行定位之前會(huì)將原圖像的像素縮小，加快圖像處理速度，并使用灰度世界法，改善圖像發(fā)藍(lán)發(fā)紅情況，能夠提高定位準(zhǔn)確率。

不同距離：為了實(shí)現(xiàn)遠(yuǎn)距離定位需求，算法中會(huì)在縮小像素的縮略圖中找出車牌的坐標(biāo)，然后在原圖中切割車牌，這樣就能得到清晰的車牌。

不同角度：由于我們使用的是顏色定位，角度不同依然能定位出車牌，并進(jìn)行下一步的車牌矯正。

1.2車牌矯正

車牌矯正一共有六步。利用二值化圖像的感興趣區(qū)域計(jì)算車牌水平的偏斜角和垂直偏斜角，再將原彩車牌通過剛才計(jì)算的角度矯正。

stepl：判斷顏色匹配的旋轉(zhuǎn)矩形區(qū)域傾斜角度是否在60。之內(nèi)，是則進(jìn)入下一步，否則不予考慮。（因?yàn)榧僭O(shè)了拍攝的圖像傾斜不是特別大）

step2：計(jì)算安全矩陣，看矩陣是否超過圖像邊界，沒超過則進(jìn)行下一步，否則，該矩形塊不予考慮（拍攝的車牌不完全）

step3：再判斷顏色匹配的矩形區(qū)域傾斜角度是否在5。之內(nèi)，是則直接輸出，不矯正，否則進(jìn)行下一步;

step4：進(jìn)行矩形角度旋轉(zhuǎn)矯正;

step5：對(duì)矩形中“車牌”（白色）區(qū)域進(jìn)行偏斜判斷，是正視角，則直接輸出，否則進(jìn)行下一步仿射變換;

step6：對(duì)上一步的矩形進(jìn)行仿射變換，扭正“車牌”。

車牌校正步驟如圖2所示。

1.3字符分割

第一步：先把矯正好的車牌先進(jìn)行灰度化處理和二值化處理。

第二步：尋找輪廓分割字符。

第三步：將切割出的圖片不符合尺寸的過濾掉，然后將剩余的圖片按橫坐標(biāo)從左到右排序。

第四步：將符合條件的字符左上角坐標(biāo)加入數(shù)組，去掉最大值最小值計(jì)算平均值，找出x值最小的坐標(biāo)，計(jì)算字符的總長度和平均寬度，利用坐標(biāo)和寬高，將車牌的二值圖分割，能較好地將邊框干擾去除。

第五步：繼續(xù)將去邊框的車牌尋找輪廓，切割字符。

最后，獲得指示城市的特定Rect，如蘇A的“A”，來反推出省份的中文字符。將所有字符放人數(shù)組中。字符分割如圖3所示。

1.4字符識(shí)別

1.4.1卷積神經(jīng)網(wǎng)絡(luò)的基本概念

卷積層：卷積是卷積神經(jīng)網(wǎng)絡(luò)中最核心的概念，也是其名稱的由來。卷積用來提取圖像的局部特征，它是一個(gè)數(shù)學(xué)計(jì)算方法。左圖綠色矩陣是輸入圖像，黃色矩陣是卷積核，粉色矩陣是計(jì)算得到的卷積特征。卷積操作實(shí)際上用卷積核在圖像矩陣上滑動(dòng)，對(duì)卷積核矩陣與圖像矩陣中對(duì)應(yīng)位置做以下計(jì)算：對(duì)應(yīng)元素相乘后求和。卷積層如圖4所示。

池化層：池化就是將特征矩陣劃分為若干小塊，從每個(gè)子矩陣中選取一個(gè)值替代該子矩陣，這樣做的目的是壓縮特征矩陣，簡化接下來的計(jì)算，如圖5所示。池化有兩種方式：MaxPooling（最大值池化）和Average Pooling（平均值池化），前者是從子矩陣中取最大值，后者是取平均值，如圖6所示，本項(xiàng)目中采用最大池化。

激活函數(shù)的引入是為了解決深度神經(jīng)網(wǎng)絡(luò)中的梯度消失問題，常用的激活函數(shù)有Sigmoid、tanh和ReLU，前兩個(gè)激活函數(shù)在訓(xùn)練網(wǎng)絡(luò)時(shí)收斂極慢，因此深度網(wǎng)絡(luò)模型中通常使用Re-LU。暫時(shí)看不懂沒關(guān)系，這個(gè)ReLU激活函數(shù)比池化更容易理解，它將矩陣中所有的負(fù)數(shù)全部變?yōu)?，正數(shù)保持原樣，激活函數(shù)通常出現(xiàn)在卷積操作和池化操作之間。

本項(xiàng)目使用Tensorflow框架進(jìn)行cnn模型訓(xùn)練，所使用的圖片類型為二值化后的圖片，寬為32高為40，位深度為8，訓(xùn)練集的總樣本數(shù)為17896，百分之十的圖片用于作為驗(yàn)證集，訓(xùn)練一個(gè)模型用時(shí)為40個(gè)小時(shí)左右。

1.4.2訓(xùn)練模型

將32*40的單通道圖片導(dǎo)入到gpu中，得到圖片總數(shù)和每批樣本數(shù)，bachsize為100，最后一批樣本數(shù)為96。對(duì)數(shù)據(jù)結(jié)集：第一次遍歷圖片獲取圖片的總數(shù)，第二次遍歷生成圖片的數(shù)據(jù)和標(biāo)簽并且通過img.getPixel（w，h）函數(shù)是數(shù)字的線條變細(xì)提高識(shí)別準(zhǔn)確率。對(duì)驗(yàn)證集遍歷與對(duì)數(shù)據(jù)集遍歷一樣。

1.4.3對(duì)處理好的數(shù)據(jù)集和標(biāo)簽進(jìn)行卷積神經(jīng)運(yùn)算

讀取數(shù)據(jù)保證每張圖片shape相同，不然輸入有錯(cuò)。設(shè)置每次訓(xùn)練的輸入個(gè)數(shù)和迭代次數(shù)，為了支持圖片總數(shù)，定義了一個(gè)余數(shù)。設(shè)置每批的讀入個(gè)數(shù)為100。初始化session，然后開始執(zhí)行訓(xùn)練迭代輸入時(shí)要將圖片數(shù)組裝化為np.array。每訓(xùn)練5次則進(jìn)行準(zhǔn)確率判斷是否到達(dá)百分百，到達(dá)則退出。

卷積層：用tf.Variable定義變量權(quán)重w和偏置量b，w定義為大小是輸入尺寸x輸出尺寸的矩陣，初始化為隨機(jī)正態(tài)分布。b定義為大小是1x輸出尺寸的矩陣，初始化為0.1，主要是用來提取圖像特征。

激活函數(shù)將卷積之后的現(xiàn)行圖像轉(zhuǎn)為非線性。池化層：每次滑動(dòng)2步提取重要特征，圖片將會(huì)縮小到原圖的四分之一。全連接層將輸入神經(jīng)元和輸出神經(jīng)元連接起來，通過reshape將圖片轉(zhuǎn)換成4維的數(shù)據(jù)格式。然后進(jìn)行線性處理并且激活結(jié)構(gòu)，使用dropout將每次輸出舍去百分之50相當(dāng)于隨機(jī)刪除50%的神經(jīng)元，這樣就避免了過擬合的問題相當(dāng)于分別訓(xùn)練，然后通過梯度下降的方法進(jìn)行優(yōu)化，此處定義一個(gè)輸出結(jié)點(diǎn)，用于調(diào)用模型時(shí)返回輸出。

1.4.4 Java調(diào)用模型進(jìn)行字符識(shí)別

獲取Javacv處理好的Mat類型的圖片，將其轉(zhuǎn)換成Buffere-dImage類型，通過Raster中的getPixels方法將圖片轉(zhuǎn)化成一個(gè)float類型的一維數(shù)組，必須保持與訓(xùn)練時(shí)輸入的張量相同，也要將一維數(shù)組進(jìn)行線條處理，保存為1和0組成的圖片，調(diào)用graph的operation方法輸入模型訓(xùn)練時(shí)的輸出結(jié)點(diǎn)results，并將處理好的二維數(shù)組的圖片創(chuàng)建成一個(gè)Tensor類型的數(shù)據(jù)，并且創(chuàng)建dropout的參數(shù)，因?yàn)樵谟?xùn)練輸入時(shí)加入了防止過擬合的方法。然后通過seeion.RunnerO.feedO.fetchO.getO的方法開始識(shí)別字符圖片，結(jié)果返回為一個(gè)float類型的二維數(shù)組的值為字符的正確率，通過正確率判斷是哪個(gè)字符（python中的數(shù)據(jù)精度和Java中不同，在Java中都為負(fù)數(shù)，只需取最大的那個(gè)參數(shù)）。由于車牌的第一個(gè)數(shù)只能是漢字第二個(gè)數(shù)只是字母后幾個(gè)數(shù)只能是數(shù)字加字母，所以我們做了一個(gè)判斷語句這樣可以使識(shí)別結(jié)果更加精確。最后將結(jié)果返回保存到Resuh對(duì)象中。

2系統(tǒng)實(shí)現(xiàn)

2.1系統(tǒng)界面

本系統(tǒng)功能功能：圖片識(shí)別、實(shí)時(shí)車牌識(shí)別、視頻識(shí)別和查看識(shí)別記錄，運(yùn)行界面如圖7所示。

2.2功能詳解

2.2.1圖片識(shí)別

首先進(jìn)入圖片識(shí)別，圖片識(shí)別分為圖片批量識(shí)別和單個(gè)圖片識(shí)別。還包含了正確率結(jié)果打印，指定圖片文件夾和結(jié)果集文本后會(huì)自動(dòng)輸出識(shí)別結(jié)果，用于測試識(shí)別率。圖片識(shí)別只需點(diǎn)擊文件按鈕，指定某個(gè)圖片，便可識(shí)別，圖片批量識(shí)別需要指定文件夾以及輸出文件夾。

2.2.2實(shí)時(shí)識(shí)別

實(shí)時(shí)識(shí)別需要攝像頭，將攝像頭的USB接口插入電腦端口，可以選擇分別率，點(diǎn)擊打開攝像頭按鈕，軟件自動(dòng)識(shí)別電腦攝像頭并給出選項(xiàng)選擇，軟件會(huì)播放攝像頭畫面，框出車牌位置，并且會(huì)將識(shí)別結(jié)果顯示在表格中，此外，這些記錄會(huì)做本地化保存，可進(jìn)入查看記錄功能進(jìn)行查看。

2.2.3視頻識(shí)別

可以對(duì)已有車輛視頻進(jìn)行識(shí)別，選擇視頻識(shí)別功能，點(diǎn)擊文件夾選擇視頻文件，選擇需要的分辨率，可以選擇是否框出視頻中車牌，識(shí)別過程中同樣會(huì)儲(chǔ)存識(shí)別記錄，便于查看。

2.2.4查看記錄

如果需要查看以往的記錄，點(diǎn)擊查看記錄功能，軟件會(huì)將所有以往記錄文本顯示在表格中，右擊表格中的行，點(diǎn)擊查看該記錄即可在右邊表格中顯示所有信息。本系統(tǒng)提供記錄檢索功能，通過填寫車牌出現(xiàn)識(shí)別，或者地點(diǎn)或者明確的車牌號(hào)即可查詢到是否存在記錄。

3結(jié)束語

高速公路、城市交通、停車場等基礎(chǔ)設(shè)施建設(shè)水平的不斷發(fā)展和車輛管理體制的不斷完善，為以計(jì)算機(jī)視覺為基礎(chǔ)的智能交通管理系統(tǒng)的實(shí)際應(yīng)用提供了契機(jī)。車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用愈發(fā)廣泛，能夠減輕交通壓力和減少人工成本，有很重要的使用價(jià)值。