付遙 文章

摘要：根據(jù)目前高速公路上車(chē)牌檢測(cè)識(shí)別存在的問(wèn)題，本文介紹了將深度學(xué)習(xí)網(wǎng)絡(luò)引入到車(chē)牌檢測(cè)識(shí)別的最新技術(shù)，進(jìn)而解決因光照不充足、圖像不清晰、車(chē)牌傾斜等因素造成的車(chē)牌識(shí)別率低的問(wèn)題。

關(guān)鍵詞：高速公路;車(chē)牌檢測(cè);深度學(xué)習(xí)

1引言

隨著社會(huì)的迅速發(fā)展，汽車(chē)工業(yè)也在進(jìn)行著井噴式的發(fā)展。車(chē)牌是機(jī)動(dòng)車(chē)的主要標(biāo)識(shí)之一，每輛機(jī)動(dòng)車(chē)的車(chē)牌號(hào)都是唯一的。所以車(chē)牌在交通管理中扮演著重要的角色，車(chē)牌識(shí)別也就成為了汽車(chē)交通領(lǐng)域的前沿問(wèn)題。

20世紀(jì)80年代初期，車(chē)牌識(shí)別技術(shù)研究只是借助圖像處理技術(shù)處理一些采集的車(chē)牌圖像，無(wú)法做到自動(dòng)識(shí)別。到了20世紀(jì)90年代，伴隨計(jì)算機(jī)技術(shù)的發(fā)展，車(chē)牌識(shí)別技術(shù)逐漸成型，形成了圖像處理、字符分割、字符識(shí)別等識(shí)別流程，相對(duì)于最初的檢測(cè)方式有很大的進(jìn)展，但是識(shí)別也只是停留在光照充足、圖像清晰、車(chē)牌不傾斜等條件之下，一旦識(shí)別的環(huán)境較為復(fù)雜時(shí)，識(shí)別的準(zhǔn)確性便會(huì)大大下降。

2研究方法及進(jìn)展

深度學(xué)習(xí)具有自我學(xué)習(xí)的功能，主要依賴(lài)可學(xué)習(xí)的卷積核，通過(guò)反向傳播算法，在大量的訓(xùn)練數(shù)據(jù)中進(jìn)行不斷的迭代，獲得數(shù)據(jù)之間的分布規(guī)律，自主學(xué)習(xí)出車(chē)牌的特征，進(jìn)而在實(shí)際應(yīng)用中快速準(zhǔn)確的識(shí)別車(chē)牌。

Ye Yunyang等人提出了一種基于車(chē)牌紋理特征的小波分析定位法，該方法基于車(chē)牌的紋理，對(duì)顏色變化并不敏感，所以適用于色彩變化較大的環(huán)境中。2011年，西安電子科技大學(xué)Wang Wei等，在車(chē)牌先驗(yàn)知識(shí)的約束下，提出了一種MSER車(chē)牌檢測(cè)方法。該方法有效的確定了車(chē)牌的上下邊界，再通過(guò)垂直投影確定車(chē)牌的左右邊界。最近幾年，我國(guó)車(chē)牌識(shí)別技術(shù)也面臨因光照不足、識(shí)別場(chǎng)景復(fù)雜化、拍攝角度等因素帶來(lái)的問(wèn)題。我國(guó)的學(xué)者基于深度學(xué)習(xí)的基礎(chǔ)提出了一些表現(xiàn)效果較好車(chē)牌識(shí)別算法。Wu Peiqi等為了解決漢字識(shí)別率低的問(wèn)題，使用連續(xù)的卷積層對(duì)車(chē)牌圖像進(jìn)行卷積，提取更多的字符。我國(guó)臺(tái)灣Lin等提出了一種基于Mask R-CNN的三級(jí)車(chē)牌識(shí)別系統(tǒng)，該系統(tǒng)可以用于識(shí)別不同的拍攝角度和傾斜角度在0～60度之間的車(chē)牌。Qin Gu等人提出了一種魯棒、快速的多尺度車(chē)牌檢測(cè)與定位算法，通過(guò)利用極值區(qū)域（MSER）特征來(lái)提取候選字符區(qū)域，再將每個(gè)候選字符區(qū)域劃分為四種類(lèi)型，根據(jù)其鄰域MSER分布特征提取可疑的初始節(jié)點(diǎn)（左上角字符），最后根據(jù)檢測(cè)到的可疑初始節(jié)點(diǎn)和對(duì)應(yīng)的標(biāo)簽移動(dòng)最大MSER團(tuán)對(duì)每個(gè)候選字符區(qū)域進(jìn)行標(biāo)記完成許可檢測(cè)和定位。

Gamma Kosala等人將復(fù)雜環(huán)境下的車(chē)牌檢測(cè)方法分為兩個(gè)階段：車(chē)牌候選提取和車(chē)牌區(qū)域選擇。在車(chē)牌候選提取階段，先采用Sobel算子進(jìn)行垂直邊緣檢測(cè)、閉合形態(tài)操作和連通成分分析（CCA）進(jìn)行輪廓檢測(cè)。然后采用卷積神經(jīng)網(wǎng)絡(luò)—支持向量機(jī)（CNN-SVM）實(shí)現(xiàn)車(chē)牌區(qū)域的選擇，最終實(shí)現(xiàn)對(duì)車(chē)牌的檢測(cè)識(shí)別。ZHAO Yiqun等人提出了一種基于車(chē)牌檢測(cè)的車(chē)輛識(shí)別方法，該方法分為三個(gè)步驟：首先，利用圖像中的道路表面或車(chē)道線(xiàn)等細(xì)節(jié)提取感興趣區(qū)域。其次，利用HSV（Hue-Saturation-Value）顏色空間變換和矩形圖像檢測(cè)技術(shù)，從提取的感興趣區(qū)域中濾除光照變化、陰影和雜亂背景，檢測(cè)車(chē)牌信息。最后，利用檢測(cè)到的車(chē)輛信息對(duì)前方車(chē)輛進(jìn)行識(shí)別。Tian J 為了解決在開(kāi)放環(huán)境下的車(chē)牌檢測(cè)，提出了一種基于語(yǔ)義區(qū)域提議的方法。該方法首先從像素層次考慮，采用語(yǔ)義分割卷積網(wǎng)絡(luò)進(jìn)行車(chē)牌候選區(qū)域提取，為了提高分割精度，設(shè)計(jì)了增強(qiáng)的損失函數(shù)。然后，采用基于面向包圍盒回歸算法的分類(lèi)回歸網(wǎng)絡(luò)進(jìn)行區(qū)域驗(yàn)證和細(xì)化。最終實(shí)現(xiàn)對(duì)車(chē)牌的準(zhǔn)確檢測(cè)識(shí)別。Yuxin Shi提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和視覺(jué)特征的車(chē)牌檢測(cè)算法。首先，通過(guò)人工特征提取，生成一定數(shù)量的候選包圍盒。然后，將生成的包圍盒作為級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行進(jìn)一步的驗(yàn)證和回歸。Dongsuk Lee提出了一種利用快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，該方法基于快速R-CNN的模塊用于從圖像中檢測(cè)車(chē)牌候選區(qū)域，然后基于CNN的模塊用于去除候選區(qū)域中的誤報(bào)，實(shí)現(xiàn)了一個(gè)快速、魯棒的實(shí)時(shí)車(chē)牌檢測(cè)系統(tǒng)。

車(chē)牌檢測(cè)是車(chē)牌識(shí)別系統(tǒng)中的關(guān)鍵第一步，傳統(tǒng)的車(chē)牌檢測(cè)算法存在大角度下車(chē)牌檢測(cè)精度不高的問(wèn)題。East算法將車(chē)牌檢測(cè)作為一個(gè)場(chǎng)景文本檢測(cè)問(wèn)題，直接預(yù)測(cè)圖像中任意角度的車(chē)牌位置和傾斜信息，Biao Y等人通過(guò)改進(jìn)的East網(wǎng)絡(luò)用于車(chē)牌檢測(cè)，特征提取采用PVANet加速計(jì)算，整個(gè)網(wǎng)絡(luò)進(jìn)行端到端的訓(xùn)練，有效避免了不必要的中間步驟，直接獲取車(chē)牌區(qū)域?qū)嶒?yàn)結(jié)果表明，所以構(gòu)造的車(chē)牌檢測(cè)算法具有較好的檢測(cè)效果，能夠準(zhǔn)確檢測(cè)出大角度傾斜車(chē)牌的位置坐標(biāo)信息，提高檢測(cè)精度。字符識(shí)別的任務(wù)是將車(chē)牌圖像的字符識(shí)別出來(lái)。首先對(duì)車(chē)牌上的字符進(jìn)行分割，然后再對(duì)一個(gè)個(gè)字符進(jìn)行識(shí)別。車(chē)牌識(shí)別的一般步驟如圖1所示：

在實(shí)際場(chǎng)景中，通過(guò)相機(jī)或者攝像頭捕捉到的車(chē)牌圖像往往圖像信息都不是很清晰，所以通常需要先進(jìn)行圖像預(yù)處理使得圖像過(guò)濾噪聲等因素變的清晰，常用的圖像預(yù)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(lái)的基礎(chǔ)上達(dá)到了更好的效果，F(xiàn)aster R-CNN是在2016年提出的目標(biāo)檢測(cè)算法，該算法在fast rcnn的基礎(chǔ)上進(jìn)行改進(jìn)，提出了RPN（Region Proposal Network）候選框生產(chǎn)算法，大大提高了目標(biāo)檢測(cè)的速度。Faster R-CNN模型總體來(lái)說(shuō)檢測(cè)精度很高，檢測(cè)的效果也比較理想。

3 結(jié)束語(yǔ)

本論文介紹了目前車(chē)牌檢測(cè)的發(fā)展現(xiàn)狀，并重點(diǎn)介紹了使用Faster R-CNN對(duì)開(kāi)放式場(chǎng)景下的車(chē)輛車(chē)牌檢測(cè)識(shí)別方法，隨著深度學(xué)習(xí)更加快速的發(fā)展，此方法必將在高速公路車(chē)牌識(shí)別領(lǐng)域得到更廣泛的推廣和應(yīng)用。

參考文獻(xiàn)：

[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）