李磊

（山西交通信息通信有限公司，山西太原 030006）

0 引言

隨著我國汽車保有量的逐年增加，亟需加強(qiáng)車輛的智能化管理，提高管理效率。以往采用的車輛特征智能識(shí)別技術(shù)，往往存在圖像識(shí)別效果差、準(zhǔn)確率低等缺陷，尤其在光線較暗、車牌污染或傾斜時(shí)，識(shí)別難度會(huì)大幅增加?；诰矸e神經(jīng)網(wǎng)絡(luò)開發(fā)的車輛特征識(shí)別系統(tǒng)，可適應(yīng)不同圖像背景、不同光照強(qiáng)度，對(duì)污染或傾斜車牌識(shí)別準(zhǔn)確率高。本文重點(diǎn)分析車牌和顏色識(shí)別技術(shù)，并結(jié)合實(shí)例分析卷積神經(jīng)網(wǎng)絡(luò)車輛特征識(shí)別技術(shù)的實(shí)用性。

1 卷積神經(jīng)網(wǎng)絡(luò)簡介

卷積神經(jīng)網(wǎng)絡(luò)（CNN）與ANN類似，都是通過神經(jīng)元自我學(xué)習(xí)優(yōu)化，每個(gè)神經(jīng)元可以完成不同的操作，可通過不斷訓(xùn)練和函數(shù)計(jì)算，將圖像輸入后，經(jīng)過分析處理，分類輸出。卷積神經(jīng)網(wǎng)絡(luò)較人工神經(jīng)網(wǎng)絡(luò)有了明顯的技術(shù)突破，其卷積層具有強(qiáng)大的數(shù)據(jù)處理功能，提取特征元素，計(jì)算速度快，可替代人力完成復(fù)雜的工作。卷積神經(jīng)網(wǎng)絡(luò)側(cè)重于分析圖像的基本構(gòu)成，可用于對(duì)特定數(shù)據(jù)進(jìn)行處理。

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層、全連接層三部分組成，卷積層由多個(gè)卷積單元組成，通過反向傳播算法設(shè)置參數(shù)，執(zhí)行不同的操作。通過運(yùn)算提取輸入層的不同特征，確定物體的低級(jí)和高級(jí)特征。池化層可以進(jìn)一步篩選物體的特征，剔除不重要的數(shù)據(jù)信息，減少參數(shù)數(shù)量，確定重要特征信息，簡化計(jì)算程序，提高訓(xùn)練速度。全連接層的功能是將卷積層和池化層提取的數(shù)據(jù)進(jìn)行進(jìn)一步分析，并通過回歸函數(shù)進(jìn)行分類整理。

2 卷積神經(jīng)網(wǎng)絡(luò)車牌識(shí)別技術(shù)

2.1 車牌漢字識(shí)別

2.1.1 車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型

車牌漢字主要是各個(gè)省份的簡稱，漢字主要由橫、豎、撇、捺等筆畫組合而成，通過分析筆畫構(gòu)成和組合方式進(jìn)行漢字識(shí)別，車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型如圖1所示。由于漢字的筆畫比較多，樣本收集難度也較大，本模型是在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行改進(jìn)，基于灰度圖像對(duì)車牌漢字進(jìn)行識(shí)別，可減少各網(wǎng)絡(luò)層之間的連接數(shù)量，進(jìn)而減少訓(xùn)練參數(shù)，降低訓(xùn)練難度。

圖1 車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型

輸入層為16×32像素的漢字圖像，卷積層C1包含4張12×28像素的特征圖，輸入圖像與C1層通過5×5的卷積核相連接，連接數(shù)為32 256個(gè)，實(shí)際訓(xùn)練數(shù)為96個(gè)。下采樣層S2采用非重疊均值池化操作，包含4張6×14像素的特征圖。卷積層C3包含9張4×12像素的特征圖，池化層S4包含9張2×6像素的特征圖。池化層S5是對(duì)下采樣層S2特征圖進(jìn)一步分析得到的，輸出層神經(jīng)元數(shù)量為32個(gè)，與漢字?jǐn)?shù)量相對(duì)應(yīng)。

建立樣本集，對(duì)車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率進(jìn)行測試，得出準(zhǔn)確率為96.8%，圖2為部分測試結(jié)果。

圖2 車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型部分測試效果

其中紅色柱狀長度表示對(duì)應(yīng)識(shí)別標(biāo)簽的幾率，紅色代表測試結(jié)果與正確標(biāo)簽相對(duì)應(yīng)，藍(lán)色代表錯(cuò)誤。結(jié)合所有樣本識(shí)別結(jié)果，均可準(zhǔn)確確定車牌漢字，識(shí)別效果較好。

2.1.2 漢字識(shí)別對(duì)比實(shí)驗(yàn)分析

為了驗(yàn)證車牌漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型開展對(duì)比試驗(yàn)進(jìn)行分析。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型卷積層C3與下采樣層S2采用全連接方式，其他與上述網(wǎng)絡(luò)模型相同，開展對(duì)比試驗(yàn)得出識(shí)別速度分別為32ms和38ms，本文網(wǎng)絡(luò)模型較傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別速度快；識(shí)別準(zhǔn)確率分別為96.8%和96.9%，二者比較接近。這是由于車輛漢字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型各網(wǎng)絡(luò)層之間的連接數(shù)量減少了，簡化了網(wǎng)絡(luò)計(jì)算結(jié)構(gòu)，進(jìn)而減少了網(wǎng)絡(luò)訓(xùn)練參數(shù)和計(jì)算量，有效提升了處理速度。另外，二者的準(zhǔn)確率十分接近，表明網(wǎng)絡(luò)結(jié)構(gòu)的簡化沒有影響識(shí)別準(zhǔn)確率，車輛漢字識(shí)別技術(shù)可行。

2.2 字母數(shù)字識(shí)別

2.2.1 車牌字母數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型

車牌字母數(shù)字相比漢字較為簡單，但部分字母和數(shù)字類似，如Z和2、B和8等，識(shí)別過程中很容易混淆，車牌字母數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型如圖3所示。為充分利用第一級(jí)網(wǎng)絡(luò)車牌細(xì)節(jié)特征的提取信息，采用全連接的方式將其提取的特征圖、第二級(jí)網(wǎng)絡(luò)提取的特征圖與輸出層神經(jīng)元兩節(jié)，組成字符分類器，以提高識(shí)別效率。

圖3 車牌字母數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型

如圖3所示，輸入圖像為16×32像素，卷積層C1包含4張16×32像素的特征圖，輸入圖像與C1層通過5×5的卷積核相連接，連接數(shù)為49 152個(gè)，實(shí)際訓(xùn)練數(shù)為96個(gè)。下采樣層S2采用均值池化操作，包含4張8×16像素的特征圖。卷積層C3包含8張8×16像素的特征圖，池化層S4包含8張4×8像素的特征圖。池化層S5是對(duì)下采樣層S2特征圖進(jìn)一步分析得到的，輸出層神經(jīng)元數(shù)量為34個(gè)，與字母和數(shù)字的種類相對(duì)應(yīng)。

車牌字母和數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型測試：首先建立數(shù)字和字母測試樣本集，對(duì)網(wǎng)絡(luò)模型開展測試，得到模型識(shí)別準(zhǔn)確率為96.4%。對(duì)容易混淆的字母和數(shù)字識(shí)別效果重點(diǎn)分析，識(shí)別準(zhǔn)確率較高，沒有出現(xiàn)錯(cuò)誤，部分結(jié)果如圖4所示。

圖4 易混淆字母和數(shù)字識(shí)別效果

2.2.2 字母數(shù)字識(shí)別對(duì)比實(shí)驗(yàn)分析

與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，車牌字母數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型將S4層的特征圖作為全連接層的輸入，其他相同。通過開展對(duì)比分析試驗(yàn)，分析車牌字母數(shù)字識(shí)別試驗(yàn)數(shù)據(jù)，對(duì)比分析后得出車牌字母數(shù)字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率為96.3%，識(shí)別速度為40ms，較傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率95.1%高，識(shí)別速度相近（39ms）。這是由于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像質(zhì)量、清潔和傾斜情況要求較高，而本文模型通過第一層網(wǎng)絡(luò)提取了大量特征信息，一定程度上提高了圖像識(shí)別效果。

3 車身顏色識(shí)別

車身顏色識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型如圖5所示，車身顏色主要收集車輛引擎蓋區(qū)域，收集的圖像大小為16×16像素，卷積層C1層包含3張12×12像素的特征圖，輸入圖像與C1層通過5×5的卷積核相連接，訓(xùn)練參數(shù)數(shù)量為228個(gè)。S2層是由C1層均值池化得到的，包含3張2×2像素特征圖。C3層包含5張4×4像素的特征圖，S4層包含5張2×2像素特征圖。S5層神經(jīng)元數(shù)量為5，與車身顏色種類數(shù)量相對(duì)應(yīng)。

圖5 車身顏色識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型

建立樣本集，進(jìn)行車身顏色識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型測試，統(tǒng)計(jì)測試數(shù)據(jù)如表2所示。分析測試數(shù)據(jù)，可以得出網(wǎng)絡(luò)模型對(duì)黑色的識(shí)別準(zhǔn)確率最低，藍(lán)色和紅色最高，但均在80%以上，表明車身顏色識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型可以較準(zhǔn)確地識(shí)別車身顏色。

表1 車身顏色識(shí)別測試統(tǒng)計(jì)數(shù)據(jù)

4 結(jié)語

基于卷積神經(jīng)網(wǎng)絡(luò)，對(duì)傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，減少各網(wǎng)絡(luò)層之間的連接數(shù)量和訓(xùn)練參數(shù)的數(shù)量，降低了訓(xùn)練難度。對(duì)卷積神經(jīng)網(wǎng)絡(luò)的概念和各組成部分功能進(jìn)行闡述，以車牌和車身顏色為研究對(duì)象分析卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的實(shí)用性。通過建立網(wǎng)絡(luò)模型和樣本集，對(duì)車牌漢字、字母和數(shù)字開展識(shí)別測試，并與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析，得出本文所研究的卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別速度和準(zhǔn)確率均較高，識(shí)別效果較好。通過建立車身顏色識(shí)別卷積神經(jīng)網(wǎng)絡(luò)模型，并建立樣本集進(jìn)行對(duì)比分析，得出車身顏色識(shí)別準(zhǔn)確率較高，可以準(zhǔn)確識(shí)別車身顏色。