車輛號牌的機器學習識別方法研究

鄭麗娟+蔣良衛(wèi)

摘要：機器學習是當前人工智能的主要技術手段，可以用在當前互聯(lián)網(wǎng)+交通的很多領域，例如機動車號牌識別對于道路交通安全違法治理、綜合交通管理等任務的提高具有重要的意義。本文即針對此需求，研究基于機器學習與智能識別的了機動車號牌識別方法，并對于相關流程給了完整的呈現(xiàn)。然后介紹系統(tǒng)開發(fā)及實現(xiàn)并進行相關實現(xiàn)，證明了軟件的有效性和科學性。

關鍵詞：機器學習；人工智能；機動車號牌識別；模板提取

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2017）06-0121-01

機器學習是當前人工智能的主要技術，如何利用機器學習進行號牌識別，特別對于動態(tài)行駛的機動車或者新能源專用6位機動車號牌號碼的自動識別，這是當下面臨的重大挑戰(zhàn)。因此，通過機器學習等進行機動車號牌識別的自動化管理，可以充分的配置資源，降低成本，充分利用當前數(shù)據(jù)庫以及計算機技術的優(yōu)勢，實現(xiàn)多方合理資源共享以及降低成本，提高交通管理效率。

1 自動識別的技術基礎

1.1 智慧城市與人工智能

對機動車號牌進行自動化識別管理符合智慧城市的需求，隨著互聯(lián)網(wǎng)+政策的不斷提出，當前城市信息化以及移動互聯(lián)網(wǎng)的快速發(fā)展，使智慧城市以及數(shù)字城市真正成為可能。模式識別是智慧地球的核心技術，智慧地球是以智慧城市為基礎，主要內(nèi)容是包含數(shù)字地球的。而數(shù)字地球也是將地球的各種多尺度以及多分辨率的數(shù)據(jù)進行存儲、管理、建模和顯示的全過程，如同google Earth一樣，智慧地球則將這些數(shù)字化的存儲與數(shù)據(jù)進行更智能的應用，包括全面感知，面向更豐富的服務與應用，同時結合傳感器和云服務，將全世界真正的融為一體，能夠完成自適應的一些功能，這正是地理信息系統(tǒng)技術的核心[1]。

1.2 交通智能管理的數(shù)據(jù)基礎

對于交通管理以及道路安全管理等，交通警察所使用的數(shù)據(jù)基礎主要包括視頻影像數(shù)據(jù)、圖像數(shù)據(jù)，車輛經(jīng)常行駛區(qū)域的基礎數(shù)據(jù)，如道路、交通設施、建筑模型等，這都是屬于空間數(shù)據(jù)，念即為人類生活的環(huán)境中的各類地物，帶有其空間位置、空間體積、分布信息和內(nèi)在屬性，以及時間、空間屬性。所謂時間屬性，即該地物在不同時間維度下的不同變化，另外復雜的空間數(shù)據(jù)模型還包括網(wǎng)絡拓撲屬性、室內(nèi)室外地上地下的多層屬性。

2 車輛機動車號牌機器識別的流程設計

一個完整的機動車牌照機器學習與識別系統(tǒng)是一個復雜的系統(tǒng)，通專題空間數(shù)據(jù)不是面向應用進行數(shù)據(jù)組織的，而是直接面向主題的，即根據(jù)地物數(shù)據(jù)的不同種類進行分類存儲、管理與應用分析，例如空間數(shù)據(jù)可以在應用中分為建筑、道路、河流等不同的要素類，不同的要素類有不同的屬性，如建筑是有高度、樓層等屬性，河流有長度、中心線、寬度等，道路有車道方向、高架等屬性，因此空間數(shù)據(jù)是在這種分類管理上進行綜合的分析，組織是面向組織的。車牌數(shù)據(jù)在放大縮小時，標注文字會根據(jù)地物的消失與存在進行放大縮小及退出屏幕，而不同的空間文字也進行自動的綜合。這在空間數(shù)據(jù)的管理、存儲特別是可視化繪制上是非常關鍵和重要的，對于系統(tǒng)的計算效率、顯示效率影響非常大[2]。機動車號牌識別系統(tǒng)的基本結構如圖1所示。

3 機器學習與識別算法研究

3.1 機動車號牌定位

在機動車號牌初步定位之后，偽機動車號牌已經(jīng)去除，對機動車號牌進行自動化識別的定位主要包括云端識別技術以及存儲、管理等。而機器識別則是提供這些數(shù)據(jù)的計算機處理的基本平臺，然后再綜合運用移動互聯(lián)網(wǎng)、云計算以及大數(shù)據(jù)，通過背景分割以及區(qū)域的劃分，并通過大數(shù)據(jù)進行智能化的歸類和數(shù)據(jù)挖掘與分析，提供更簡捷快速的進行定位[3]。

3.2 機動車號牌字符匹配識別

汽車車牌的二值化處理，即將灰度化的圖像轉成只有黑色和白色的圖像，這個過程是本文算法處理的必經(jīng)步驟，而且二值化處理的效果會直接影響到后續(xù)算法的效果。通常，需要選取一個合適的閥值Threshold（0到255之間）來將黑色和白色分開，即大于該閥值的背景像素設為白色（255），小于該閥值的設為黑色（0），規(guī)定二值化后的模板的大小為24x48像素。

3.3 機器識別與學習的測試平臺搭建

根據(jù)上文研究的算法，本文設計了機器學習的整個流程如圖2所示。

該機器學習的車牌識別系統(tǒng)、后臺網(wǎng)絡識別系統(tǒng)。每個大模塊又分為不同的子功能模塊，在識別過程中主要使用本終端平臺子系統(tǒng)主要包括拍照采集模塊、機載OCR模塊、查詢模塊等，同時通過移動網(wǎng)絡完成各項網(wǎng)絡數(shù)據(jù)的請求獲取以及基于終端運算能力的部分分析功能；后臺的網(wǎng)絡識別分析系統(tǒng)則基于強大的服務器的運算能力以及大型商業(yè)數(shù)據(jù)庫。

4 結語

本文采用軟件工程的思路進行相關的需求調(diào)研、可行性分析、系統(tǒng)總體設計、系統(tǒng)實現(xiàn)及測試。后期的工作中，主要研究需要更強大的數(shù)學理論，同時模型可以結合最新的機動車號牌自動化模糊識別研究在道路自動化管理中進行相關的推廣，同時吸納企業(yè)、社會的意見來進行一步改善與完善系統(tǒng)的功能和設置。

參考文獻

[1]王剛，冀小平.基于MATLAB的機動車號牌識別系統(tǒng)的研究[J].通訊世界，2015（24）：72-73.

[2]張濤，王劍魁，張國山，等.基于Cortex-A8的嵌入式機動車號牌識別系統(tǒng)設計[J].電子設計工程，2015（9）：167-170.

[3]鄧文昭.嵌入式機動車號牌識別系統(tǒng)的設計與實現(xiàn)[D].西安科技大學，2015.endprint