SVM與MLP在車牌識別中的應用研究

張 晨

（1.華東交通大學 機電與車輛工程學院，江西 南昌 330013；2.廈門軟件職業技術學院，福建 廈門 361024）

0 引言

汽車已經逐漸成為一種普及化的產品，全球的汽車保有量處于極速增長的趨勢，這在很大程度上增加了各類交通的管理難度。隨著道路的智能化發展，交通管理朝著自動化和智能化的方向不斷發展，車牌識別的需求變得越來越大，同時對于車牌有效識別的要求也越來越高。國外的車牌識別研究開始較早，我國的車牌識別雖然已有十余年的發展，但仍處于較為初級的階段，技術水平有待進一步完善和提高［1-3］。車牌識別一般包含車牌圖像采集和預處理、車牌的定位和分割、字符識別等過程，其中車牌的定位和字符識別是十分重要的環節，直接影響到了整個系統的識別精度，因此合理的方法和模型對于提升關鍵環節的識別效率至關重要。本研究將SVM和MPL模型分別應用在車牌的定位和字符識別中，同時在分析模型的訓練和優化過程中來提升識別效率，為車牌的有效識別提供一定的參考。

1 圖像的采集和預處理

目前市面上已有很多車牌識別方案，在不同的軟硬件條件和使用場景下，車牌識別系統的工作過程略有差異。通常情況下，車牌識別系統的前端是由安裝有攝像頭、傳感器、交通信號燈等硬件設備的車輛感應區域組成的；后端是由安裝有車牌識別軟件程序和訪問控制程序的計算機系統組成。前后端通過網絡進行聯網控制。車牌圖像的采集和預處理是車牌識別的基本工作和前提。

1.1 車牌圖像采集

圖像采集技術決定了車牌圖像的質量和車牌有效識別的期望。車牌圖像的采集一般要求攝像機設備的有效拍攝范圍為3～13 m，同時需要具備能夠在白天和黑夜以及雨雪、強光、大霧等復雜環境條件下完成高分辨率圖像拍攝的能力。當車輛進入識別區域，首先由傳感器的感應回路識別并向控制系統發出信號，再由成像系統通過攝像頭進行拍攝完成車牌原始圖像的采集工作，然后通過圖像采集卡完成圖像的A/D轉換，把模擬圖像轉換成數字圖像并發送到計算機端。車牌識別程序模塊分析和處理讀取車輛的車牌號，再將車牌號以ASCII碼的形式返回給訪問控制程序，最后在車牌數據庫中進行查詢比對和完成車輛的相關授權。車輛信息將儲存在訪問數據庫中，當本次識別過程完成車輛離開識別區域后，系統將為下一輛到達的車輛做好識別的相關準備工作。

1.2 圖像預處理

圖像預處理是車牌的定位和字符識別等后續采用相關模型進行分類和識別的前提。車牌圖像預處理過程主要分為三部分：第一部分為初級處理操作，通過高斯濾波降低圖像噪聲使圖像平滑，同時對圖像灰度化處理來增強圖像的效果，再將灰度圖像轉化為二值圖像。通過處理可以將圖像易被忽略的細節部分顯現出來，以便進一步提取出圖像的特征，方便后續處理；第二部分為中級處理操作，通過Sobel算子得到車牌大致位置，再對圖像進行閉操作使車牌區域連接成一個矩形裝區域，并按照一定參數閾值篩選出圖中符合要求的車牌矩形輪廓同時調整水平。第三部分為高級處理操作，輸入的有效車牌圖片根據字符的不同將車牌上下邊切割，漢字字符進行行切分，非漢字字符進行字切分，最后再歸一化到統一尺寸格式。

2 SVM與MLP在車牌識別的分析

SVM［4］（支持向量機）是一類按監督學習方式對數據進行二元分類的廣義線性分類器。MLP［5］（多層感知器）屬于前饋人工神經網絡模型，是典型的深度學習模型。車牌的定位和字符識別關系到車牌的有效識別，如圖1所示。在車牌識別系統中通過SVM構建二分類器用于車牌的定位，字符的識別則是通過構建MLP多分類器來完成的。經過前期圖像預處理后得到的車牌候選圖片將逐一輸入到SVM模型中進行識別篩選，找出有效的車牌圖片。再經過一系列處理后，被分割的車牌字符圖片將輸入到MLP模型完成最后字符的識別和輸出。在識別的過程中，模型的效率將決定識別的精度，因此通過有效的訓練可以達到優化模型提升效率的目的。

2.1 SVM模型的訓練優化

使用SVM構建二分類器對車牌樣本進行分類，利用HOG和HAAR等方法提取樣本特征，并生成特征數據集。訓練和預測這兩個過程是獨立展開的，同時所有正負樣本圖塊都歸一化處理并整合為訓練集和測試集兩類，其中訓練集占70%，測試集占30%，再基于RBF核進行模型的訓練。在識別過程中，支持向量機將輸入向量映射到更高維的空間，構造最大分離超平面，在分隔數據超平面的每一側上構造兩個并行的超平面，分離的超平面是使兩個平行超平面之間的距離最大的超平面。這些平行超平面之間的余量或距離越大，分類器的泛化誤差就越小。此時SVM性能優化可以通過對懲罰系數C和gamma參數的調整來進行，其中懲罰系數C關系到數據子空間中調節學習效率的置信區間，即對識別誤差的寬容度，C的數值越高則越不能容忍出現誤差。最優的懲罰系數C在不同的數據子空間是不同的，系數過大易出現過擬合，系數過小則易欠出現擬合，過大和過小都會使泛化能力變差。gamma是RBF核函數關聯的一個參數，關系到數據映射到新的特征空間后樣本數據子空間分布的復雜程度。支持向量的數量會影響到模型的訓練與預測速度，gamma參數越大支持向量就越少，反之則越多。

通過訓練取得最優的懲罰系數C和gamma參數對于模型的優化極為重要。懲罰系數C和gamma參數是相對獨立的。在本論述中使用窮舉法先將懲罰系數C和gamma參數作為變量，通過對模型的訓練發現當懲罰系數取值為3時，模型的識別率達到了最優，并隨著懲罰系數的增大逐漸趨于穩定；當gamma參數的取值為4到6的區間時，模型性能達到最優，并隨著gamma參數增大，模型性能隨之下降，最終在取值14以后趨于平穩；在懲罰系數C和gamma參數等值的情況下，在4至16的取值區間內模型性能達到最優。最后選擇懲罰因子C取值為4，gamma取值為8。

2.2 MLP模型的訓練優化

圖1 SVM與MLP在車牌識別的應用

構建MLP多分類器，MLP網絡結構包含輸入層、輸出層和兩個隱層，每層之間都是全連接的，每個層中都包含一組神經元，輸入的每個神經元層由數值加權突觸連接到隱藏的節點層。隱層神經元輸出采用tanh激活函數，該函數是連續并可導的非線性函數，可以直接利用數值優化的方法來學習網絡參數，根據神經元從輸入突觸接收的刺激來指定神經元是否被激活。在實際識別場景下，將分割后的車牌字符塊樣本輸入MLP模型，不僅生成實際數據，還生成訓練數據，因此會直接影響到模型的準確性，以及模型判斷的最終結果，可以通過訓練加以改善。

訓練過程采用反向傳播方法，為了提高學習速度，定義處理元素更新的學習速率關系為ηi=η0f(M,N,K)，其中η0是當前層的整體學習率，ηi是用于更新相應網絡參數的學習速率；f(M,N,K)由下一層處理元素的輸入數量M、可更新元素輸入數量N、該元素的輸出數量K構成；f的值隨M的增加而增加，隨N的增加而減小，隨K的減小而減小。學習速率用于將處理后的輸入向量與相關的目標向量進行比較，并生成反饋控制信息，使用后向傳播來更新相應的網絡參數。將數據集輸入網絡的輸入層，基于每個輸入神經元激活函數的值，隱藏層中的一些神經元的組合層將激活。輸出神經元將輸出表示為向量，比對網絡產生的輸出與預期輸出之間的差異，并從網絡的輸出端開始向網絡的輸入端修改突觸的權重。不斷訓練優化，當網絡產生的輸出足夠接近預期的輸出時模型達到最優。

3 結束語

技術的發展日新月異，各個學科領域都在不斷發展和相互融合。隨著5G技術的發展和商用化的推進，智能化交通網絡將進一步發展。車牌識別技術涉及到機器視覺、人工智能等多個學科領域，國內外已有很多相關的研究，對于車牌識別精度的提升一直都是研究的核心內容。車牌的定位和字符識別作為車牌識別系統的重要環節，直接關系到車牌識別的精度。本論述研究利用SVM和MLP來分別完成車牌定位和字符識別的方法，根據實際情況分析了相關模型的訓練優化和效率提升，為SVM和MLP在車牌識別的應用研究提供了一種參考。