基于深度學習的車牌識別方法

劉鑫

摘 要：當前車牌識別系統已經在各種場景中有了廣泛的使用，但是對于車牌的定位和車牌字符識別的準確率都有待于提高，近年來神經網絡在字符識別中取得了不錯的效果，所以本文提出了一種基于深度學習的車牌識別方法，該方法通過SVM對車牌進行定位，通過RBFNN進行車牌的字符的分割，最后輸出車牌號碼。所提方法結合SVM和RBFNN模型可以提高車牌識別系統的識別精度。

關鍵詞：車牌識別;支持向量機;徑向神經網絡;“斷節”現象;多類SVM

0 引言

車牌識別的原理是通過使用視頻采集圖像，自動識別車輛的車牌。車牌識別在交通分析、交通執法、自動收費等各種應用中發揮著重要作用。在車牌識別方面，國內外學者已經取得了一定的研究成果。如吳攀志提出的基于POS-BP神經網絡的車牌號碼識別算法[1]，具有輸入誤差小、全局收斂速度快和識別率較高的特征。Sudhir K.Ingole等人提出了基于字符特征的印度車牌檢測與識別，采用自適應預處理方法，利用提取的字符的垂直和水平投影進行字符分割車牌，然后利用基于特征向量的K-最近鄰分類器對字符進行識別，解決了不同光照的識別問題，但是太多的字符幾何變化會導致錯誤分類，需要使用從單獨的訓練數據集中提取的不同字符字體對分類器進行訓練。

1 研究框架

在進行車牌識別的處理時，系統輸入是預先由視頻采集的圖像。然后將輸入的圖像發送到車牌檢測階段。第一步的結果將是車牌位置檢測出來。之后，將檢測成功的車牌用于字符識別階段，最后輸出分割好的字符組成車牌。具體過程如圖1所示。

在車牌檢測的過程中，首先利用圖像處理技術截取車牌的圖塊，進行人工分類后，輸入SVM中訓練，得到SVM車牌判別模型。下一步根據獲得的車牌，來生成車牌號，即字符識別過程。首先，在這幅圖塊中通過圖像處理技術獲得車牌中的所有的字符的二進制黑白小圖塊。然后利用字符段生成的大量圖塊，進行人工分類后，輸入RBFNN中訓練，得到RBFNN字符識別模型。最后，對這些小圖塊依次用訓練好的RBFNN模型進行預測，輸出它們最有可能代表的字符，排序后成為車牌字符串。

2 車牌檢測

（1）圖像預處理。此過程由六個步驟組成：灰度化，高斯模糊，Sobel運算，二值化，閉操作，輪廓處理。以車牌號為“魯C181NA”為例所生成的示例圖如圖2所示。

1）將原始圖片進行灰度化操作，這個步驟是一個分水嶺，意味著后面的所有操作都不能基于色彩信息了。2）將圖片進行高斯模糊，默認的高斯模糊的半徑是5，對圖像去噪，為邊緣檢測算法做準備。3）Sobel算子原理是對圖像求一階的水平與垂直方向導數，根據導數值的大小來判斷是否是邊緣，檢測圖像中的垂直邊緣，便于區分車牌。4）進行二值化和閉操作，目的是將車牌字母連接成為一個連通域，便于取輪廓。5）要對取出的輪廓進行尺寸判斷、角度判斷、統一尺寸等操作，然后經過偏斜角度的篩選和旋轉得到最終車牌。

3 字符識別

（1）圖像預處理。圖像預處理主要分為三個部分。第一步，將原始圖片進行灰度化和去噪處理操作;第二步，進行二值化操作，目的是將車牌字母連接成為一個連通域，便于取輪廓;第三步，進行提取輪廓，為后續字符分割做鋪。

（2）RBFNN訓練。RBFNN是一種前饋神經網絡，結構簡單，它還具有逼近最優、無局部最小、收斂速度快、拓撲結構簡單等特點。在逼近、分類和研究能力方面優于BP神經網絡，所以設計采用RBF作為車牌字符分類器。為了提高識別率，減少計算量，本文采用高斯函數作為激活函數。

（3）字符分割。分割是字符識別中最重要的環節之一。在這個步驟中，從圖像中提取感興趣的對象或其他實體以進行識別處理。在車牌字符分割中，將車牌分割成各個組成部分，分別得到字符。

在圖3中，X軸是車輛牌照圖像的列，Y軸是投影值。該圖表明，平板的垂直投影有7組規則梳狀圖，除第2、3組間距較大外，各組間距大小固定。值得注意的是，每個梳狀圖都代表一個字符，組之間的空間與字符之間的空間相對應。在二值圖像的垂直投影中，只要找到了空間位置，就確定了每個字符的位置。判斷空間的重要條件之一是投影值在空間位置為0。

4 實驗結果分析

（1）實驗分析。在表1中分別比較了多分類SVM和分級RBF與本文方法的準確度。對比以上兩種方法的準確率可以看出，本文方法在正確率上又有了進一步提高。

5 結束語

本文提出了一種基于深度學習的車牌識別方法，使用SVM和RBFNN結合進行訓練，利用垂直投影進行字符分割，從而達到識別車牌的效果。實驗結果充分證明了所提方法的有效性。

參考文獻：

[1]吳攀志.基于PSO-BP神經網絡的車牌號碼識別技術[J].中山大學學報（自然科學版），2017，13（21）：31-36.

[2]甘勝軍.利用HSV色彩空間進行車牌識別的研究[D].重慶郵電大學，2016：12-18.