基于圖像的車牌檢測算法綜述

摘 要：基于圖像的車牌自動識別系統（LPR）是智能交通（ITS）領域中重要的一環，在高速公路、交通路口、停車場等場合發揮重要作用，能夠節省大量人力物力。基于圖像的車牌自動識別過程中，對車牌位置的檢測是第一個環節，起到關鍵作用。本文概述了車牌檢測算法的發展歷程及主要使用的算法，從傳統算法到卷積神經網絡（CNN），總結各類算法優缺點，綜述了發展方向。

關鍵詞：車牌識別;車牌檢測;卷積神經網絡;深度學習

0 引言

隨著城市現代化的發展，汽車保有量逐年增加，我國公路發展迅速，采用傳統的人工管理模式已滿足不了對車輛精細化管理的需求。基于圖像的車牌自動識別技術成為解決難題的關鍵技術之一，廣泛應用于停車場出入口、車輛違章抓拍等場景中。目前基于圖像的車牌自動識別功能大多都是嵌入到智能識別一體機里面完成，對算法的處理速度要求較高，大致可分為車牌檢測、車牌矯正、字符分割和字符識別這四個過程（如圖1所示）。其中車牌檢測是關鍵的一個環節，關系到能否捕捉到當前車輛。

我國的車牌具有顯著的特點，車牌長寬比例有明確的規定，字符特征明顯且具有規律性，對圖像中的車牌進行檢測并不是難事。因為需要車牌自動識別的地方都是存在自然環境中，環境光的影響、背景的復雜度等都是不可控的，加上算法需要在嵌入式芯片中運行，所以設計一個魯棒性強、運行速度快的車牌檢測算法并非易事。

1 傳統算法

CNN在檢測領域取得重大突破之前，大都是采用傳統的算法進行車牌的檢測，主要使用的方法有兩種，一種是基于顏色特征的檢測方法，一種基于模式識別方法。

1.1 基于顏色特征的算法

我國車牌藍黃牌居多，顏色特征明顯，通過把圖像的顏色空間轉換到HSV空間，可以快速提取出藍色區域和黃色區域，再對blob區域進行膨脹腐蝕等形態學操作，通過寬高比例等條件過濾之后，可以提取到真正的車牌位置信息。這種算法的優點就是速度快，對于成像角度很大的車牌也能提取出來，還可以附帶算出傾斜角度。但是缺點也同樣明顯，對于白牌黑牌等其它顏色車牌效果不佳，對臟污的車牌效果不好，容易受到環境光照、背景顏色等干擾，檢測召回率低。

1.2 基于有監督模型識別的算法

有監督的模式識別是對已知數據樣本的特征進行提取，建立數學模型，對給定的特征訓練分類器進行分類，相當于通過計算機去學習人類的經驗，模式識別廣泛應用于圖像分析處理。典型的模式分類方法有線性分類器（感知器、Fisher分類），非線性分類器（BP、SVM）。在車牌檢測領域，綜合效果和速度來說，用的較多的有兩種，一種是HOG特征+SVM分類器，另一種是HAAR特征+AdaBoost級聯分類器。HOG特征能很好的描述車牌字符的邊緣，HAAR特征能更好的適應圖像灰度的變化，對于環境光比較復雜的場景，HAAR特征體現了更好的魯棒性。模式識別檢測的時候使用掃窗的方式并要支持不同尺度，計算量大，優化方向主要有使用精簡的特征，根據場景的特點局部掃窗，根據車牌的特點減少檢測尺度等。模式識別對圖像的全局上下文信息學習有限，在自然環境中會存在一定的誤檢，比如檢測到了車身上的非車牌字符。

2 卷積神經網絡算法

CNN最開始在圖像分類上取得了突破性的進展，由于其出色的表現，Ross Girshick等人將其引入檢測領域并提出了RCNN網絡，效果遠遠優于傳統算法，此后基于CNN的各種優秀的檢測網絡相繼被推出，例如faster-rcnn、mtcnn、yolo、ssd等。在車牌檢測中，要兼顧精度和速度，用得較多的網絡有如下兩個：

2.1 SSD（Single Shot MultiBox Detector）

SSD[2]是一種one-stage、anchor-based的實時檢測網絡，無論目標有多少個，推理速度基本恒定，訓練時能夠學習到圖像的全局上下文信息，同時由于其多尺度檢測的特性，即使畫面中車牌比較小也可以被檢測到。優化或者替換網絡backbone后，模型大小和速度都能夠滿足在主流的嵌入式芯片上實時檢測的要求，被廣泛使用。

2.2 YOLOv3

YOLOv3[3]是YOLO系列中的第三版，是使用量較廣泛的版本，也是one-stage、anchor-based型的網絡，借鑒了SSD、FPN、多標簽分類等好的思路，平衡了精度和速度，比較容易進行網絡訓練。使用k-means算法對樣本進行聚類來確定anchor boxes的尺度，更加精準;使用三層的feature layers融合，能表達更細粒度的信息，對于小目標的檢測效果比SSD好。在圖像中車牌往往不屬于大目標，因此在工業領域中使用YOLOv3作為車牌檢測算法比較多，檢測框定位的精度要優于SSD。通過優化后，推理速度也能在主流的嵌入式芯片中達到實時。

3 結束語

基于圖像車牌檢測算法從傳統到卷積神經網絡的發展，檢測效果越來越好，魯棒性也越來越強，今后也將會在深度學習技術的不斷推動下，出現更快更好的算法，使得車牌自動識別可以在眾多的場景下做到真正的無需人工值守，精細化的管理車輛，暢通道路。

參考文獻

[1]潘秋萍，楊萬扣，孫長銀.基于Haar與MB-LBP特征的車牌檢測算法[J].東南大學學報：自然科學版，2012，042（0z1）：74-77.

[2]Liu W，Anguelov D，Erhan D，et al.SSD：Single Shot MultiBox Detector[C].european conference on computer vision，2016：21-37.

[3]Redmon J，Farhadi A.YOLOv3：An Incremental Improvement[J].arXiv：Computer Vision and Pattern Recognition，2018.

作者簡介：

覃立源（1988-），男，廣西貴港市，本科，研究方向：電子信息和圖像模式識別.