基于深度學(xué)習(xí)的車牌智能識(shí)別方法

饒文軍，谷玉海，朱騰騰，黃艷庭

（北京信息科技大學(xué) 現(xiàn)代測控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100192）

車牌識(shí)別過程一般包括車牌定位、車牌字符分割、車牌字符識(shí)別等3個(gè)主要步驟［1］。針對實(shí)現(xiàn)車牌定位方法，楊鼎鼎等［2］提出了一種首先通過車牌背景和字符固定顏色對車牌進(jìn)行粗定位，然后采用改進(jìn)的Canny邊緣檢測算法對粗定位的車牌區(qū)域進(jìn)行邊緣檢測，并通過投影定位法和車牌的幾何特征完成車牌的定位。李良榮等［3］針對高速公路中車牌識(shí)別問題，采用Sobel算子和HSV定位相結(jié)合的方法實(shí)現(xiàn)車牌定位、SIFT算法對車牌進(jìn)行特征提取，并通過基于SVM算法實(shí)現(xiàn)車牌的字符識(shí)別。羅山等［4］中提出了一種將形態(tài)學(xué)與顏色信息相結(jié)合的車牌定位方法。

以上方法各具有優(yōu)缺點(diǎn)：基于顏色進(jìn)行定位的方法，在車牌和車身顏色較接近時(shí)定位效果不理想，容易將車身的某些部位誤判為車牌；基于邊緣信息檢測的方法容易將車燈等閉合區(qū)域誤判為車牌。將幾種方法結(jié)合起來，雖然在一定程度上能夠提高車牌的定位準(zhǔn)確率，但是在一些較模糊的環(huán)境下還是難以取得良好的定位效果。

對于車牌字符分割，從目前的實(shí)際測試效果來看，如果車牌比較清晰，車牌字符分割一般比較準(zhǔn)確，但是如果對在霧天等不良天氣環(huán)境下以及夜晚得到的較模糊的車牌進(jìn)行分割時(shí)就會(huì)出現(xiàn)很多錯(cuò)誤。同時(shí)由于目前車牌字符分割主要是采用水平投影尋找外輪廓的方法，但是這種方法容易在分割時(shí)出現(xiàn)錯(cuò)誤，比如“川”字是車牌字符分割中最容易出現(xiàn)分割錯(cuò)誤的，很容易將“川”字分割成多塊，如果出現(xiàn)這種情況就無法識(shí)別或識(shí)別錯(cuò)誤。為優(yōu)化車牌識(shí)別流程和提高識(shí)別準(zhǔn)確率，直接將定位得到的車牌進(jìn)行識(shí)別，能夠有效解決上述問題。相比之下，基于自由分割的車牌分割方法不再需要車牌分割過程。Bulan等［5］提出了一種基于隱馬爾可夫模型的概率差分方法，解決了光學(xué)字符的分割和識(shí)別問題，Li等［6］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）的無分割LPR框架，利用滑動(dòng)窗口對特征數(shù)組進(jìn)行解壓縮。文獻(xiàn)［7］提出的模型可以通過CNN直接提取整個(gè)車牌的特征，相比文獻(xiàn)［6］中的模型，文獻(xiàn)［7］提出模型更簡單有效。雖然這些基于無分割的方法避免了分割時(shí)間過長的問題，但是由于各種噪聲的干擾，其在自然場景下的分割精度仍然不理想。

本文提出了一種端對端的一種車牌智能識(shí)別方法。對圖片車輛中的車牌直接定位后，不需要對車牌進(jìn)行字符分割，直接將定位后得到的車牌送入設(shè)計(jì)的一種統(tǒng)一的漢字、字母、數(shù)字識(shí)別框架進(jìn)行訓(xùn)練與識(shí)別。整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，由5部分組成：①首先采用Yolov3網(wǎng)絡(luò)對圖片中的車牌直接進(jìn)行定位，為后面車牌識(shí)別做準(zhǔn)備；②STN網(wǎng)絡(luò)能夠?qū)Χㄎ坏玫降膬A斜車牌進(jìn)行有效的校正，該網(wǎng)絡(luò)能夠根據(jù)任務(wù)自適應(yīng)地將數(shù)據(jù)進(jìn)行空間變換；③改進(jìn)后的CNN網(wǎng)絡(luò)能夠從STN校正后的圖片中提取時(shí)序特征；④根據(jù)提取的序列特征，采用雙向遞歸神經(jīng)網(wǎng)絡(luò)（BRNN）對序列標(biāo)簽進(jìn)行識(shí)別；⑤采用時(shí)序分類網(wǎng)絡(luò)（CTC）對BRNN的輸出進(jìn)行解碼，得到最終的識(shí)別結(jié)果。

圖1 整體網(wǎng)絡(luò)結(jié)構(gòu)

本文設(shè)計(jì)的網(wǎng)絡(luò)有以下幾個(gè)優(yōu)點(diǎn)：①Yolov3網(wǎng)絡(luò)能夠?qū)Ω鞣N復(fù)雜環(huán)境下的各種顏色車輛的車牌進(jìn)行準(zhǔn)確的定位，而且平均是識(shí)別時(shí)間在20 ms左右，與傳統(tǒng)方法相比，不但能夠提高準(zhǔn)確率，而且具有更快的定位速度；② 由STN網(wǎng)絡(luò)、改進(jìn)的CNN網(wǎng)絡(luò)、BRNN網(wǎng)絡(luò)和CTC網(wǎng)絡(luò)組成的車牌圖片特征提取和識(shí)別模塊能夠直接識(shí)別出定位的車牌中的字符，能夠有效避免傳統(tǒng)車牌識(shí)別方法中車牌分割不準(zhǔn)確對整個(gè)識(shí)別效果產(chǎn)生的影響；③相比傳統(tǒng)方法，整個(gè)網(wǎng)絡(luò)的平均運(yùn)行時(shí)間可以縮短至33ms左右，包括Yolov3車牌定位時(shí)間和后續(xù)車牌識(shí)別時(shí)間，平均識(shí)別準(zhǔn)確率能夠達(dá)到96%左右，而且環(huán)境適應(yīng)能力強(qiáng)，具有廣泛的應(yīng)用場景。

1 Yolov3車牌檢測模塊

Yolov3［8］中使用了一個(gè)53層的卷積網(wǎng)絡(luò)，相比于Yolov2，Yolov3由殘差單元疊加而成，去除MaxPool層，并用卷積核為3*3、步長為2的卷積代替；在分類得分函數(shù)上，Yolov3用Softmax代替Yolov2的zgimod函數(shù)，使得Yolov3擁有多標(biāo)簽分類的能力，Yolov3采用3個(gè)尺度特征融合進(jìn)行物體檢測定位，并使用K-means聚類產(chǎn)生9個(gè)先驗(yàn)框作為bounding box的初始尺寸，加快收斂速度，提高檢測精度。在分類準(zhǔn)確度、效率的平衡上，這個(gè)模型比ResNet-101、ResNet-152和Darknet-19表現(xiàn)得更好，相比于FasterRcnn物體檢測網(wǎng)絡(luò)，該網(wǎng)絡(luò)檢測精度更高、速度更快。經(jīng)過測試Yolov3網(wǎng)絡(luò)的車牌檢測準(zhǔn)確率達(dá)到98%，單張?jiān)瓐D車牌定位滿足實(shí)時(shí)檢測的需求。Yolov3所定位出的車牌信息完整，完全可用于后續(xù)的車牌字符識(shí)別。本文使用Yolov3網(wǎng)絡(luò)車牌檢測示例如圖2所示。

圖2 Yolov3定位車牌示例

2 圖像特征卷積提取模塊

2.1 STN網(wǎng)絡(luò)結(jié)構(gòu)

圖3表示為STN模塊示意圖，STN網(wǎng)絡(luò)模塊是一個(gè)獨(dú)立模塊，可應(yīng)用于任何CNN網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，能夠?qū)嚺平嵌扔行Ｕ?，同時(shí)可以提高車牌識(shí)別的準(zhǔn)確率。STN網(wǎng)絡(luò)主要分為3個(gè)模塊。首先，輸入車牌圖片數(shù)據(jù)經(jīng)過本地網(wǎng)絡(luò)（localisation network）生成仿射變換所需要的6個(gè)參數(shù) θ1、θ2、θ3、θ4、θ5、θ6，依賴于該網(wǎng)絡(luò)產(chǎn)生的6個(gè)變換參數(shù)，經(jīng)過網(wǎng)格生成（grid genator）生成采樣網(wǎng)絡(luò)，然后采樣器（sampler）通過采樣網(wǎng)絡(luò)對原圖進(jìn)行采樣，輸出變換后的圖像。

圖3 STN算法流程

2.1.1 本地網(wǎng)絡(luò)（localisation network）

本地網(wǎng)絡(luò)是一個(gè)用來回歸變換參數(shù)θ的網(wǎng)絡(luò)，該網(wǎng)絡(luò)的具體參數(shù)見表1，其中，F(xiàn)ilters為卷積核數(shù)，K為卷積核大小，S為步長，P為padding參數(shù)。它的輸入是灰度圖像，然后經(jīng)過一系列的隱藏網(wǎng)絡(luò)層，最后輸出空間變換參數(shù)。θ的形式可以多樣，如需實(shí)現(xiàn)2D仿射變換，θ就是一個(gè)6維（2×3）向量的輸出。θ的尺寸大小依賴于變換的類型，本文輸入是2D圖像，需實(shí)現(xiàn)2D仿射變換。在這里，該網(wǎng)絡(luò)輸出一個(gè)2×3的矩陣如式（1）所示，表示為Aθ，即：

表1 本地網(wǎng)絡(luò)參數(shù)

2.1.2 網(wǎng)格生成器（grid generator）

網(wǎng)格生成器［9］（Grid Generator）是依據(jù)預(yù)測的變換參數(shù)來構(gòu)建一個(gè)采樣網(wǎng)格，它是一組輸入圖像中的經(jīng)過采樣變換后得到的輸出。其實(shí)，網(wǎng)格生成器得到的是一種映射關(guān)系Tθ。假設(shè)輸入圖像的每個(gè)像素的坐標(biāo)為，STN輸出的每個(gè)像素坐標(biāo)為，空間變換函數(shù)Tθ為二維仿射變換函數(shù)，那么的對應(yīng)關(guān)系可以表示為：

2.1.3 采樣器（sampler）

采樣器在網(wǎng)絡(luò)生成器所得到的映射關(guān)系的基礎(chǔ)上對輸入圖像特征進(jìn)行采樣，得到經(jīng)過空間變換達(dá)到校正效果的圖像特征，所用的采樣方法為雙線性插值法，這是一個(gè)可微分的過程，通過端對端的學(xué)習(xí)優(yōu)化本地網(wǎng)絡(luò)參數(shù)。

2.2 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)［10］在圖像識(shí)別領(lǐng)域具有廣泛的應(yīng)用，隨著卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，相繼提出許多優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)模型，為了解決過擬合問題，Srivastava等［11］提出Dropout算法，該算法用于卷積神經(jīng)網(wǎng)絡(luò)，能有效解決過擬合問題。為了加快收斂速度，Batch Normalization［12］被提出并成功應(yīng)用于神經(jīng)網(wǎng)絡(luò)。Min Lin等［13］首次提出1*1卷積，為網(wǎng)絡(luò)加入非線性因素，提升了網(wǎng)絡(luò)的表達(dá)能力，還能用于降維，減少網(wǎng)絡(luò)計(jì)算量。ResNets［14］深度卷積神經(jīng)網(wǎng)絡(luò)中使用了殘差模塊，該模塊能有效解決網(wǎng)絡(luò)加深而帶來的梯度消失以及梯度爆炸等問題。為實(shí)現(xiàn)車牌實(shí)時(shí)檢測、識(shí)別的需求，本文設(shè)計(jì)了一個(gè)輕量級的卷積神經(jīng)網(wǎng)絡(luò)用于提取車牌特征。本文所提出的一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)如圖4所示，中間加入2個(gè)殘差網(wǎng)絡(luò)結(jié)構(gòu)，相比于只使用其中一個(gè)殘差網(wǎng)絡(luò)，2個(gè)殘差網(wǎng)絡(luò)能使網(wǎng)絡(luò)收斂更快，更不易發(fā)生梯度消失。

圖4 改進(jìn)CNN網(wǎng)絡(luò)

殘差網(wǎng)絡(luò)的結(jié)構(gòu)如圖5所示，該殘差網(wǎng)絡(luò)可有效防止梯度消失和減少在卷積過程中的特征損失。在整個(gè)網(wǎng)絡(luò)當(dāng)中還加入了1*1卷積，為神經(jīng)網(wǎng)絡(luò)加入非線性，提升網(wǎng)絡(luò)表達(dá)能力，在神經(jīng)網(wǎng)絡(luò)當(dāng)中還加入了Batch Normalization層，可有效提升網(wǎng)絡(luò)性能，加快收斂速度。使用Leaky ReLU作為激活函數(shù)，相比于ReLU［15］，其函數(shù)曲線負(fù)半軸的值不為0，梯度不為0，能有效防止梯度消失問題。該網(wǎng)絡(luò)最后輸出的圖片特征的高度1、寬度為27、深度為1 024。表2給出了該卷積神經(jīng)網(wǎng)絡(luò)的細(xì)節(jié)參數(shù)，表3與表4分別給出了Residual-1和Residual-2的細(xì)節(jié)參數(shù)，其中，F(xiàn)ilters為卷積核數(shù)，K為卷積核大小，S為步長，P為padding參數(shù)，步長為2×1的卷積是為了壓縮高度尺寸，使最后所得到的特征圖的高度尺寸為1。

圖5 Residual網(wǎng)絡(luò)

表2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)

表3 Residual-1參數(shù)

表4 Residual-2參數(shù)

3 序列識(shí)別模塊

3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)（BRNN）

RNN［16］網(wǎng)絡(luò)常被用于處理文本及音頻的時(shí)序處理，在序列文本識(shí)別鄰域，能根據(jù)上下文信息輸出正確識(shí)別結(jié)果，但RNN在處理較長文本信息時(shí)容易出現(xiàn)梯度消失問題，造成網(wǎng)絡(luò)難以收斂，訓(xùn)練困難；LSTM是RNN的變體，不同于RNN網(wǎng)絡(luò)，LSTM［17］是一個(gè)長期記憶網(wǎng)絡(luò)，在處理時(shí)序問題時(shí)會(huì)考慮前面所有時(shí)刻信息，選擇性的保留和遺忘某些狀態(tài)信息；而RNN網(wǎng)絡(luò)只會(huì)考慮就近時(shí)刻細(xì)胞狀態(tài)信息，所以LSTM更適合處理序列文本信息；BRNN［18］系列是一種雙向遞歸神經(jīng)網(wǎng)絡(luò)，處理文本信息時(shí)不僅能考慮前文信息，還能考慮后文信息，輸出正確結(jié)果。車牌識(shí)別就是一個(gè)不定長文本識(shí)別過程，因此本文選擇BLSTM做為車牌識(shí)別模塊。

本文序列識(shí)別模塊含有2層BLSTM網(wǎng)絡(luò)，每一層LSTM網(wǎng)絡(luò)含有512個(gè)隱藏單元，既每一個(gè)LSTM單元的輸出深度為512，則每層BLSTM的輸出深度為1 024，最后一層BLSTM的輸出接2層全連接層，第一層全連接的深度為1 024，第二層全連接的深度為68（車牌字符類別數(shù)），2層全連接之間使用Dropout層防止過擬合，序列識(shí)別模塊結(jié)構(gòu)如圖6所示。

圖6 BRNN網(wǎng)絡(luò)結(jié)構(gòu)

3.2 時(shí)序連接網(wǎng)絡(luò)（CTC）

CTC［19］主要是BLSTM網(wǎng)絡(luò)的輸出進(jìn)行解碼，預(yù)測最終的識(shí)別結(jié)果。通過使用softmax層，CTC將BRNN的輸出轉(zhuǎn)換成一個(gè)序列。

在CTC網(wǎng)絡(luò)中擁有一個(gè)softmax輸出層，其輸出的個(gè)數(shù)為|L|+1，L是標(biāo)簽元素的集合，額外還有一個(gè)“空白”標(biāo)簽。這些輸出定義了將所有可能的標(biāo)簽序列與輸入序列對齊的所有可能路徑的概率。任何一個(gè)標(biāo)簽序列的總概率可以通過對其不同排列的概率求和得到。

首先，對于一條可行的路徑p（π｜x）對應(yīng)路徑上各個(gè)時(shí)刻輸出預(yù)測概率的乘積。其定義為：

式中：π表示的是有BLSTM的輸出組成的序列路徑；yπt則是對應(yīng)于t時(shí)刻的BLSTM的輸出；T表示輸入序列的長度；L′T＝LU｛blank｝。

在此基礎(chǔ)上還定義了一個(gè)多對一的映射函數(shù)β，它的職責(zé)就是去除“空白”標(biāo)簽與重復(fù)的標(biāo)簽，如：β（a-aab-）＝β（-aa-aab-）＝aab。因而給定的一個(gè)標(biāo)簽，其輸出概率就可以描述為式（4）所有可行路徑概率相加和的形式，即：

在上述的內(nèi)容中已經(jīng)得到了一個(gè)序列標(biāo)簽的輸出條件概率，通過式（5）求解argmax找到輸入數(shù)據(jù)最匹配的標(biāo)簽。

4 實(shí)驗(yàn)結(jié)果分析

4.1 車牌數(shù)據(jù)及實(shí)驗(yàn)環(huán)境介紹

本文所使用的車牌實(shí)驗(yàn)數(shù)據(jù)來自真實(shí)場景以及仿造車牌，仿造部分車牌數(shù)據(jù)集，以加強(qiáng)網(wǎng)絡(luò)對車牌字符特征的學(xué)習(xí)，仿造車牌數(shù)據(jù)集樣本如圖7所示。實(shí)驗(yàn)使用GPU為NVIDIA GeForce GTX 1080 Ti，CPU為Intel（R）Core（TM）i5-8500＠3.00GHZ。真實(shí)場景車牌數(shù)據(jù)集取自多個(gè)交通路口攝像頭所拍圖片，共取包含陰天、霧天、背光、陰影等多種復(fù)雜環(huán)境圖片5 000余張，經(jīng)Yolov3訓(xùn)練，共定位截取10 000余張車牌圖片用于后續(xù)車牌識(shí)別訓(xùn)練、測試，訓(xùn)練集包括真實(shí)的車牌8 000張，以及仿造車牌10 000余張，合計(jì)18 000余張；測試集為2 000張真實(shí)車牌。

圖7 仿造車牌

4.2 實(shí)驗(yàn)分析

本文用車牌識(shí)別準(zhǔn)確率ACC以及車牌識(shí)別平均損失Loss評價(jià)模型。ACC表示模型識(shí)別車牌的準(zhǔn)確率，該參數(shù)反映了模型正確識(shí)別車牌的個(gè)數(shù)，Loss表示為車牌識(shí)別的平均損失，反映了模型不能正確識(shí)別車牌字符的個(gè)數(shù)。ACC越大，Loss越小，則模型越好。

4.2.1 STN分析

STN在該網(wǎng)絡(luò)當(dāng)中充當(dāng)車牌校正的作用，在網(wǎng)絡(luò)中通過端對端的訓(xùn)練，不斷改進(jìn)本地網(wǎng)絡(luò)（location network）的參數(shù)，能使網(wǎng)絡(luò)更好地識(shí)別車牌，圖8給出了車牌經(jīng)STN網(wǎng)絡(luò)處理后的效果圖，STN網(wǎng)絡(luò)有效過濾了車牌周圍的噪聲干擾，使車牌更易于識(shí)別，同時(shí)還起到了校正作用。表5給出了移除STM網(wǎng)絡(luò)時(shí)與增加STN網(wǎng)絡(luò)時(shí)的車牌識(shí)別精度（ACC）以及車牌識(shí)別的平均損失（Loss）。數(shù)據(jù)表明STN網(wǎng)絡(luò)能有效提升車牌識(shí)別網(wǎng)絡(luò)的性能。

圖8 STN效果圖

表5 STN分析

4.2.2 CNN結(jié)構(gòu)分析

為驗(yàn)證本文CNN網(wǎng)絡(luò)的優(yōu)越性，對如下卷積模型做車牌識(shí)別精度（ACC）與平均損失（Loss）對比。CNN1為本文CNN模型去除CNN網(wǎng)絡(luò)的1*1卷積與CNN模型最后的3*3卷積，其余車牌識(shí)別模塊不變而產(chǎn)生的模型；CNN2為移除本文CNN模型最后的1*1與3*3卷積而得模型；CNN3為本文CNN模型移除殘差結(jié)構(gòu)所得模型。表6給出了不同卷積模型的參數(shù)對比，本文模型車牌識(shí)別精度最高，平均損失最小，表明本文網(wǎng)絡(luò)具有最優(yōu)性能。

表6 不同卷積模型訓(xùn)練參數(shù) %

4.2.3 BLSTM結(jié)構(gòu)分析

為了表明本文BLSTM的層數(shù)以及隱藏元（hidden units）數(shù)的合理性，表7給出了本文網(wǎng)絡(luò)在無STN網(wǎng)絡(luò)時(shí)，1層BLSTM、2層BLSTM和3層BLSTM在隱藏元數(shù)為128、256、512、1 024時(shí)車牌識(shí)別準(zhǔn)確率及車牌識(shí)別的平均損失，n-unit表示BLSTM在隱藏元數(shù)，ACC表示識(shí)別準(zhǔn)確率，Loss表示識(shí)別平均損失，n-layer表示BLSTM的層數(shù)；由于前面已經(jīng)驗(yàn)證了STN網(wǎng)絡(luò)的必要性，為了提升訓(xùn)練收斂速度，此處網(wǎng)絡(luò)驗(yàn)證時(shí)將不再加入STN網(wǎng)絡(luò)，通過以此獲取的實(shí)驗(yàn)參數(shù)反映本文所選取BLSTM參數(shù)的合理性，3層BLSTM時(shí)，車牌識(shí)別網(wǎng)絡(luò)的收斂速度遠(yuǎn)慢于2層BLSTM和一層BLSTM，結(jié)果表面本文網(wǎng)絡(luò)所選擇的2層BLSTM、512隱藏元是最合理的方案。

表7 BLSTM分析

4.2.4 FC_layer分析

為了選取最佳全連接的層數(shù)，表8給出了本文網(wǎng)絡(luò)在無STN網(wǎng)絡(luò)時(shí)，1層全連接（one-FC）、2層全連接（two-FC）、3層全連接（three-FC）的車牌識(shí)別準(zhǔn)確率以及模型識(shí)別車牌的平均損失，通過以此獲取的實(shí)驗(yàn)參數(shù)即可反映本文網(wǎng)絡(luò)所選取的全連接參數(shù)的合理。ACC表示在相應(yīng)模型下車牌識(shí)別的準(zhǔn)確率，Loss表示在相應(yīng)模型下車牌識(shí)別的平均損失，F(xiàn)1表示第1層全連接的輸出深度，F(xiàn)2表示第2層全連接的輸出深度，F(xiàn)3表示第3層全連接的輸出深度結(jié)果證明本文模型擁有最優(yōu)性能。

表8 全連接層分析

4.2.5 傳統(tǒng)基于opencv車牌識(shí)別分析

傳統(tǒng)車牌識(shí)別的一般流程為車牌檢測、車牌矯正、字符分割、字符識(shí)別，該車牌識(shí)別流程為順序結(jié)構(gòu)，前一個(gè)過程的車牌處理的效果將會(huì)影響后續(xù)的車牌處理效果，最終影響車牌識(shí)別準(zhǔn)確率，如車牌矯正的效果對字符分割有很大的影響，而字符的正確分割是正確識(shí)別車牌的前提。一環(huán)扣著一環(huán)，任何一環(huán)出現(xiàn)問題都將不能正確識(shí)別車牌，且在傳統(tǒng)車牌識(shí)別過程中需要人工調(diào)節(jié)許多參數(shù)，不同的環(huán)境所需的參數(shù)不盡相同，傳統(tǒng)車牌識(shí)別過程復(fù)雜且參數(shù)調(diào)節(jié)困難不適合應(yīng)用于復(fù)雜環(huán)境。葛笑飛［20］給出了基于opencv的傳統(tǒng)車牌識(shí)別結(jié)果，其結(jié)果如表9所示，相較于傳統(tǒng)車牌識(shí)別方法，本文車牌識(shí)別方法能取得較高的車牌識(shí)別準(zhǔn)確率，不需要人工調(diào)節(jié)參數(shù)，且適合復(fù)雜環(huán)境下的車牌識(shí)別。

表9 基于opencv車牌識(shí)別分析

5 結(jié)論

本文提出了一種基于Yolov3-STN-CNNBRNN-CTC深度神經(jīng)網(wǎng)絡(luò)模型的端對端智能車牌識(shí)別方法。與傳統(tǒng)方法相比，有效簡化了車牌定位識(shí)別的流程。經(jīng)過驗(yàn)證對比，本文所提出的方法受環(huán)境影響較小，能夠在陰天、霧天、背光、陰影等各種復(fù)雜的環(huán)境下識(shí)別車牌序列，并且識(shí)別的準(zhǔn)確率和速度都有很大的提升。在一定程度上有效解決了目前車牌識(shí)別方法受環(huán)境影響大、魯棒性差等問題，具有廣泛的應(yīng)用場景。由于目前還沒有公開的車牌數(shù)據(jù)集，因此本文中訓(xùn)練使用的數(shù)據(jù)有限，在一定程度上影響了最終的測試效果。后續(xù)工作會(huì)對網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化，并增加數(shù)據(jù)集圖片數(shù)量，車牌識(shí)別的準(zhǔn)確率將會(huì)有進(jìn)一步的提升。