應用卷積神經網絡的車輛檢測與車牌定位的設計與實現

賀州學院 李貞偉

車輛特征識別算法中車牌定位的研究是近幾年來研究的重要內容，但是受光照不均勻、車牌傾斜等的影響，使其在市場上應用通用性不強，因此對車輛特征識別系統進行繼續性研究能夠帶來重大的應用價值。本文使用了當今人工智能領域最主流的卷積神經網絡算法對車輛進行檢測，并且進行車牌定位，結合百度公司的深度學習開發平臺EasyDL服務器進行遠程訓練后生成H5頁面，可以通過掃碼實現車輛位置檢測和車牌定位，分別標注為Car和License。

車輛特征識別算法中車牌定位的研究是近幾年來研究的重要內容。但是受光照不均勻、車牌傾斜等的影響，使其在市場上應用通用性不強，因此對車輛特征識別系統進行繼續性研究能夠帶來重大的應用價值。要想實現智能交通管理系統，關鍵技術在于識別車輛特征和車牌定位，目前市場上的應用場景較單一，當前市場上的相關技術對圖像的質量提出了較高的要求，否則使得識別效果較差，對于復雜背景條件下的光照變化、車牌污染、車牌遮擋、雨天霧天等條件下的識別能力還需要進一步提高優化。因此，在目前該行業的技術基礎上，開發出一款具有通用性和魯棒性的車輛識別、車牌定位系統對于智能化車輛管理具有深遠意義和應用價值。

1 卷積神經網絡的基礎知識

1.1 卷積神經網絡簡介

卷積神經網絡被認為是學習圖像內容的最佳技術之一，并且在圖像識別、分割、檢測和檢索等相關任務方面展現出了最優效果。卷積神經網絡的成功所引起的關注已超出學術界。在行業中，諸如Google，Microsoft，AT＆T，NEC和Facebook之類的公司已經建立了活躍的研究小組，以探索CNN的最新架構。目前，在很多知名的圖像處理比賽中參賽者都使用了基于深度卷積神經網絡的模型。

1.2 卷積

卷積層是由一組卷積核（每個神經元充當核）構成，卷積核與圖像相關的部分是感受野。它通過將圖像劃分成小塊（感受野）并將其與一組特定的權重進行卷積來工作，即濾波器的元素與相應的感受野的元素相乘。卷進計算的過程如公式(1)所示：

公式中f(.)代表激活函數，表示下層輸出，表示上層的輸出，k代表該層卷積核的權值，b代表該層卷積核的偏置。

1.3 池化

因為卷積運算輸出而產生的特征圖可能出現在圖像的不同位置，一旦提取特征后，只要保留相對于其他特征的近似位置，其精確位置就不在那么重要，所以可以采用池化的方式來匯總感受野附近的相似信息，并在該局部區域輸出主要響應，以此來減少網絡參數，一定程度上抑制過擬合現象。

1.4 全連接

全連接層一般分布在網絡的最后部分，主要用于分類任務，全連接層采用的是全局操作方式，這也是其與卷積層和池化層的不同之處。全連接層從它的前一層獲得輸入特征后，對所有前一層的輸出特征進行全局分析，將選定的特征進行非線性組合，然后使用softmax分類器或者SVM分類器對數據進行分類。

2 應用卷積神經網絡的車輛檢測與車牌定位的設計與實驗

2.1 數據集

本次實驗中，共采集車輛數據集圖像約3000張，然后使用隨機剪裁和鏡像翻轉技術將數據集擴增10倍后用于網絡訓練，隨機裁剪如圖1所示。

圖1 隨機裁剪

通常將獲得的數據集分為三份。

（1）訓練集(Training Dataset)：用來模型迭代訓練的數據集。

（2）驗證集(Validation Dataset)：用來預防過擬合的發生，輔助訓練過程的數據集。

（3）測試集(Test Dataset)：用來評估最終訓練好的模型性能的數據集。

2.2 網絡搭建

由圖2所示，卷積神經網絡輸入一張圖像后，先經過多個卷積層和池化層，再經過全連接層，最終在Bbox層后輸出位置坐標，在Softmax分類器后輸出預測類別。

圖2 圖像檢測過程

2.3 實驗與測試

實驗結果如圖3所示：可以有效的識別車輛信息car和位置坐標以及車牌定位，且可以準確標注物體的位置和預測概率，第一張測試圖像主要是車輛的頭部方向，其中car的預測概率為99.60%，車牌預測概率為98.39%，且用方框進行位置標注；第二張測試圖像主要是車輛的尾部方向，car的預測概率為99.13%，車牌預測概率為98.56%，可見該網絡的識別效果較好。

圖3 車輛、車牌檢測結果

本文使用了當今人工智能領域最主流的卷積神經網絡算法對車輛進行檢測，并且進行車牌定位，且車輛和車牌的識別檢測效果較好。

接下來的工作是在車輛檢測的基礎上加入行人檢測識別，使得網絡同時可以識別通過的車輛的同時也可以實現行人檢測，這樣就可以應用于高檔小區或者中小學的人車分流系統，選擇車輛通過電動閘門還是不允許通過，實現人車分流，保證人走人行通道，車走車行通道，方便安全，解決日常生活中的一些問題。