基于深度学习的车牌识别

朱旭辰

车牌识别是现代智能交通系统中的重要组成部分之一，对于交通安全、城市治安和实现交通自动化管理有重要意义。目前的车牌识别面临着光线、气候和车速不一的挑战，因此本文提出一种车牌检测的方法。该方法笔画宽度变换算法与深度置信网络进行结合，利用笔画宽度变换法计算图像中每一个像素的笔画宽度，将笔画宽度大致相等的相邻像素合并形成字符候选区域，并将合并形成的候选字符区域输入到深度置信网络中进行特征提取，由Softmax分类器对提取的特征进行分类。实验结果表明，本文方法提高车牌识别率。

【关键词】电车牌识别 笔画宽度变换算法 深度置信网络 特征提取

随着生活水平的提高车辆数量的增加，城市以及城市间车辆的流动不断增大，对于车辆交通的有效管理已成为人们亟待解决的问题。人工智能技术的进步，智慧城市理念的普及，使得人们对于城市车辆的管理越来越多的采用智能化和自动化的方案。车牌检测作为智慧城市中智能车辆管理系统重要的一环，其检测技术的鲁棒性、精确性将直接影响整个智能交通系统的健壮性。因此，本文主要集中在车牌检测。

邹明明[2]等人提出了模般匹配法，该方法不需要提取特征，输入图像直接与一系列的模板字符进行匹配，最终选择出与原图像最接近的模板并将其作为最终的字符识别结果。Liu[3]等人利用卷积神经网络模型CNN，是通过许多样本来训练一个能够识别中文字符的卷积神经网络，通过卷积层和采样层来提取图像的特征。

周鹏[4]提出利用支持向量机算法，先对车牌字符进行特征提取，在用支持向量机算法进行字符识别。Redmon[5] 等人将卷积神经网络和人类视觉系统原理相结合，提出了YOLO 网络：将分类问题作为回归问题处理并直接将原图像输入网络，取得了很好的效果。朱宏吉[6]提出利用深度置信网络模型DBN，对车牌字符进行特征提取，并对其进行识别。刘峰[7]等提出利用字典学习的方法对模糊车牌中文字符识别，采用基于费希尔判别准则的字典学习方法来提取中文字符的特征，为了从不同的角度对中文字符提取特征，用不同的训练样本训练三个字典学习模型，将车牌中文字符样本分别通过训练好的三个字典学习模型，从而形成三种残差信息，用softmax对三种残差信息进行整合最终得到识别结果。因此，本文将笔画宽度变换算法与深度置信网络进行结合应用到车牌识别中，旨在解决光线、气候和车速不一的问题，从而提高车牌识别的准确率。

1 笔画宽度变换

笔画宽度变换（Stroke Width Transform， SWT）是一种局部的图像操作，改操作是将计算每个像素的颜色值变换成每一个像素最有可能的笔画宽度值。首先对待检测的图像做灰度变换，得到灰度图。然后在灰度图上提取边缘信息（如使用Canny边缘检测算法）。对于生成一张空的SWT图，图中的每个像素取值为+00。对每一个边缘像素p，沿着它的梯度方向（梯度方向是指从图像灰度由小到大的方向）向前搜索对应的边缘。如果找到一个边缘q，且该边缘点梯度方向dq与p，的梯度方向dp粗略地满足：

将p，和q之间的搜索路径记为一条笔划射线，它的宽度记为该笔划射线所属笔划的宽度

。作者为SWT算法输出的SWT图上将路径上的所有点（除了值小于等于w的点）对应的像素设置为w。

2 车牌识别的流程

一个典型的车牌识别主要流程如图1所示，简單描述车牌识别的主要步骤：

2.1 预处理

一般从监控视频中获取的是包含车辆以及更多背景图片的图像，识别系统无法直接处理它们。因此，这些图像必须经过一系列的预处理，其中包括车牌截取，仿射变换，灰度化，去均值和归一化等步骤。经过预处理，中文字符图像变得更加利于后续操作。

2.2 车牌定位

利用笔画宽度变换算法提取图像中车牌字符的笔画，字符笔画是字符的基础特征，通过寻找笔画达到定位车牌字符的目的。

2.3 DBN字符识别

将从笔画宽度变换中提取出来的候选字符区域输入到深度置信网络中进行训练，从训练笔画宽度变换数据中进行学习更多隐藏特征，对字符候选区域进行验证识别。

3 实验结果和分析

为了检验本文提出的车牌识别方法的有效性，以自己制作的数据集作为测试平台进行车别识别检验试验，该数据集采集于多个交通路口的天网摄像头，然后对3000幅图像，约9000个目标进行人工标注。

从表1的实验结果可以看出，本文提出的笔画宽度变换算法与深度置信网络结合的车牌识别方法的训练时间、测试时间和识别率均优于支持向量机、深度置信网络算法的车牌识别，识别率提高了1.7%，图2显示了SWT-DBN方法在车牌数据集上的部分识别结果。

4 结论

本文提出了一种车牌识别的新方法，该方法将笔画宽度变换算法与深度置信网络进行结合，利用笔画宽度变换法计算图像中每一个像素的笔画宽度，将笔画宽度大致相等的相邻像素合并形成字符候选区域，并将合并形成的候选字符区域输入到深度置信网络中进行特征提取，由Softmax分类器对提取的特征进行分类。相比其他车牌识别算法，该方法在车牌识别中首先对字符定位，再使用深度学习模型进行特征提取，进而有更高的识别率和更好的识别稳定性。

参考文献

[1]赵莉，白猛猛.深度学习在车牌定位中的研究[J].计算机应用研究，2017，35（10）：1-8.

[2]邹明明，卢迪.基于改进模板匹配的车牌字符识别算法实现[J].国外电子测量技术，2010（01）：59-61+80.

[3]P.Liu，G.Li and D.Tu，"Low-quality License Plate Character Recognition Based on CNN."2015 8th International Symposium on Computational Intelligence and Design （ISCID）， Hangzhou，2015，pp.53-58.

[4]周鹏.基于支持向量机的车牌字符识别方法[J].数字技术与应用，2016（09）：91-93.

[5]Redmon J，Divvala S，Girshick R，et al. You only look once：unified，realtime object detection[C].Proc of IEEE Conference on Computer Vision and Pattern Recognition. Washington DC： IEEE Computer Society，2016：779-788.

[6]朱宏吉.基于深度信念网络的车牌字符识别算法研究与实现[D].浙江大学，2015：22-30.

[7]刘峰，吕颢等人.基于字典学习的模糊车牌中文字符识别[J].计算机技术与发展，2017，6：6-8.

[8]徐海良.自然场景文字检测方法研究[D].江苏南京： 南京大学，2016.

[9]宋文，肖建于.基于笔画宽度变换的自然场景文本检测方法[J].计算机工程与应用，2013，49（09）：190-192.

[10]廖翔云，许棉标.车牌照识别技术研究[J].工业控制计算机，2003，13（04）：31-35.

[11]周凯龙.基于深度学习的图像识别应用研究[D].北京工业大学，2016：22-35.

作者单位

1.西安市铁一中滨河中学 陕西省西安市 710038

2.大唐移动通信设备有限公司 陕西省西安市 710061endprint