车牌识别技术简介

付遥 文章

摘要：根据目前高速公路上车牌检测识别存在的问题，本文介绍了将深度学习网络引入到车牌检测识别的最新技术，进而解决因光照不充足、图像不清晰、车牌倾斜等因素造成的车牌识别率低的问题。

关键词：高速公路;车牌检测;深度学习

1引言

隨着社会的迅速发展，汽车工业也在进行着井喷式的发展。车牌是机动车的主要标识之一，每辆机动车的车牌号都是唯一的。所以车牌在交通管理中扮演着重要的角色，车牌识别也就成为了汽车交通领域的前沿问题。

20世纪80年代初期，车牌识别技术研究只是借助图像处理技术处理一些采集的车牌图像，无法做到自动识别。到了20世纪90年代，伴随计算机技术的发展，车牌识别技术逐渐成型，形成了图像处理、字符分割、字符识别等识别流程，相对于最初的检测方式有很大的进展，但是识别也只是停留在光照充足、图像清晰、车牌不倾斜等条件之下，一旦识别的环境较为复杂时，识别的准确性便会大大下降。

2研究方法及进展

深度学习具有自我学习的功能，主要依赖可学习的卷积核，通过反向传播算法，在大量的训练数据中进行不断的迭代，获得数据之间的分布规律，自主学习出车牌的特征，进而在实际应用中快速准确的识别车牌。

Ye Yunyang等人提出了一种基于车牌纹理特征的小波分析定位法，该方法基于车牌的纹理，对颜色变化并不敏感，所以适用于色彩变化较大的环境中。2011年，西安电子科技大学Wang Wei等，在车牌先验知识的约束下，提出了一种MSER车牌检测方法。该方法有效的确定了车牌的上下边界，再通过垂直投影确定车牌的左右边界。最近几年，我国车牌识别技术也面临因光照不足、识别场景复杂化、拍摄角度等因素带来的问题。我国的学者基于深度学习的基础提出了一些表现效果较好车牌识别算法。Wu Peiqi等为了解决汉字识别率低的问题，使用连续的卷积层对车牌图像进行卷积，提取更多的字符。我国台湾Lin等提出了一种基于Mask R-CNN的三级车牌识别系统，该系统可以用于识别不同的拍摄角度和倾斜角度在0～60度之间的车牌。Qin Gu等人提出了一种鲁棒、快速的多尺度车牌检测与定位算法，通过利用极值区域（MSER）特征来提取候选字符区域，再将每个候选字符区域划分为四种类型，根据其邻域MSER分布特征提取可疑的初始节点（左上角字符），最后根据检测到的可疑初始节点和对应的标签移动最大MSER团对每个候选字符区域进行标记完成许可检测和定位。

Gamma Kosala等人将复杂环境下的车牌检测方法分为两个阶段：车牌候选提取和车牌区域选择。在车牌候选提取阶段，先采用Sobel算子进行垂直边缘检测、闭合形态操作和连通成分分析（CCA）进行轮廓检测。然后采用卷积神经网络—支持向量机（CNN-SVM）实现车牌区域的选择，最终实现对车牌的检测识别。ZHAO Yiqun等人提出了一种基于车牌检测的车辆识别方法，该方法分为三个步骤：首先，利用图像中的道路表面或车道线等细节提取感兴趣区域。其次，利用HSV（Hue-Saturation-Value）颜色空间变换和矩形图像检测技术，从提取的感兴趣区域中滤除光照变化、阴影和杂乱背景，检测车牌信息。最后，利用检测到的车辆信息对前方车辆进行识别。Tian J 为了解决在开放环境下的车牌检测，提出了一种基于语义区域提议的方法。该方法首先从像素层次考虑，采用语义分割卷积网络进行车牌候选区域提取，为了提高分割精度，设计了增强的损失函数。然后，采用基于面向包围盒回归算法的分类回归网络进行区域验证和细化。最终实现对车牌的准确检测识别。Yuxin Shi提出了一种基于卷积神经网络和视觉特征的车牌检测算法。首先，通过人工特征提取，生成一定数量的候选包围盒。然后，将生成的包围盒作为级联卷积神经网络的输入，进行进一步的验证和回归。Dongsuk Lee提出了一种利用快速区域卷积神经网络（Faster R-CNN）和传统卷积神经网络（CNN）的方法，该方法基于快速R-CNN的模块用于从图像中检测车牌候选区域，然后基于CNN的模块用于去除候选区域中的误报，实现了一个快速、鲁棒的实时车牌检测系统。

车牌检测是车牌识别系统中的关键第一步，传统的车牌检测算法存在大角度下车牌检测精度不高的问题。East算法将车牌检测作为一个场景文本检测问题，直接预测图像中任意角度的车牌位置和倾斜信息，Biao Y等人通过改进的East网络用于车牌检测，特征提取采用PVANet加速计算，整个网络进行端到端的训练，有效避免了不必要的中间步骤，直接获取车牌区域实验结果表明，所以构造的车牌检测算法具有较好的检测效果，能够准确检测出大角度倾斜车牌的位置坐标信息，提高检测精度。字符识别的任务是将车牌图像的字符识别出来。首先对车牌上的字符进行分割，然后再对一个个字符进行识别。车牌识别的一般步骤如图1所示：

在实际场景中，通过相机或者摄像头捕捉到的车牌图像往往图像信息都不是很清晰，所以通常需要先进行图像预处理使得图像过滤噪声等因素变的清晰，常用的图像预处理方法有灰度化、二值化、直方图均衡化等。而Faster R-CNN在原来的基础上达到了更好的效果，Faster R-CNN是在2016年提出的目标检测算法，该算法在fast rcnn的基础上进行改进，提出了RPN（Region Proposal Network）候选框生产算法，大大提高了目标检测的速度。Faster R-CNN模型总体来说检测精度很高，检测的效果也比较理想。

3 结束语

本论文介绍了目前车牌检测的发展现状，并重点介绍了使用Faster R-CNN对开放式场景下的车辆车牌检测识别方法，随着深度学习更加快速的发展，此方法必将在高速公路车牌识别领域得到更广泛的推广和应用。

参考文献：

[1]YE Y， CHEN W， HU J， et al. Research on localization method of vehicle license plate based on wavelet analysis; proceedings of the 2010 International Conference on Networking and Digital Society， F 30-31 May 2010， 2010 [C].

（作者单位：中交一公局第七工程有限公司）