论文部分内容阅读
摘 要：目前，汽车成为人们出行的必要工具，世界各个国家的汽车保有量也在逐年上升，对汽车的管理同时也成为城市治理的一大难题，而对汽车的首要信息判别就是通过车牌的识别来获取。车牌通常是由汉字、英文、数字等简单的字符排列组成，所以说车牌的识别归根结底就是对字符的识别。近年来，随着机器学习的不断发展，深度学习越来越受到大家的关注，国内外很多高校设置专门的学习对其进行深入研究，深度学习的飞速发展同时也大大提升了字符识别准确性和快速性。在市场应用需求以及学术研究的共同推动下，目前深度学习已经成为解决字符识别问题的主流方法，而字符识别的研究内容难度也在逐步提升。本文主要从以下几个方面浅谈深度学习下的车牌识别技术。
关键词：深度学习;字符识别
在经济快速发展的今天，中国人民生活水平不断提高，同时汽车数量的激增给社会管理带来了大量的问题，如交通事故频发、交通堵塞、汽车尾气污染等等，但这些问题的解决尤其是其中交通问题的根本解决单纯依靠大规模的道路建设是远远不够的，还是需要交通系统发挥其作用来解决问题，这其中，车牌识别系统是一个非常重要的系统。车辆识别系统能够对获得的车辆图像信息进行分析，识别出车辆牌照的位置，并进一步识别出车牌号码。这就对以后的车辆管理提供的有力的依据。
一、深度学习相关概述：
深度学习（deep learning）是人工智能（AI）的子领域，也是机器学习（machine learning）的子领域。人工神经网络（ANNs）是一种受到人类大脑功能和结构的启发而创造的机器学习算法，它可以从数据中学习，并且擅长模式识别。而深度学习属于ANN算法族，并且在大多数情况下这两个术语可以互换使用。
在计算机视觉领域，传统的机器学习算法一般通过手动定义的算法来量化和编码图像的特征。也就是说先输入图像的像素，然后将手动定义的算法作用于这些像素来获得量化图像的特征向量。图像像素本身不是關注点，图像的特征向量才是关注点，因为它是机器学习模型的输入。深度学习则不同。图像特征是从训练过程中自动学习得到的，而非是通过手动定义一系列的规则、算法来从图像中提取特征。与传统机器学习不同，深度学习将特征提取与特征的应用结合在网络结构中，利用数据进行驱动，因而能够获得更好的结果。
二、车牌定位
车牌定位在整个车牌识别过程中起着非常关键的作用，要想提升车牌识别的准确率，就应该首先准确的获取要识别的车牌区域。目前，车牌定位的算法有很多，现有的方法大概分为四类：基于边缘、基于颜色、基于纹理以及基于字符。传统的基于边缘的定位算法在实际应用过程中会存在很大的干扰信息，比如说光线太暗时，待定位的车牌区域就很难通过这种方法区分开，就导致识别率大大降低。虽然基于边缘的方法计算速度快，但不能应用于复杂的图像，因为它们对不需要的边缘太敏感。基于纹理的定位算法对于车牌图像变形以及光线不均匀等情况，有很好的定位效果，但是对于噪声很大车牌图像，这种方法就不能很好的完成定位功能。因为车牌的颜色通常不同于车身的颜色，基于颜色的定位算法就是利用这一原理对车牌进行定位，但是这种方法对自然场景中的光线非常敏感，很难在夜间或者阴雨天等对车牌进行定位;虽然基于字符的定位算法相比较以上四种方法来说，有很大的优势，但是其性能还是在很大程度上会受到图像背景中其他文本的影响。综上所述，在车牌定位的过程中，通常采用基于车牌灰度图的目标检测算法来对车牌进行定位。
三、车牌字符分割
定位完以后的车牌，还是一个整体的图像，要想准确的识别出车牌上的每一个字符，就要对车牌图像进行字符分割，拆成一个个的字符，所以说字符分割是否合理，很大程度上会影响字符的正确识别。通常情况我们常采用垂直投影法对车牌字符进行分割，即就是将二值化以后的车牌图像进行垂直方向上的投影，根据投影峰值划分车牌的单个字符。具体来说就是车牌具有相邻字符间间隔距离相同的特点，根据这一特点，二值化处理后的车牌图像就很容易计算出字符的宽度以及相邻字符间的距离，这样就能定位出每一个字符的左右边界和上下边界。
四、车牌字符识别
字符识别就是整个车牌识别的核心步骤，目前基于模板匹配的字符识别很受大家的青睐。所谓模板匹配，其实就是将一个图像变换到另一个图像的坐标系下的过程，通俗讲就是给定一个图像，然后到另一个图像中去查找这一个图，如果能够查找的到，那么就算是匹配成功了。但是对于机器学习来说，要想实现匹配算法，首先要对图像进行预处理。模板匹配的重点就是提取与选择特征值，在国内，汽车车牌都是按照一定的规律顺序排列的，第一个字符是各省的汉字简称，第二个字符是大写的英文字符，后面的五个字符则是由阿拉伯数字和英文字母组成。综上所述，车牌识别的模板库可以分为汉字字符库、阿拉伯数字字符库和英文字母字符库。在这里，同时也要对模板库提出要求，因为实际拍摄到的车牌，很大情况下都会产生变形已经污损等情况，除了对车牌预处理来尽量消除这些不利因素对识别效果的影响以外，还需要增加模板库的种类，为每一个字符准备多个标准的模板，并且这些模板能够尽可能多的包含常见的变形字符，模板库的合理选择与使用能够大大提升车牌字符识别的准确率。
五、总结
大量的实验结果表明，基于深度学习的车牌识别技术很够快速、准确的完成车牌识别任务，再加之大数据技术，就能够对大量的车辆信息进行处理，这对以后道路交通管理以及城市管理有很大的推动作用。
参考文献：
[1]马小燕. 车辆牌照智能识别若干关键技术的研究[D].西安电子科技大学，2011
[2]李兵[1，2]， 易嘉闻[1，2]， 黄锋[1，2]，等. 基于TensorFlow深度学习的车牌识别算法研究[J]. 成都工业学院学报， 2018， 021（004）：P.28-33.
关键词：深度学习;字符识别
在经济快速发展的今天，中国人民生活水平不断提高，同时汽车数量的激增给社会管理带来了大量的问题，如交通事故频发、交通堵塞、汽车尾气污染等等，但这些问题的解决尤其是其中交通问题的根本解决单纯依靠大规模的道路建设是远远不够的，还是需要交通系统发挥其作用来解决问题，这其中，车牌识别系统是一个非常重要的系统。车辆识别系统能够对获得的车辆图像信息进行分析，识别出车辆牌照的位置，并进一步识别出车牌号码。这就对以后的车辆管理提供的有力的依据。
一、深度学习相关概述：
深度学习（deep learning）是人工智能（AI）的子领域，也是机器学习（machine learning）的子领域。人工神经网络（ANNs）是一种受到人类大脑功能和结构的启发而创造的机器学习算法，它可以从数据中学习，并且擅长模式识别。而深度学习属于ANN算法族，并且在大多数情况下这两个术语可以互换使用。
在计算机视觉领域，传统的机器学习算法一般通过手动定义的算法来量化和编码图像的特征。也就是说先输入图像的像素，然后将手动定义的算法作用于这些像素来获得量化图像的特征向量。图像像素本身不是關注点，图像的特征向量才是关注点，因为它是机器学习模型的输入。深度学习则不同。图像特征是从训练过程中自动学习得到的，而非是通过手动定义一系列的规则、算法来从图像中提取特征。与传统机器学习不同，深度学习将特征提取与特征的应用结合在网络结构中，利用数据进行驱动，因而能够获得更好的结果。
二、车牌定位
车牌定位在整个车牌识别过程中起着非常关键的作用，要想提升车牌识别的准确率，就应该首先准确的获取要识别的车牌区域。目前，车牌定位的算法有很多，现有的方法大概分为四类：基于边缘、基于颜色、基于纹理以及基于字符。传统的基于边缘的定位算法在实际应用过程中会存在很大的干扰信息，比如说光线太暗时，待定位的车牌区域就很难通过这种方法区分开，就导致识别率大大降低。虽然基于边缘的方法计算速度快，但不能应用于复杂的图像，因为它们对不需要的边缘太敏感。基于纹理的定位算法对于车牌图像变形以及光线不均匀等情况，有很好的定位效果，但是对于噪声很大车牌图像，这种方法就不能很好的完成定位功能。因为车牌的颜色通常不同于车身的颜色，基于颜色的定位算法就是利用这一原理对车牌进行定位，但是这种方法对自然场景中的光线非常敏感，很难在夜间或者阴雨天等对车牌进行定位;虽然基于字符的定位算法相比较以上四种方法来说，有很大的优势，但是其性能还是在很大程度上会受到图像背景中其他文本的影响。综上所述，在车牌定位的过程中，通常采用基于车牌灰度图的目标检测算法来对车牌进行定位。
三、车牌字符分割
定位完以后的车牌，还是一个整体的图像，要想准确的识别出车牌上的每一个字符，就要对车牌图像进行字符分割，拆成一个个的字符，所以说字符分割是否合理，很大程度上会影响字符的正确识别。通常情况我们常采用垂直投影法对车牌字符进行分割，即就是将二值化以后的车牌图像进行垂直方向上的投影，根据投影峰值划分车牌的单个字符。具体来说就是车牌具有相邻字符间间隔距离相同的特点，根据这一特点，二值化处理后的车牌图像就很容易计算出字符的宽度以及相邻字符间的距离，这样就能定位出每一个字符的左右边界和上下边界。
四、车牌字符识别
字符识别就是整个车牌识别的核心步骤，目前基于模板匹配的字符识别很受大家的青睐。所谓模板匹配，其实就是将一个图像变换到另一个图像的坐标系下的过程，通俗讲就是给定一个图像，然后到另一个图像中去查找这一个图，如果能够查找的到，那么就算是匹配成功了。但是对于机器学习来说，要想实现匹配算法，首先要对图像进行预处理。模板匹配的重点就是提取与选择特征值，在国内，汽车车牌都是按照一定的规律顺序排列的，第一个字符是各省的汉字简称，第二个字符是大写的英文字符，后面的五个字符则是由阿拉伯数字和英文字母组成。综上所述，车牌识别的模板库可以分为汉字字符库、阿拉伯数字字符库和英文字母字符库。在这里，同时也要对模板库提出要求，因为实际拍摄到的车牌，很大情况下都会产生变形已经污损等情况，除了对车牌预处理来尽量消除这些不利因素对识别效果的影响以外，还需要增加模板库的种类，为每一个字符准备多个标准的模板，并且这些模板能够尽可能多的包含常见的变形字符，模板库的合理选择与使用能够大大提升车牌字符识别的准确率。
五、总结
大量的实验结果表明，基于深度学习的车牌识别技术很够快速、准确的完成车牌识别任务，再加之大数据技术，就能够对大量的车辆信息进行处理，这对以后道路交通管理以及城市管理有很大的推动作用。
参考文献：
[1]马小燕. 车辆牌照智能识别若干关键技术的研究[D].西安电子科技大学，2011
[2]李兵[1，2]， 易嘉闻[1，2]， 黄锋[1，2]，等. 基于TensorFlow深度学习的车牌识别算法研究[J]. 成都工业学院学报， 2018， 021（004）：P.28-33.