朱旭辰

車牌識(shí)別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，對(duì)于交通安全、城市治安和實(shí)現(xiàn)交通自動(dòng)化管理有重要意義。目前的車牌識(shí)別面臨著光線、氣候和車速不一的挑戰(zhàn)，因此本文提出一種車牌檢測(cè)的方法。該方法筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進(jìn)行結(jié)合，利用筆畫寬度變換法計(jì)算圖像中每一個(gè)像素的筆畫寬度，將筆畫寬度大致相等的相鄰像素合并形成字符候選區(qū)域，并將合并形成的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進(jìn)行特征提取，由Softmax分類器對(duì)提取的特征進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，本文方法提高車牌識(shí)別率。

【關(guān)鍵詞】電車牌識(shí)別 筆畫寬度變換算法 深度置信網(wǎng)絡(luò) 特征提取

隨著生活水平的提高車輛數(shù)量的增加，城市以及城市間車輛的流動(dòng)不斷增大，對(duì)于車輛交通的有效管理已成為人們亟待解決的問題。人工智能技術(shù)的進(jìn)步，智慧城市理念的普及，使得人們對(duì)于城市車輛的管理越來越多的采用智能化和自動(dòng)化的方案。車牌檢測(cè)作為智慧城市中智能車輛管理系統(tǒng)重要的一環(huán)，其檢測(cè)技術(shù)的魯棒性、精確性將直接影響整個(gè)智能交通系統(tǒng)的健壯性。因此，本文主要集中在車牌檢測(cè)。

鄒明明[2]等人提出了模般匹配法，該方法不需要提取特征，輸入圖像直接與一系列的模板字符進(jìn)行匹配，最終選擇出與原圖像最接近的模板并將其作為最終的字符識(shí)別結(jié)果。Liu[3]等人利用卷積神經(jīng)網(wǎng)絡(luò)模型CNN，是通過許多樣本來訓(xùn)練一個(gè)能夠識(shí)別中文字符的卷積神經(jīng)網(wǎng)絡(luò)，通過卷積層和采樣層來提取圖像的特征。

周鵬[4]提出利用支持向量機(jī)算法，先對(duì)車牌字符進(jìn)行特征提取，在用支持向量機(jī)算法進(jìn)行字符識(shí)別。Redmon[5] 等人將卷積神經(jīng)網(wǎng)絡(luò)和人類視覺系統(tǒng)原理相結(jié)合，提出了YOLO 網(wǎng)絡(luò)：將分類問題作為回歸問題處理并直接將原圖像輸入網(wǎng)絡(luò)，取得了很好的效果。朱宏吉[6]提出利用深度置信網(wǎng)絡(luò)模型DBN，對(duì)車牌字符進(jìn)行特征提取，并對(duì)其進(jìn)行識(shí)別。劉峰[7]等提出利用字典學(xué)習(xí)的方法對(duì)模糊車牌中文字符識(shí)別，采用基于費(fèi)希爾判別準(zhǔn)則的字典學(xué)習(xí)方法來提取中文字符的特征，為了從不同的角度對(duì)中文字符提取特征，用不同的訓(xùn)練樣本訓(xùn)練三個(gè)字典學(xué)習(xí)模型，將車牌中文字符樣本分別通過訓(xùn)練好的三個(gè)字典學(xué)習(xí)模型，從而形成三種殘差信息，用softmax對(duì)三種殘差信息進(jìn)行整合最終得到識(shí)別結(jié)果。因此，本文將筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進(jìn)行結(jié)合應(yīng)用到車牌識(shí)別中，旨在解決光線、氣候和車速不一的問題，從而提高車牌識(shí)別的準(zhǔn)確率。

1 筆畫寬度變換

筆畫寬度變換（Stroke Width Transform， SWT）是一種局部的圖像操作，改操作是將計(jì)算每個(gè)像素的顏色值變換成每一個(gè)像素最有可能的筆畫寬度值。首先對(duì)待檢測(cè)的圖像做灰度變換，得到灰度圖。然后在灰度圖上提取邊緣信息（如使用Canny邊緣檢測(cè)算法）。對(duì)于生成一張空的SWT圖，圖中的每個(gè)像素取值為+00。對(duì)每一個(gè)邊緣像素p，沿著它的梯度方向（梯度方向是指從圖像灰度由小到大的方向）向前搜索對(duì)應(yīng)的邊緣。如果找到一個(gè)邊緣q，且該邊緣點(diǎn)梯度方向dq與p，的梯度方向dp粗略地滿足：

將p，和q之間的搜索路徑記為一條筆劃射線，它的寬度記為該筆劃射線所屬筆劃的寬度

。作者為SWT算法輸出的SWT圖上將路徑上的所有點(diǎn)（除了值小于等于w的點(diǎn)）對(duì)應(yīng)的像素設(shè)置為w。

2 車牌識(shí)別的流程

一個(gè)典型的車牌識(shí)別主要流程如圖1所示，簡(jiǎn)單描述車牌識(shí)別的主要步驟：

2.1 預(yù)處理

一般從監(jiān)控視頻中獲取的是包含車輛以及更多背景圖片的圖像，識(shí)別系統(tǒng)無法直接處理它們。因此，這些圖像必須經(jīng)過一系列的預(yù)處理，其中包括車牌截取，仿射變換，灰度化，去均值和歸一化等步驟。經(jīng)過預(yù)處理，中文字符圖像變得更加利于后續(xù)操作。

2.2 車牌定位

利用筆畫寬度變換算法提取圖像中車牌字符的筆畫，字符筆畫是字符的基礎(chǔ)特征，通過尋找筆畫達(dá)到定位車牌字符的目的。

2.3 DBN字符識(shí)別

將從筆畫寬度變換中提取出來的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，從訓(xùn)練筆畫寬度變換數(shù)據(jù)中進(jìn)行學(xué)習(xí)更多隱藏特征，對(duì)字符候選區(qū)域進(jìn)行驗(yàn)證識(shí)別。

3 實(shí)驗(yàn)結(jié)果和分析

為了檢驗(yàn)本文提出的車牌識(shí)別方法的有效性，以自己制作的數(shù)據(jù)集作為測(cè)試平臺(tái)進(jìn)行車別識(shí)別檢驗(yàn)試驗(yàn)，該數(shù)據(jù)集采集于多個(gè)交通路口的天網(wǎng)攝像頭，然后對(duì)3000幅圖像，約9000個(gè)目標(biāo)進(jìn)行人工標(biāo)注。

從表1的實(shí)驗(yàn)結(jié)果可以看出，本文提出的筆畫寬度變換算法與深度置信網(wǎng)絡(luò)結(jié)合的車牌識(shí)別方法的訓(xùn)練時(shí)間、測(cè)試時(shí)間和識(shí)別率均優(yōu)于支持向量機(jī)、深度置信網(wǎng)絡(luò)算法的車牌識(shí)別，識(shí)別率提高了1.7%，圖2顯示了SWT-DBN方法在車牌數(shù)據(jù)集上的部分識(shí)別結(jié)果。

4 結(jié)論

本文提出了一種車牌識(shí)別的新方法，該方法將筆畫寬度變換算法與深度置信網(wǎng)絡(luò)進(jìn)行結(jié)合，利用筆畫寬度變換法計(jì)算圖像中每一個(gè)像素的筆畫寬度，將筆畫寬度大致相等的相鄰像素合并形成字符候選區(qū)域，并將合并形成的候選字符區(qū)域輸入到深度置信網(wǎng)絡(luò)中進(jìn)行特征提取，由Softmax分類器對(duì)提取的特征進(jìn)行分類。相比其他車牌識(shí)別算法，該方法在車牌識(shí)別中首先對(duì)字符定位，再使用深度學(xué)習(xí)模型進(jìn)行特征提取，進(jìn)而有更高的識(shí)別率和更好的識(shí)別穩(wěn)定性。

參考文獻(xiàn)

[1]趙莉，白猛猛.深度學(xué)習(xí)在車牌定位中的研究[J].計(jì)算機(jī)應(yīng)用研究，2017，35（10）：1-8.

[2]鄒明明，盧迪.基于改進(jìn)模板匹配的車牌字符識(shí)別算法實(shí)現(xiàn)[J].國外電子測(cè)量技術(shù)，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]周鵬.基于支持向量機(jī)的車牌字符識(shí)別方法[J].數(shù)字技術(shù)與應(yīng)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.基于深度信念網(wǎng)絡(luò)的車牌字符識(shí)別算法研究與實(shí)現(xiàn)[D].浙江大學(xué)，2015：22-30.

[7]劉峰，呂顥等人.基于字典學(xué)習(xí)的模糊車牌中文字符識(shí)別[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，6：6-8.

[8]徐海良.自然場(chǎng)景文字檢測(cè)方法研究[D].江蘇南京： 南京大學(xué)，2016.

[9]宋文，肖建于.基于筆畫寬度變換的自然場(chǎng)景文本檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（09）：190-192.

[10]廖翔云，許棉標(biāo).車牌照識(shí)別技術(shù)研究[J].工業(yè)控制計(jì)算機(jī)，2003，13（04）：31-35.

[11]周凱龍.基于深度學(xué)習(xí)的圖像識(shí)別應(yīng)用研究[D].北京工業(yè)大學(xué)，2016：22-35.

作者單位

1.西安市鐵一中濱河中學(xué) 陜西省西安市 710038

2.大唐移動(dòng)通信設(shè)備有限公司 陜西省西安市 710061endprint