黃錦濤

摘 要 為提高深度學(xué)習(xí)技術(shù)在不同環(huán)境中的識別率，本文利用四種生成式對抗網(wǎng)絡(luò)生成不同環(huán)境的數(shù)據(jù)，包括模糊和拍攝角度不理想等情形，最后采用卷積神經(jīng)網(wǎng)絡(luò)識別生成數(shù)據(jù)。實驗表明：四種網(wǎng)絡(luò)中循環(huán)生成對抗網(wǎng)絡(luò)生成的數(shù)據(jù)效果最好，并且平均識別率達到85%，表明生成對抗網(wǎng)絡(luò)模型生成的數(shù)據(jù)可以用于訓(xùn)練識別復(fù)雜環(huán)境下的深度模型，達到了擴充數(shù)據(jù)的目的。

關(guān)鍵詞 生成式對抗網(wǎng)絡(luò);數(shù)據(jù)增強;車牌識別

前言

車牌識別技術(shù)已經(jīng)在日常環(huán)境中的應(yīng)用日益成熟，但是當(dāng)天災(zāi)人禍來臨國家搶險救災(zāi)時，需要在惡劣復(fù)雜的環(huán)境下識別救援車輛，根據(jù)救援內(nèi)容對人員和車輛進行調(diào)度。所以快速識別車牌對于時間就是生命的救援現(xiàn)場有著重要意義。由于環(huán)境的復(fù)雜與惡劣性，傳統(tǒng)的識別方法無法有效應(yīng)用于救災(zāi)現(xiàn)場的車輛識別，所以如何實現(xiàn)復(fù)雜環(huán)境下的車牌識別成為一個亟待解決的問題。

傳統(tǒng)車牌識別方法采用特征提取的方法，對圖像先預(yù)處理后再經(jīng)神經(jīng)網(wǎng)絡(luò)進行識別。Li提出了一種無須分割使用深度卷積神經(jīng)網(wǎng)絡(luò)和LSTM進行車牌識別的級聯(lián)框架[1]。Gao運用深度神經(jīng)網(wǎng)絡(luò)用于特征提取[2]。為滿足深度學(xué)習(xí)所需的復(fù)雜環(huán)境數(shù)據(jù)集，傳統(tǒng)的擴充數(shù)據(jù)方法除了人工收集外，還有向原始圖像中添加噪聲、畸變和模糊處理，但是圖像的生成質(zhì)量卻無法達到深度學(xué)習(xí)訓(xùn)練所需的要求，所以本文采用生成對抗網(wǎng)絡(luò)擴充數(shù)據(jù)。

1方法

生成對抗網(wǎng)絡(luò)（GAN）通過對抗訓(xùn)練得到生成模型與判別模型，它可以通過以類標(biāo)簽為條件生成對應(yīng)的圖像[3]。GAN主要是由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)兩部分網(wǎng)絡(luò)構(gòu)成，通過兩個網(wǎng)絡(luò)的博弈，讓生成器網(wǎng)絡(luò)最終能夠?qū)W習(xí)到輸入數(shù)據(jù)的分布然后輸出數(shù)據(jù)。生成器網(wǎng)絡(luò)接受一個隨機噪聲并生成數(shù)據(jù)，判別器網(wǎng)絡(luò)通過對輸入的真實數(shù)據(jù)和由生成的假數(shù)據(jù)進行判斷。通過兩個網(wǎng)絡(luò)的互相博弈，最終使整個網(wǎng)絡(luò)達到納什均衡。當(dāng)判別器無法判別真假數(shù)據(jù)時，此時生成器的輸出接近真實數(shù)據(jù)。

2實驗結(jié)果

2.1 實驗環(huán)境與數(shù)據(jù)

本文的實驗環(huán)境為：CPU-2.21GHz，RAM-16GB，顯卡GTX-1070，Tensorflow框架，版本1，12.0和Pycharm編譯環(huán)境。將不同的環(huán)境下10，000張車牌數(shù)據(jù)處理成150 * 150像素的RGB圖像，然后數(shù)據(jù)進行裁剪，最終將其轉(zhuǎn)換為TF記錄格式，劃分為30個TF記錄文件。

2.2 生成圖像實驗細(xì)節(jié)

在10000張車牌上訓(xùn)練GAN，DCGAB、WGAN和CycleGAN模型。原始GAN模型的學(xué)習(xí)率設(shè)為0.0001，每個輪次結(jié)束后保存模型，并在200個輪次后停止訓(xùn)練。訓(xùn)練DCGAN模型時設(shè)置學(xué)習(xí)率為0.0001，betel為0.5，批量大小為256，保存每個輪次結(jié)束后的模型，并在30輪次后停止訓(xùn)練。輸出尺寸設(shè)置為64，生成器的每層網(wǎng)絡(luò)結(jié)構(gòu)的輸出分別為：64*64， 32*32， 16*16， 8*8，4*4，判別器中的卷積層的輸出分別為：32*32， 16*16， 8*8， 4*4。訓(xùn)練WGAN的模型時，dieter設(shè)置為0.7，每次梯度更新之后將判別器的參數(shù)調(diào)整到[-0.01，0.01]。WGAN的學(xué)習(xí)率為0.0005，批量大小為256。生成器中每層網(wǎng)絡(luò)的輸出特征數(shù)量為512，256，128，32，判別器中每層網(wǎng)絡(luò)特征數(shù)量分別為64，128，256，512。設(shè)置CycleGAN模型的基礎(chǔ)學(xué)習(xí)率為0.0002，設(shè)置為10.0，betel設(shè)置為0.6，設(shè)置輪次為300，在每100步后保存訓(xùn)練模型與訓(xùn)練日志。實驗最后獲得20000張車牌數(shù)據(jù)。

圖1展示部分實驗結(jié)果，可直觀看出CycleGAN網(wǎng)絡(luò)模型生成的數(shù)據(jù)更接近真實數(shù)據(jù)，WGAN模型和DCGAN模型產(chǎn)生的效果次之，原始GAN模型經(jīng)常遇到模型崩潰導(dǎo)致難以訓(xùn)練的問題，難以生成理想圖像。

2.3 生成圖像識別

將通過CycleGAN網(wǎng)絡(luò)模型生成的20000張車牌數(shù)據(jù)按其70%劃分為訓(xùn)練集，30%作為測試集。本文利用可以識別車牌的卷積神經(jīng)網(wǎng)絡(luò)模型識別數(shù)據(jù)，測試生成圖像數(shù)據(jù)的識別準(zhǔn)確率。

從圖2結(jié)果可以看出識別網(wǎng)絡(luò)在訓(xùn)練集和驗證集上隨著迭代次數(shù)增加識別錯誤率降級，識別的正確率逐漸上升，平均識別率達到85%，這表明生成對抗網(wǎng)絡(luò)模型生成的數(shù)據(jù)可以用于深度卷積神經(jīng)網(wǎng)絡(luò)的測試集，用于訓(xùn)練識別復(fù)雜環(huán)境下的深度模型，達到了擴充數(shù)據(jù)的目的。

3結(jié)束語

本文對復(fù)雜環(huán)境下的車牌擴充數(shù)據(jù)方法和可行性進行了分析研究，針對深度學(xué)習(xí)識別車牌缺乏復(fù)雜環(huán)境下車牌數(shù)據(jù)的問題，利用GAN，DCGAN，WGAN和CycleGAN網(wǎng)絡(luò)進行車牌數(shù)據(jù)增強，驗證了幾種對抗生成網(wǎng)絡(luò)的性能并測試了生成數(shù)據(jù)的識別準(zhǔn)確率。通過實驗發(fā)現(xiàn)CycleGAN擴充數(shù)據(jù)效果最好，WGAN模型產(chǎn)生的效果次之，DCGAN模型和原始GAN模型經(jīng)常遇到模型難以訓(xùn)練和崩潰的問題，無法生成理想圖像。而且擴充數(shù)據(jù)的平均識別率都能達到85%，這表明生成對抗網(wǎng)絡(luò)模型生成的數(shù)據(jù)可以用于深度卷積神經(jīng)網(wǎng)絡(luò)的測試集，用于訓(xùn)練識別復(fù)雜環(huán)境下的深度模型，達到了擴充數(shù)據(jù)的目的。本文尚存一些改進的地方，如沒有嘗試更多復(fù)雜優(yōu)化的對抗網(wǎng)絡(luò)模型的數(shù)據(jù)增強方法和模型評價標(biāo)準(zhǔn)，接下來將在這方面做更深入研究并考慮將文本表示和圖像樣式之間的映射應(yīng)用于車牌數(shù)據(jù)的生成問題。

參考文獻

[1] H. Li.C. Shen. Reading car license plates using deep convolutional neural networks and lstms [J]. arXiv preprint arXiv.2016：1601.

[2] Gao Q.Wang X.Xie G. License Plate Recognition Based On Prior Knowledge[C].Automation and Logistics， 2007 IEEE International Conference on. IEEE， 2007：2964-2968.

[3] Reed S.Akata Z.Yan X.et al. Generative Adversarial Text to Image Synthesis[J]. In Proceedings of International Conference on Machine Learning.2016.（3）：177.

[4] Radford A.Metz L.Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J].Computer Science.2015.1（1）：1-19 .

[5] T. Salimans.I. Goodfellow.W. Zaremba.et al.Improved techniques for training gans[J].In Advances in Neural Information Processing Systems.2016.（1）：2226-2234.