張 晨

（1.華東交通大學 機電與車輛工程學院，江西 南昌 330013；2.廈門軟件職業(yè)技術學院，福建 廈門 361024）

0 引言

汽車已經(jīng)逐漸成為一種普及化的產(chǎn)品，全球的汽車保有量處于極速增長的趨勢，這在很大程度上增加了各類交通的管理難度。隨著道路的智能化發(fā)展，交通管理朝著自動化和智能化的方向不斷發(fā)展，車牌識別的需求變得越來越大，同時對于車牌有效識別的要求也越來越高。國外的車牌識別研究開始較早，我國的車牌識別雖然已有十余年的發(fā)展，但仍處于較為初級的階段，技術水平有待進一步完善和提高［1-3］。車牌識別一般包含車牌圖像采集和預處理、車牌的定位和分割、字符識別等過程，其中車牌的定位和字符識別是十分重要的環(huán)節(jié)，直接影響到了整個系統(tǒng)的識別精度，因此合理的方法和模型對于提升關鍵環(huán)節(jié)的識別效率至關重要。本研究將SVM和MPL模型分別應用在車牌的定位和字符識別中，同時在分析模型的訓練和優(yōu)化過程中來提升識別效率，為車牌的有效識別提供一定的參考。

1 圖像的采集和預處理

目前市面上已有很多車牌識別方案，在不同的軟硬件條件和使用場景下，車牌識別系統(tǒng)的工作過程略有差異。通常情況下，車牌識別系統(tǒng)的前端是由安裝有攝像頭、傳感器、交通信號燈等硬件設備的車輛感應區(qū)域組成的；后端是由安裝有車牌識別軟件程序和訪問控制程序的計算機系統(tǒng)組成。前后端通過網(wǎng)絡進行聯(lián)網(wǎng)控制。車牌圖像的采集和預處理是車牌識別的基本工作和前提。

1.1 車牌圖像采集

圖像采集技術決定了車牌圖像的質(zhì)量和車牌有效識別的期望。車牌圖像的采集一般要求攝像機設備的有效拍攝范圍為3～13 m，同時需要具備能夠在白天和黑夜以及雨雪、強光、大霧等復雜環(huán)境條件下完成高分辨率圖像拍攝的能力。當車輛進入識別區(qū)域，首先由傳感器的感應回路識別并向控制系統(tǒng)發(fā)出信號，再由成像系統(tǒng)通過攝像頭進行拍攝完成車牌原始圖像的采集工作，然后通過圖像采集卡完成圖像的A/D轉換，把模擬圖像轉換成數(shù)字圖像并發(fā)送到計算機端。車牌識別程序模塊分析和處理讀取車輛的車牌號，再將車牌號以ASCII碼的形式返回給訪問控制程序，最后在車牌數(shù)據(jù)庫中進行查詢比對和完成車輛的相關授權。車輛信息將儲存在訪問數(shù)據(jù)庫中，當本次識別過程完成車輛離開識別區(qū)域后，系統(tǒng)將為下一輛到達的車輛做好識別的相關準備工作。

1.2 圖像預處理

圖像預處理是車牌的定位和字符識別等后續(xù)采用相關模型進行分類和識別的前提。車牌圖像預處理過程主要分為三部分：第一部分為初級處理操作，通過高斯濾波降低圖像噪聲使圖像平滑，同時對圖像灰度化處理來增強圖像的效果，再將灰度圖像轉化為二值圖像。通過處理可以將圖像易被忽略的細節(jié)部分顯現(xiàn)出來，以便進一步提取出圖像的特征，方便后續(xù)處理；第二部分為中級處理操作，通過Sobel算子得到車牌大致位置，再對圖像進行閉操作使車牌區(qū)域連接成一個矩形裝區(qū)域，并按照一定參數(shù)閾值篩選出圖中符合要求的車牌矩形輪廓同時調(diào)整水平。第三部分為高級處理操作，輸入的有效車牌圖片根據(jù)字符的不同將車牌上下邊切割，漢字字符進行行切分，非漢字字符進行字切分，最后再歸一化到統(tǒng)一尺寸格式。

2 SVM與MLP在車牌識別的分析

SVM［4］（支持向量機）是一類按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器。MLP［5］（多層感知器）屬于前饋人工神經(jīng)網(wǎng)絡模型，是典型的深度學習模型。車牌的定位和字符識別關系到車牌的有效識別，如圖1所示。在車牌識別系統(tǒng)中通過SVM構建二分類器用于車牌的定位，字符的識別則是通過構建MLP多分類器來完成的。經(jīng)過前期圖像預處理后得到的車牌候選圖片將逐一輸入到SVM模型中進行識別篩選，找出有效的車牌圖片。再經(jīng)過一系列處理后，被分割的車牌字符圖片將輸入到MLP模型完成最后字符的識別和輸出。在識別的過程中，模型的效率將決定識別的精度，因此通過有效的訓練可以達到優(yōu)化模型提升效率的目的。

2.1 SVM模型的訓練優(yōu)化

使用SVM構建二分類器對車牌樣本進行分類，利用HOG和HAAR等方法提取樣本特征，并生成特征數(shù)據(jù)集。訓練和預測這兩個過程是獨立展開的，同時所有正負樣本圖塊都歸一化處理并整合為訓練集和測試集兩類，其中訓練集占70%，測試集占30%，再基于RBF核進行模型的訓練。在識別過程中，支持向量機將輸入向量映射到更高維的空間，構造最大分離超平面，在分隔數(shù)據(jù)超平面的每一側上構造兩個并行的超平面，分離的超平面是使兩個平行超平面之間的距離最大的超平面。這些平行超平面之間的余量或距離越大，分類器的泛化誤差就越小。此時SVM性能優(yōu)化可以通過對懲罰系數(shù)C和gamma參數(shù)的調(diào)整來進行，其中懲罰系數(shù)C關系到數(shù)據(jù)子空間中調(diào)節(jié)學習效率的置信區(qū)間，即對識別誤差的寬容度，C的數(shù)值越高則越不能容忍出現(xiàn)誤差。最優(yōu)的懲罰系數(shù)C在不同的數(shù)據(jù)子空間是不同的，系數(shù)過大易出現(xiàn)過擬合，系數(shù)過小則易欠出現(xiàn)擬合，過大和過小都會使泛化能力變差。gamma是RBF核函數(shù)關聯(lián)的一個參數(shù)，關系到數(shù)據(jù)映射到新的特征空間后樣本數(shù)據(jù)子空間分布的復雜程度。支持向量的數(shù)量會影響到模型的訓練與預測速度，gamma參數(shù)越大支持向量就越少，反之則越多。

通過訓練取得最優(yōu)的懲罰系數(shù)C和gamma參數(shù)對于模型的優(yōu)化極為重要。懲罰系數(shù)C和gamma參數(shù)是相對獨立的。在本論述中使用窮舉法先將懲罰系數(shù)C和gamma參數(shù)作為變量，通過對模型的訓練發(fā)現(xiàn)當懲罰系數(shù)取值為3時，模型的識別率達到了最優(yōu)，并隨著懲罰系數(shù)的增大逐漸趨于穩(wěn)定；當gamma參數(shù)的取值為4到6的區(qū)間時，模型性能達到最優(yōu)，并隨著gamma參數(shù)增大，模型性能隨之下降，最終在取值14以后趨于平穩(wěn)；在懲罰系數(shù)C和gamma參數(shù)等值的情況下，在4至16的取值區(qū)間內(nèi)模型性能達到最優(yōu)。最后選擇懲罰因子C取值為4，gamma取值為8。

2.2 MLP模型的訓練優(yōu)化

圖1 SVM與MLP在車牌識別的應用

構建MLP多分類器，MLP網(wǎng)絡結構包含輸入層、輸出層和兩個隱層，每層之間都是全連接的，每個層中都包含一組神經(jīng)元，輸入的每個神經(jīng)元層由數(shù)值加權突觸連接到隱藏的節(jié)點層。隱層神經(jīng)元輸出采用tanh激活函數(shù)，該函數(shù)是連續(xù)并可導的非線性函數(shù)，可以直接利用數(shù)值優(yōu)化的方法來學習網(wǎng)絡參數(shù)，根據(jù)神經(jīng)元從輸入突觸接收的刺激來指定神經(jīng)元是否被激活。在實際識別場景下，將分割后的車牌字符塊樣本輸入MLP模型，不僅生成實際數(shù)據(jù)，還生成訓練數(shù)據(jù)，因此會直接影響到模型的準確性，以及模型判斷的最終結果，可以通過訓練加以改善。

訓練過程采用反向傳播方法，為了提高學習速度，定義處理元素更新的學習速率關系為ηi=η0f(M,N,K)，其中η0是當前層的整體學習率，ηi是用于更新相應網(wǎng)絡參數(shù)的學習速率；f(M,N,K)由下一層處理元素的輸入數(shù)量M、可更新元素輸入數(shù)量N、該元素的輸出數(shù)量K構成；f的值隨M的增加而增加，隨N的增加而減小，隨K的減小而減小。學習速率用于將處理后的輸入向量與相關的目標向量進行比較，并生成反饋控制信息，使用后向傳播來更新相應的網(wǎng)絡參數(shù)。將數(shù)據(jù)集輸入網(wǎng)絡的輸入層，基于每個輸入神經(jīng)元激活函數(shù)的值，隱藏層中的一些神經(jīng)元的組合層將激活。輸出神經(jīng)元將輸出表示為向量，比對網(wǎng)絡產(chǎn)生的輸出與預期輸出之間的差異，并從網(wǎng)絡的輸出端開始向網(wǎng)絡的輸入端修改突觸的權重。不斷訓練優(yōu)化，當網(wǎng)絡產(chǎn)生的輸出足夠接近預期的輸出時模型達到最優(yōu)。

3 結束語

技術的發(fā)展日新月異，各個學科領域都在不斷發(fā)展和相互融合。隨著5G技術的發(fā)展和商用化的推進，智能化交通網(wǎng)絡將進一步發(fā)展。車牌識別技術涉及到機器視覺、人工智能等多個學科領域，國內(nèi)外已有很多相關的研究，對于車牌識別精度的提升一直都是研究的核心內(nèi)容。車牌的定位和字符識別作為車牌識別系統(tǒng)的重要環(huán)節(jié)，直接關系到車牌識別的精度。本論述研究利用SVM和MLP來分別完成車牌定位和字符識別的方法，根據(jù)實際情況分析了相關模型的訓練優(yōu)化和效率提升，為SVM和MLP在車牌識別的應用研究提供了一種參考。