摘要：本文將實現(xiàn)一種針對生活中常見的藍色底色的車牌進行車牌識別的機器學習算法設計，完成車牌圖像的錄取、車牌圖像的定位及字符識別，實現(xiàn)對車牌的識別，從而加快社會車輛進出場速度，避免出現(xiàn)擁堵，并在一定程度上輔助安全管理，及時發(fā)現(xiàn)違法車輛，協(xié)助安全管理。

關鍵詞：深度學習 ?車牌定位 ?字符識別

1 引言

由于計算機技術不斷發(fā)展，大數(shù)據(jù)和計算機能力等也在不斷的提升，傳統(tǒng)機器學習的模型不能很好的適應，同時，隨著神經(jīng)網(wǎng)絡的發(fā)展，更多層次的神經(jīng)網(wǎng)絡——深度學習被研究及應用，所以本文選用深度學習來完成車牌圖像的識別。自動車牌識別是一項具有挑戰(zhàn)性的重要任務，可用于交通管理、數(shù)字安全監(jiān)控、車輛識別、大城市停車管理。車牌識別算法識別車牌的流程分為三個階段，實現(xiàn)從輸入含有車牌的圖片到輸出圖片中的車牌號碼文本的整個識別流程。

第一階段是信息讀取。該階段的任務是將待識別的含有車牌的圖片輸入程序，將圖片轉(zhuǎn)換為程序能夠處理的圖片數(shù)據(jù)。

第二階段是位置識別，主要完成車牌的檢測與矯正。該階段包括兩個子任務。第一個子任務負責將處理后的圖片數(shù)據(jù)輸入MTCNN進行車牌位置的識別，得到車牌信息。第二個子任務利用STN 加強MTCNN的識別結果，加強MTCNN識別的幾何穩(wěn)定性，從而提高識別結果的準確性和穩(wěn)定性。

第三階段是文字識別，主要完成車牌的字符分割與字符識別。該階段也包括兩個子任務，第一個子任務利用LPRNet分析第二階段得到的車牌信息，識別其中的車牌文字。第二個子任務負責對識別出的車牌文字與車牌號數(shù)據(jù)庫進行匹配，輸出車牌識別結果。

車牌識別算法的樣本數(shù)據(jù)選自CSDN，將其中的 1000張圖片用作訓練集樣本數(shù)據(jù)。原始的車牌圖片到張量數(shù)據(jù)，再到車牌的信息，最后到車牌文字的變化過程流程圖如圖1所示。

圖1 車牌識別流程

2 信息讀取

信息讀取階段負責將含有車牌的圖片讀入程序。在一般情形下，攝像設備如馬路的監(jiān)控攝像頭等無法針對車牌號進行專門的攝像，而是對車的部分或整體進行拍攝。車牌識別算法要求能夠從圖片中準確定位車牌的位置并識別出車牌號碼。車牌識別算法中利用cv2程序包的imread函數(shù)讀取圖片中的信息，之后利用numpy包的copy函數(shù)將圖片信息另外備份存儲到新的位置，得到圖片數(shù)據(jù)input。這樣做的好處是不破壞原始數(shù)據(jù)。經(jīng)過讀取程序后輸出的圖片數(shù)據(jù)input，是圖片各個位置的信息組成的張量。

3 位置識別

位置識別階段主要完成車牌的檢測與矯正。位置識別階段將進一步處理信息讀取階段輸出的圖片數(shù)據(jù)input，根據(jù)其中的信息識別出car.jpg中車牌的具體位置。該階段包括識別車牌位置和空間轉(zhuǎn)換兩個子任務。車牌位置識別可結合以下2種方式進行識別：

（1）基于邊緣的車牌識別

若識別圖像環(huán)境較單一，那么使用基于邊緣的車牌檢測是最合適的，可以達到簡單又有效的目的。可以先檢查出圖片之中的垂直邊緣，然后再對檢測出的區(qū)域使用Sobel計算邊緣區(qū)，能夠較準確鎖定車牌的位置。

（2）基于顏色的車牌識別

若識別圖像清晰度較高，則可以利用顏色進行檢測。首先處理圖像，即藍色底色的車牌。首先選取不是藍色的圖像部分，然后再對剩下的部分進行檢測。如果圖像中的RGB值和藍色很接近，那么就可以認為是車牌的區(qū)域。通常還會對這些區(qū)域進行腐蝕膨脹的操作。在灰度圖像中，如果區(qū)域面積和車牌面積大致比相等，那么這一個區(qū)域就可能是車牌。但是這種方法需要提供的車牌不能太小，太小的車牌會導致檢測不出來。最后是把計算出來的所有的長方形區(qū)域和車牌的特征數(shù)據(jù)相比，數(shù)據(jù)比值越趨近于1，那么這個區(qū)域是車牌的可能性就越大。

在現(xiàn)實生活中，由于種種原因，拍攝到的車牌圖像可能是像素是清晰的，但是可能拍攝角度受限，拍到的圖片會是傾斜的。如果按照正常的矩形去框選車牌的區(qū)域，那么得到的圖像就可能會有殘缺，殘缺的圖像則不能當做特征處理。所以需要矯正車牌框選區(qū)域。通過檢測好的車牌區(qū)域，尋找字符的輪廓，按照輪廓可以得到車牌的上線邊界線，這樣就能得到較為準確的字符區(qū)域。選擇相應的算法對字符區(qū)域進行旋轉(zhuǎn)，旋轉(zhuǎn)過后的車牌就便可在水平方向和垂直方向進行投影，從而得到精準的正向的車牌圖像。

4 文字識別

文字識別階段主要完成車牌的字符分割與字符識別。字符分割方法主要包含以下兩種：

4.1基于相鄰字符最大間隔寬度的方法

由于車牌的字符的比例大小存在一定差別，同時車牌之間也是存在空隙的，可以通過這些空隙完成字符的分隔。首先應確定空隙的大小。除了字母數(shù)字以外，車牌前端的字符還包括了一個圓點，這個圓點所在的空隙是所有字符間隔空隙里最寬的位置。大約是其他的2.6倍。找到它以后就可以確定它旁邊的空隙的位置，然后再按照車牌的空隙比例，兌換到二值圖像進行垂直投影操作，從二值圖像里面可以找到更加精準的空隙數(shù)據(jù)，借此可以得到每一個字符分割后的圖像。

4.2基于連通域和投影相結合的方法

基于連通域和投影相結合的方法需要找到圖像中的連通域，通常情況下使用四連通標記法。首先需要確認二值圖像中選擇的點的最左，最上有沒有點，有就是連通域，沒有就是新區(qū)域。如果這個點的最左邊存在一個點，然而最上不存在點的話，就把這個點記到最左邊。如果都有的話，那么這個點就屬于兩點中的小點。識別出連通域后，按照比例，對圖像數(shù)據(jù)進行分析判斷，進行垂直投影操作。如果大于連通域的高寬，那么就把連通域合并，反之，就把多余部分去除。通過加長方形分割出字符。

完成字符分割后，需要對分割后的字符進行字符識別，根據(jù)STN輸出的車牌信息識別其中的車牌文字，完成最后的車牌識別流程。該階段包括識別車牌文字和文字解碼兩個子任務。

5 結束語

本文提出的車牌識別方法受到深度神經(jīng)網(wǎng)絡的啟發(fā)，對中國車牌識別準確度達90%，可以實時處理，每個車牌處理時間約3ms。但在更復雜的情況下，無法識別到部分清晰的車牌圖像，將來，將進一步優(yōu)化系統(tǒng)以提高系統(tǒng)性能。

參考文獻

[1]高攀.基于卷積神經(jīng)網(wǎng)絡的車牌識別關鍵技術的研究與應用[D].北京：北京郵電大學，2019.

[2]陽光.基于支持向量機和深度學習的車牌識別技術研究[D].四川：成都理工大學，2019.

作者簡介

顏琪（1995-），女，四川省成都市人，助教，學士，主要研究方向為數(shù)據(jù)可視化及圖像處理。