一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù),軟件工程論文

一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別技術(shù),軟件工程論文本篇論文目錄導(dǎo)航：【】【】一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌辨別技術(shù)【】【】【】卷積神經(jīng)網(wǎng)絡(luò)論文范文：一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌辨別技術(shù)內(nèi)容摘要：針對現(xiàn)有的車牌辨別方式方法存在車牌無法定位且車牌字符無法正確分割等情況，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌辨別技術(shù)。首先，設(shè)計了一套圖像處理流程實現(xiàn)車牌定位和字符分割，然后，利用提出的卷積神經(jīng)網(wǎng)絡(luò)對車牌字符集進(jìn)行訓(xùn)練、辨別。所提方式方法能夠到達(dá)98.54%以上的準(zhǔn)確率，極大提高適用性和準(zhǔn)確率。本文關(guān)鍵詞語：車牌辨別；卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)；車牌定位；.作者簡介：李濤濤〔1996-〕，男，浙江紹興人，碩士研究生，研究方向：智能制造。E-;Abstract:Inviewoftheexistinglicenseplaterecognitionmethods,thelicenseplatecannotbelocatedandthelicenseplatecharacterscannotbecorrectlyseparated.Thispaperproposesalicenseplaterecognitiontechnologybasedonconvolutionalneuralnetwork.Firstly,asetofimageprocessingflowisdesignedtorealizelicenseplatelocationandcharactersegmentation.Then,theproposedconvolutionalneuralnetworkisusedtotrainandrecognizethelicenseplatecharacterset.Theproposedmethodcanachievemorethan98.54%accuracy,greatlyimprovingtheapplicabilityandaccuracy.Keyword:licenseplaterecognition;convolutionalneuralnetwork;deeplearning;licenseplatelocation;0引言伴隨著交通行業(yè)的飛速發(fā)展，車牌辨別技術(shù)已然成為一項非常重要的研究課題，并在日常生活中有著廣泛的應(yīng)用。車牌辨別技術(shù)的主要問題包括車牌定位和字符辨別。從本質(zhì)上講，車牌定位的算法分為3種，一種是基于圖像邊緣的，一種是基于圖像顏色的，一種是基于機(jī)器學(xué)習(xí)。Abolghasemi[1]等提出的基于邊緣以及顏色輔助的車牌定位方式方法增加了對車牌可疑區(qū)域的比擬，但是，該方式方法受光照的影響比擬大。基于模板匹配的方式方法[2]廣泛用于車牌字符辨別技術(shù)中，但是該類方式方法易受噪聲等因素的影響。支持向量機(jī)〔supportvectormachine,SVM〕分類器也被應(yīng)用于車牌字符辨別[3].基于SVM的車牌字符辨別方式方法需要指定提取的特征，不同特征的選擇將直接關(guān)系到車牌字符辨別的效果。本文采用的車牌辨別流程主要包括下面幾個部分：車牌圖像預(yù)處理、車牌定位、車牌字符分割、車牌字符辨別，如此圖1所示。圖1車牌辨別流程Fig.1Licenseplaterecognitionprocess1車牌定位和字符分割本文針對生活中經(jīng)常出現(xiàn)的車牌，設(shè)計了一套車牌圖像預(yù)處理及車牌定位流程，詳細(xì)流程如此圖2所示。圖2車牌圖像預(yù)處理及車牌定位經(jīng)過Fig.2Licenseplateimagepreprocessingandlicenseplatelocationprocess1.1車牌圖像預(yù)處理由于自然環(huán)境、拍攝設(shè)備和拍攝方位等客觀因素，在獲取車牌圖像的經(jīng)過中會出現(xiàn)圖像模糊不清的情況，需對圖像進(jìn)行一定程度的預(yù)處理操作[4].1.1.1彩色圖轉(zhuǎn)灰度圖將三通道的彩色圖像轉(zhuǎn)換成單通道的灰度圖。將采集的車牌圖片轉(zhuǎn)換成灰度圖，轉(zhuǎn)換結(jié)果如此圖3所示。圖3彩色圖轉(zhuǎn)灰度圖Fig.3Colorpicturetograypicture1.1.2高斯濾波高斯濾波是一種線性平滑濾波，能夠消除高斯噪聲。圖4是灰度圖經(jīng)過高斯濾波后的圖像。圖4高斯濾波Fig.4Gaussianfilter1.1.3邊緣化檢測常用的邊緣檢測算子有Canny算子、Sobel算子、Laplacian算子等[5],本文采用Canny算子進(jìn)行邊緣檢測。Canny算子邊緣檢測結(jié)果如此圖5所示。圖5Canny算子邊緣檢測Fig.5Cannyoperatoredgedetection1.2車牌定位1.2.1圖像形態(tài)學(xué)操作對預(yù)處理完的圖像進(jìn)行開運(yùn)算，進(jìn)行先腐蝕后膨脹的經(jīng)過。開運(yùn)算能夠用來消除小物體，在纖細(xì)點處分離物體，并且在平滑較大物體的邊界的同時不明顯改變其面積。1.2.2查找輪廓，精到準(zhǔn)確定位根據(jù)車牌的面積、長寬比等對所得的矩形進(jìn)行過濾。車牌定位結(jié)果如此圖6所示。圖6車牌定位結(jié)果Fig.6Licenseplatelocationresult1.3車牌字符分割字符分割的目的就是將車牌中所有的文字分割開來，構(gòu)成單一的字符塊，圖7為字符分割經(jīng)過。圖7字符分割經(jīng)過Fig.7Charactersegmentationprocess圖8為字符分割的最終結(jié)果。圖8車牌字符分割結(jié)果Fig.8Licenseplatecharactersegmentationresults2基于卷積神經(jīng)網(wǎng)絡(luò)的字符辨別卷積神經(jīng)網(wǎng)絡(luò)〔ConvolutionNeuralNetwork,CNN〕一般由多個卷積層以及池化層交替而成，最后，再通過全連接BP神經(jīng)構(gòu)成輸出。其整體架構(gòu)是一種多層監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，通過學(xué)習(xí)大量的輸入輸出樣本，用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再根據(jù)新的輸入，輸出擬合之后的結(jié)果。本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符辨別方式方法由2部分構(gòu)成：第1部分，輸入待訓(xùn)練圖像集訓(xùn)練分類模型；第2部分，將待辨別的車牌字符圖像輸入訓(xùn)練好的模型進(jìn)行辨別。2.1卷積層在卷積層，前一層的特征圖與一個可學(xué)習(xí)的核進(jìn)行卷積，卷積的結(jié)果經(jīng)過激活函數(shù)后的輸出構(gòu)成這一層的特征圖。一般地，卷積層的形式如：2.2池化層的計算池化是縮小高、長方向的空間的運(yùn)算。將22的區(qū)域集約成1個元素，縮小空間大小。本次車牌定位使用的最大池化〔max_pool〕也就是選取最大值的運(yùn)算。步幅的大小是2,車牌的圖像大小都是13636,在經(jīng)過2次池化后，得到的是349.池化層和卷積層不同，沒有要學(xué)習(xí)的參數(shù)。池化只是從目的區(qū)域中取最大值或者平均值，所以不存在要學(xué)習(xí)的參數(shù)。池化有一個優(yōu)點是對微笑位置的變化具有魯棒性，輸入數(shù)據(jù)發(fā)生微笑偏差時，池化仍會返回一樣的結(jié)果。池化會細(xì)搜輸入數(shù)據(jù)的偏差。2.3全連接層全連接層中需要先把前兩個卷積層的輸出結(jié)果全部flatten,這里使用tensorflow.reshape使每個樣本變成一維向量。在全連接層最后得到一個2列的矩陣。2.4訓(xùn)練模型字符辨別本文將總共12000張圖片〔包括省份、數(shù)字和字母圖片〕作為數(shù)據(jù)集，華而不實9000張作為訓(xùn)練集，剩余3000張圖片作為測試集，并通過shuffle函數(shù)隨機(jī)將數(shù)據(jù)集排列，最終保存訓(xùn)練后的權(quán)重。卷積使用tensorflow.nn.conv2d函數(shù)，池化使用tensorflow.max_pool函數(shù)，最后添加softmax函數(shù)能夠使模型的準(zhǔn)確率提高。圖9為訓(xùn)練模型字符辨別結(jié)果。圖9訓(xùn)練模型字符辨別結(jié)果Fig.9Trainingmodelcharacterrecognitionresults3結(jié)論本文在充分利用車牌特征的基礎(chǔ)上，實現(xiàn)了車牌定位和字符分割，提出了一種基于CNN的車牌辨別方式方法。實驗表示清楚，此方式方法辨別車牌準(zhǔn)確率高。由于當(dāng)前在車牌辨別中主要針對的是國內(nèi)車牌，無法辨別國外以及新能源車牌。在實際應(yīng)用中，還需進(jìn)一步增加樣本數(shù)量及網(wǎng)絡(luò)訓(xùn)練次數(shù)[6],改變網(wǎng)絡(luò)構(gòu)造，以進(jìn)一步提高正確率。以下為參考文獻(xiàn)[1]AbolghasemiV,AhmadyfardA.Anedge-basedcolor-aidedmethodforlicenseplatedetection[J].ImageVisComput,2008,27〔8〕：1134-1142.[2]XingJ,LiJ,XieZ,etal.Researchandimplementationofanimprovedradontransformforlicenseplaterecognition[C].20218thInternationalConferenceonIntelligentHuman-MachineSystemsandCybernetics〔IHMSC〕，Hangzhou,2021,pp.42-45,doi:10.1109/1HMSC.2021.52.[3]KhanMA,SharifM,JavedMY,etal.Licensenumberplaterecognitionsystemusingentropy-basedfeaturesselectionapproachwithSVM[J].IET