基于图像的车牌检测算法综述

摘 要：基于图像的车牌自动识别系统（LPR）是智能交通（ITS）领域中重要的一环，在高速公路、交通路口、停车场等场合发挥重要作用，能够节省大量人力物力。基于图像的车牌自动识别过程中，对车牌位置的检测是第一个环节，起到关键作用。本文概述了车牌检测算法的发展历程及主要使用的算法，从传统算法到卷积神经网络（CNN），总结各类算法优缺点，综述了发展方向。

关键词：车牌识别;车牌检测;卷积神经网络;深度学习

0 引言

随着城市现代化的发展，汽车保有量逐年增加，我国公路发展迅速，采用传统的人工管理模式已满足不了对车辆精细化管理的需求。基于图像的车牌自动识别技术成为解决难题的关键技术之一，广泛应用于停车场出入口、车辆违章抓拍等场景中。目前基于图像的车牌自动识别功能大多都是嵌入到智能识别一体机里面完成，对算法的处理速度要求较高，大致可分为车牌检测、车牌矫正、字符分割和字符识别这四个过程（如图1所示）。其中车牌检测是关键的一个环节，关系到能否捕捉到当前车辆。

我国的车牌具有显著的特点，车牌长宽比例有明确的规定，字符特征明显且具有规律性，对图像中的车牌进行检测并不是难事。因为需要车牌自动识别的地方都是存在自然环境中，环境光的影响、背景的复杂度等都是不可控的，加上算法需要在嵌入式芯片中运行，所以设计一个鲁棒性强、运行速度快的车牌检测算法并非易事。

1 传统算法

CNN在检测领域取得重大突破之前，大都是采用传统的算法进行车牌的检测，主要使用的方法有两种，一种是基于颜色特征的检测方法，一种基于模式识别方法。

1.1 基于颜色特征的算法

我国车牌蓝黄牌居多，颜色特征明显，通过把图像的颜色空间转换到HSV空间，可以快速提取出蓝色区域和黄色区域，再对blob区域进行膨胀腐蚀等形态学操作，通过宽高比例等条件过滤之后，可以提取到真正的车牌位置信息。这种算法的优点就是速度快，对于成像角度很大的车牌也能提取出来，还可以附带算出倾斜角度。但是缺点也同样明显，对于白牌黑牌等其它颜色车牌效果不佳，对脏污的车牌效果不好，容易受到环境光照、背景颜色等干扰，检测召回率低。

1.2 基于有监督模型识别的算法

有监督的模式识别是对已知数据样本的特征进行提取，建立数学模型，对给定的特征训练分类器进行分类，相当于通过计算机去学习人类的经验，模式识别广泛应用于图像分析处理。典型的模式分类方法有线性分类器（感知器、Fisher分类），非线性分类器（BP、SVM）。在车牌检测领域，综合效果和速度来说，用的较多的有两种，一种是HOG特征+SVM分类器，另一种是HAAR特征+AdaBoost级联分类器。HOG特征能很好的描述车牌字符的边缘，HAAR特征能更好的适应图像灰度的变化，对于环境光比较复杂的场景，HAAR特征体现了更好的鲁棒性。模式识别检测的时候使用扫窗的方式并要支持不同尺度，计算量大，优化方向主要有使用精简的特征，根据场景的特点局部扫窗，根据车牌的特点减少检测尺度等。模式识别对图像的全局上下文信息学习有限，在自然环境中会存在一定的误检，比如检测到了车身上的非车牌字符。

2 卷积神经网络算法

CNN最开始在图像分类上取得了突破性的进展，由于其出色的表现，Ross Girshick等人将其引入检测领域并提出了RCNN网络，效果远远优于传统算法，此后基于CNN的各种优秀的检测网络相继被推出，例如faster-rcnn、mtcnn、yolo、ssd等。在车牌检测中，要兼顾精度和速度，用得较多的网络有如下两个：

2.1 SSD（Single Shot MultiBox Detector）

SSD[2]是一种one-stage、anchor-based的实时检测网络，无论目标有多少个，推理速度基本恒定，训练时能够学习到图像的全局上下文信息，同时由于其多尺度检测的特性，即使画面中车牌比较小也可以被检测到。优化或者替换网络backbone后，模型大小和速度都能够满足在主流的嵌入式芯片上实时检测的要求，被广泛使用。

2.2 YOLOv3

YOLOv3[3]是YOLO系列中的第三版，是使用量较广泛的版本，也是one-stage、anchor-based型的网络，借鉴了SSD、FPN、多标签分类等好的思路，平衡了精度和速度，比较容易进行网络训练。使用k-means算法对样本进行聚类来确定anchor boxes的尺度，更加精准;使用三层的feature layers融合，能表达更细粒度的信息，对于小目标的检测效果比SSD好。在图像中车牌往往不属于大目标，因此在工业领域中使用YOLOv3作为车牌检测算法比较多，检测框定位的精度要优于SSD。通过优化后，推理速度也能在主流的嵌入式芯片中达到实时。

3 结束语

基于图像车牌检测算法从传统到卷积神经网络的发展，检测效果越来越好，鲁棒性也越来越强，今后也将会在深度学习技术的不断推动下，出现更快更好的算法，使得车牌自动识别可以在众多的场景下做到真正的無需人工值守，精细化的管理车辆，畅通道路。

参考文献

[1]潘秋萍，杨万扣，孙长银.基于Haar与MB-LBP特征的车牌检测算法[J].东南大学学报：自然科学版，2012，042（0z1）：74-77.

[2]Liu W，Anguelov D，Erhan D，et al.SSD：Single Shot MultiBox Detector[C].european conference on computer vision，2016：21-37.

[3]Redmon J，Farhadi A.YOLOv3：An Incremental Improvement[J].arXiv：Computer Vision and Pattern Recognition，2018.

作者简介：

覃立源（1988-），男，广西贵港市，本科，研究方向：电子信息和图像模式识别.