一种基于卷积神经网络的智能车牌识别方法

刘世豪 王丙正 胡文帅 陈亚瑞

【摘   要】车牌智能识别是实现交通车辆信息统计、存储的核心技术，本文设计一种基于BP神经网络的的车牌识别实现方案，搭建包含多层卷积、池化、全连接层的神經网络模型，通过图像降维、中值滤波、Canny边缘检测、闭运算等图像处理算法搭配，实现对原始车辆图像的科学处理。后加以基于投影法的字符分割，将分割后的多个字符数据输入训练模型，得到输出车牌号码信息，以实现对图像车牌号码的检测;该方法采用多类场景下车辆图像进行检测，识别准确率可达97%。

【关键词】车牌识别;中值滤波;BP神经网络;字符分割

引言

随着中国经济的高速发展，中国人民对汽车的需求量逐年增大，同时道路车流量在巨幅增加，如何科学、准确地在各公共交通场所、交通路段实现对车辆车牌的检测和识别，这是交通有关管理部门对交通数据统计时较为关注的问题。本文设计了一种基于卷积神经网络的车牌识别方案，对已经存在的车牌识别系统在图像处理、神经网络模型搭建方面进行了技术改进，实现了对多场景下车牌图像的车牌位置的正确截取，对车牌号码的精准识别。

1.卷积神经网络

卷积神经网络是一种包含卷积的多层结构神经网络，包括卷积层，池化层，全连接层，其局部连接方式有效减少了权值数量，卷积层通过对图像数据求卷积以提取并增强图像特征，池化层对图像进行池化操作，全连接层采用Softmax进行各类别概率的映射，最后输出层作为字符分类器，实现对车牌各字符的确定。

本文选择使用CNN神经网络进行模型构建，使车牌、字符图像可以直接作为网络的输入，有效减少了特征提取过程中的复杂转换，使图像重建过程缩短，在解决识别缩放、变形等图像问题方面具有较高的运算效率。

本文建立3层卷积、3层全连接层的BP神经网络，来训练字符、车牌的识别模型，网络结构如图1所示，卷积层使用3×3的卷积核进行卷积运算，并能够在图像边缘进行停留;池化层使用max-pooling取得特定范围最大特征点，在车牌及字符图像识别中对目标纹理提取有较高的效用;每层采用RELU函数进行激励，RELU函数表达形式为：

它具有良好的单侧抑制效果，能更好的挖掘车牌及字符细节特征，拟合训练数据。在神经网络最后一次输出层中，采用Softmax回归对输入图像进行分类，Softmax函数将x向量映射为结果值（y1，y2，...，yk），对应数据范围到（0，1）区间，Softmax交叉熵损失函数：

其中表示样本有所有类别的后验概率组成，经过梯度下降法的优化求解，得到关于向量W的梯度值，后进行迭代操作，不断对W进行值更新，直至达到判定阈值。

2.车牌定位

2.1图像处理

（1）图像降维。图像降维采用图像灰度化处理，RGB图像灰度化是将原始图像数据转化为二维矩阵，能最大程度保留原始图像的显著特征信息。

（2）图像滤波。图像滤波是尽量保留图像原始特征同时消除干扰信息，本方法中采用medianBlur中值滤波，它在一定程度上降低了滤波器内与典型值差别较大的值的影响，能较高程度保留图像边缘特征，其计算过程如图2所示。

（3）边缘检测。本文使用Canny算法进行边缘检测，通过高斯滤波实现干扰信息消除，使用卷积阵列、分别作用于x轴正向和y轴正向，计算梯度幅值和方向：

后定义不同的阈值进行强、弱边缘检测，符合判定条件时保留弱边缘，故有较强的噪声干扰稳定性。

（4）噪声消除。将原始图片由RGB通道转换到HSV通道，后二值化处理，使用矩形内核对图像进行先膨胀后腐蚀以实现图像闭运算，消除图像中黑色斑点，加强邻接目标间的不可靠连接，平滑边缘的同时保持检测物体原有大小，实现图像前景噪声的去除，得到真正的车牌在图像中的区域。

2.2车牌截取

本文使用opencv2库函数进行图像中矩形轮廓提取，由于图像本身多样性，通过泛洪算法（FloodFill）和倾斜矫正对疑似区域进行矫正处理，后参照中国标准车牌比例进行阈值设定，通过该阈值对所提取的所有矩形轮廓进行筛选，选取最终判别的车牌区域进行截取。

2.3车牌识别

对本文建立的卷积神经网络进行图像输入，数据集中样本图像数量为6000，其中正向样本数量为2000，反向样本数量为4000，输出层是对分类映射的二分类器，输出结果为“是车牌”和“非车牌”。

3.字符识别

3.1色彩处理

为便于图像中字符识别，将图像灰度化、二值化为黑白图像。进行图片边缘切割，通过从首尾两侧对图像二维数据进行缩小，舍弃图像边缘部分以切除车牌边框，避免边框等不利因素对字符识别准确率造成影响。

3.2字符分割

采用投影法进行字符分割，对图像进行水平、垂直像素统计，判断出车牌中每个字符所在区域。我国标准车牌为统一的七个字符，垂直投影后，各字符间将再无异类像素点，因此得到的投影图会出现7个大的波峰，从中得到字符起始点、分割间距、字符结束点等参数，由此进行字符分割，投影及分割效果如3图所示。

3.3字符识别

训练搭建的卷积神经网络模型，将预处理后生成的图像数据输入模型，识别结果包含中国31个省的简称、除去字母I和O后的24个大写英文字母、10个阿拉伯数字进行分类，输出层为65分类器以分别对应以上65种字符，输入值为每个分割出的字符图像数据，输出为在65个字符中具有最大概率的字符。模型训练过程中，损失随迭代次数趋势图像如图4所示，训练结束时，识别精度高达0.98。

4.测试结果分析

测试图片来自数据集CCPD2019，CCPD2019是由中科大团队建立，其中包含多类环境、角度下车辆图像，选取100张不同背景、车牌大小的图像进行检测，经过图像预处理，将图像输入训练好的模型以进行分类，检测结果输出形式为控制台打印，识别正确率为0.97，有3%的图片识别失败，统计结果如表1所示。

可以得出，训练出的神经网络模型在不同场景下车辆图像有较高的识别率，但对于1%背景干扰性过强的图像，仍存在不能准确截取车牌的情况，对于2%变形严重的车牌，存在分割后无法识别的情况，因此该方法在神经网络模型搭建方面仍有优化的空间。

5.结语

本文基于卷积神经网路以及计算机图像处理技术，设计了一种智能车牌识别方法，并利用python语言完了编程实现。该方法可识别现实道路环境下对车辆图像，并完成对车牌图像的准确截取、分割，输入训练模型中可准确输出识别结果，测试准确率可达0.97，实现了各类环境下车牌的精准识别，为相关部门技术人员的工程实现提供了技术参考。（通讯作者：陈亚瑞）

参考文献

[1]周志华.机器学习.Machine learning[M].清华大学出版社，2016.

[2]刘美. 彩色图像灰度化算法的研究与实现[D].长春理工大学，2019.

[3]施鹏程，彭华.车牌识别系统的设计与实现[J].信息与电脑（理论版），2020，32（16）：102-104.

[4]林云.基于OpenCV的车牌识别系统设计与实现[J].物联网技术，2020，10（06）：22-25.

[5]李清洲，潘为刚，王书新.基于Python-OpenCV的车牌识别系统[J].单片机与嵌入式系统应用，2020，20（09）：59-62.

[6]刘保.基于神经网络深度学习的车牌识别算法[J].中国交通信息化，2019（08）：122-125+128.

[7]顾秀秀，朱明亮，吴琼，史洪玮.基于BP神經网络的智能车牌识别系统[J].电脑知识与技术，2021，17（03）：19-22.

[8]彭慧玲.基于DenseNet与ResNeXt算法的车牌定位识别方法研究[J].技术与市场，2020，27（10）：23-26.

基金项目：本文系天津科技大学创新创业项目（项目编号：202010057171）资助

作者简介：刘世豪（2000.03-），男，汉族，河南开封人，天津市滨海新区天津科技大学物联网工程专业，本科生。

通讯作者：陈亚瑞（1982.10-），女，汉族，河北邢台人，副教授，博士，研究方法机器学习、深度学习。

天津科技大学    天津    300457