摘 要：基于圖像的車牌自動(dòng)識(shí)別系統(tǒng)（LPR）是智能交通（ITS）領(lǐng)域中重要的一環(huán)，在高速公路、交通路口、停車場等場合發(fā)揮重要作用，能夠節(jié)省大量人力物力。基于圖像的車牌自動(dòng)識(shí)別過程中，對(duì)車牌位置的檢測是第一個(gè)環(huán)節(jié)，起到關(guān)鍵作用。本文概述了車牌檢測算法的發(fā)展歷程及主要使用的算法，從傳統(tǒng)算法到卷積神經(jīng)網(wǎng)絡(luò)（CNN），總結(jié)各類算法優(yōu)缺點(diǎn)，綜述了發(fā)展方向。

關(guān)鍵詞：車牌識(shí)別;車牌檢測;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)

0 引言

隨著城市現(xiàn)代化的發(fā)展，汽車保有量逐年增加，我國公路發(fā)展迅速，采用傳統(tǒng)的人工管理模式已滿足不了對(duì)車輛精細(xì)化管理的需求?；趫D像的車牌自動(dòng)識(shí)別技術(shù)成為解決難題的關(guān)鍵技術(shù)之一，廣泛應(yīng)用于停車場出入口、車輛違章抓拍等場景中。目前基于圖像的車牌自動(dòng)識(shí)別功能大多都是嵌入到智能識(shí)別一體機(jī)里面完成，對(duì)算法的處理速度要求較高，大致可分為車牌檢測、車牌矯正、字符分割和字符識(shí)別這四個(gè)過程（如圖1所示）。其中車牌檢測是關(guān)鍵的一個(gè)環(huán)節(jié)，關(guān)系到能否捕捉到當(dāng)前車輛。

我國的車牌具有顯著的特點(diǎn)，車牌長寬比例有明確的規(guī)定，字符特征明顯且具有規(guī)律性，對(duì)圖像中的車牌進(jìn)行檢測并不是難事。因?yàn)樾枰嚺谱詣?dòng)識(shí)別的地方都是存在自然環(huán)境中，環(huán)境光的影響、背景的復(fù)雜度等都是不可控的，加上算法需要在嵌入式芯片中運(yùn)行，所以設(shè)計(jì)一個(gè)魯棒性強(qiáng)、運(yùn)行速度快的車牌檢測算法并非易事。

1 傳統(tǒng)算法

CNN在檢測領(lǐng)域取得重大突破之前，大都是采用傳統(tǒng)的算法進(jìn)行車牌的檢測，主要使用的方法有兩種，一種是基于顏色特征的檢測方法，一種基于模式識(shí)別方法。

1.1 基于顏色特征的算法

我國車牌藍(lán)黃牌居多，顏色特征明顯，通過把圖像的顏色空間轉(zhuǎn)換到HSV空間，可以快速提取出藍(lán)色區(qū)域和黃色區(qū)域，再對(duì)blob區(qū)域進(jìn)行膨脹腐蝕等形態(tài)學(xué)操作，通過寬高比例等條件過濾之后，可以提取到真正的車牌位置信息。這種算法的優(yōu)點(diǎn)就是速度快，對(duì)于成像角度很大的車牌也能提取出來，還可以附帶算出傾斜角度。但是缺點(diǎn)也同樣明顯，對(duì)于白牌黑牌等其它顏色車牌效果不佳，對(duì)臟污的車牌效果不好，容易受到環(huán)境光照、背景顏色等干擾，檢測召回率低。

1.2 基于有監(jiān)督模型識(shí)別的算法

有監(jiān)督的模式識(shí)別是對(duì)已知數(shù)據(jù)樣本的特征進(jìn)行提取，建立數(shù)學(xué)模型，對(duì)給定的特征訓(xùn)練分類器進(jìn)行分類，相當(dāng)于通過計(jì)算機(jī)去學(xué)習(xí)人類的經(jīng)驗(yàn)，模式識(shí)別廣泛應(yīng)用于圖像分析處理。典型的模式分類方法有線性分類器（感知器、Fisher分類），非線性分類器（BP、SVM）。在車牌檢測領(lǐng)域，綜合效果和速度來說，用的較多的有兩種，一種是HOG特征+SVM分類器，另一種是HAAR特征+AdaBoost級(jí)聯(lián)分類器。HOG特征能很好的描述車牌字符的邊緣，HAAR特征能更好的適應(yīng)圖像灰度的變化，對(duì)于環(huán)境光比較復(fù)雜的場景，HAAR特征體現(xiàn)了更好的魯棒性。模式識(shí)別檢測的時(shí)候使用掃窗的方式并要支持不同尺度，計(jì)算量大，優(yōu)化方向主要有使用精簡的特征，根據(jù)場景的特點(diǎn)局部掃窗，根據(jù)車牌的特點(diǎn)減少檢測尺度等。模式識(shí)別對(duì)圖像的全局上下文信息學(xué)習(xí)有限，在自然環(huán)境中會(huì)存在一定的誤檢，比如檢測到了車身上的非車牌字符。

2 卷積神經(jīng)網(wǎng)絡(luò)算法

CNN最開始在圖像分類上取得了突破性的進(jìn)展，由于其出色的表現(xiàn)，Ross Girshick等人將其引入檢測領(lǐng)域并提出了RCNN網(wǎng)絡(luò)，效果遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)算法，此后基于CNN的各種優(yōu)秀的檢測網(wǎng)絡(luò)相繼被推出，例如faster-rcnn、mtcnn、yolo、ssd等。在車牌檢測中，要兼顧精度和速度，用得較多的網(wǎng)絡(luò)有如下兩個(gè)：

2.1 SSD（Single Shot MultiBox Detector）

SSD[2]是一種one-stage、anchor-based的實(shí)時(shí)檢測網(wǎng)絡(luò)，無論目標(biāo)有多少個(gè)，推理速度基本恒定，訓(xùn)練時(shí)能夠?qū)W習(xí)到圖像的全局上下文信息，同時(shí)由于其多尺度檢測的特性，即使畫面中車牌比較小也可以被檢測到。優(yōu)化或者替換網(wǎng)絡(luò)backbone后，模型大小和速度都能夠滿足在主流的嵌入式芯片上實(shí)時(shí)檢測的要求，被廣泛使用。

2.2 YOLOv3

YOLOv3[3]是YOLO系列中的第三版，是使用量較廣泛的版本，也是one-stage、anchor-based型的網(wǎng)絡(luò)，借鑒了SSD、FPN、多標(biāo)簽分類等好的思路，平衡了精度和速度，比較容易進(jìn)行網(wǎng)絡(luò)訓(xùn)練。使用k-means算法對(duì)樣本進(jìn)行聚類來確定anchor boxes的尺度，更加精準(zhǔn);使用三層的feature layers融合，能表達(dá)更細(xì)粒度的信息，對(duì)于小目標(biāo)的檢測效果比SSD好。在圖像中車牌往往不屬于大目標(biāo)，因此在工業(yè)領(lǐng)域中使用YOLOv3作為車牌檢測算法比較多，檢測框定位的精度要優(yōu)于SSD。通過優(yōu)化后，推理速度也能在主流的嵌入式芯片中達(dá)到實(shí)時(shí)。

3 結(jié)束語

基于圖像車牌檢測算法從傳統(tǒng)到卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，檢測效果越來越好，魯棒性也越來越強(qiáng)，今后也將會(huì)在深度學(xué)習(xí)技術(shù)的不斷推動(dòng)下，出現(xiàn)更快更好的算法，使得車牌自動(dòng)識(shí)別可以在眾多的場景下做到真正的無需人工值守，精細(xì)化的管理車輛，暢通道路。

參考文獻(xiàn)

[1]潘秋萍，楊萬扣，孫長銀.基于Haar與MB-LBP特征的車牌檢測算法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)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，F(xiàn)arhadi A.YOLOv3：An Incremental Improvement[J].arXiv：Computer Vision and Pattern Recognition，2018.

作者簡介：

覃立源（1988-），男，廣西貴港市，本科，研究方向：電子信息和圖像模式識(shí)別.