張 嶠

（重慶工業(yè)職業(yè)技術(shù)學(xué)院，重慶 401120）

1 前言

智能交通體系極大地方便了人們的出行和生活。隨著智能交通的飛速發(fā)展與完善，車(chē)牌識(shí)別技術(shù)在交通管理、數(shù)字安全監(jiān)控、車(chē)輛識(shí)別、停車(chē)管理、監(jiān)視過(guò)境和搜索可疑車(chē)輛等多個(gè)領(lǐng)域中頻繁使用，已成為智能交通系統(tǒng)的重要組成部分。這些具有巨大經(jīng)濟(jì)價(jià)值的應(yīng)用技術(shù),不僅顯著地提高了工作效率,還節(jié)約了人力和物力資源。

2 車(chē)牌識(shí)別的步驟

LPR 系統(tǒng)是幾個(gè)模塊的組合，涉及對(duì)象檢測(cè)、圖像處理和模式識(shí)別。除了圖像采集和預(yù)處理之外，讀取車(chē)牌的過(guò)程還經(jīng)歷了三個(gè)主要階段：第一階段是板定位或板提取，即定位圖片中的牌照位置；第二階段是字符分割，即把每個(gè)字符都被檢測(cè)到并與其他字符分開(kāi)；第三階段是字符識(shí)別，即把分割好的字符進(jìn)行識(shí)別，并最終組成牌照號(hào)碼。車(chē)牌識(shí)別過(guò)程中，牌照顏色的識(shí)別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與車(chē)牌識(shí)別互相配合、互相驗(yàn)證。實(shí)際上，車(chē)牌識(shí)別過(guò)程包括圖像采集、預(yù)處理、車(chē)牌定位、字符分割、字符識(shí)別、結(jié)果輸出等一系列算法運(yùn)算。

3 車(chē)牌識(shí)別的算法發(fā)展

目前車(chē)牌識(shí)別技術(shù)發(fā)展已經(jīng)比較成熟,識(shí)別準(zhǔn)確率和魯棒性均比較高。C.Sharma 和 A.Kaur 提出了利用直方圖均衡的邊緣檢測(cè)技術(shù)來(lái)檢測(cè)和識(shí)別印度車(chē)牌，識(shí)別率為89%,其主要領(lǐng)域是分割部分，但所提出的方法對(duì)角度和環(huán)境敏感。M.H.Dashtban 嘗試使用邊緣檢測(cè)和神經(jīng)網(wǎng)絡(luò)算法兩種算法來(lái)測(cè)試巴黎車(chē)牌，識(shí)別率達(dá)到94%。這項(xiàng)研究的優(yōu)勢(shì)在于圖像數(shù)據(jù)庫(kù)包含了在不同光照條件下具有不同背景和坡度的各種車(chē)輛的圖像。R.Lee 和K.Hung 使用100 個(gè)樣本圖像研究了基于Haar 離散小波變換這種執(zhí)行速度較快的方法進(jìn)行實(shí)時(shí)車(chē)牌識(shí)別，有93%的準(zhǔn)確率[1]。G.Lekhana 和R.Srikantaswamy 用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)支持向量機(jī)識(shí)別車(chē)牌號(hào)，無(wú)需對(duì)圖像進(jìn)行任何增強(qiáng)，這種方法能夠成功識(shí)別運(yùn)動(dòng)中的車(chē)輛。S.Qing-kun 和Y.Hui-jun 利用140 個(gè)樣本圖像對(duì)中國(guó)車(chē)牌進(jìn)行了基于數(shù)學(xué)形態(tài)學(xué)方法和RBF 神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別研究，達(dá)到了94%的識(shí)別率。通過(guò)使用RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心確定算法，可以直接確定隱藏節(jié)點(diǎn)的數(shù)量，易于實(shí)現(xiàn)且識(shí)別精度較高。另一方面，在中國(guó)的車(chē)牌識(shí)別領(lǐng)域中也提出了一種新的方法，即PVD，這種方法可以適應(yīng)性地處理車(chē)牌中的各種變化，例如旋轉(zhuǎn)、縮放、照明。利用支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)的模板匹配，成功識(shí)別出印度車(chē)牌，識(shí)別率為96%。H.Rajput 通過(guò)邊緣檢測(cè)和形態(tài)學(xué)運(yùn)算進(jìn)行Gussing 濾波的實(shí)驗(yàn)，該實(shí)驗(yàn)對(duì)250 個(gè)澳大利亞車(chē)牌進(jìn)行了測(cè)試，并獲得了96%的識(shí)別率[2]。

4 車(chē)牌文字識(shí)別的方法及發(fā)展

對(duì)于車(chē)牌文字識(shí)別的方法，目前主要是采用判別式分析方法，這些方法包括基于模板匹配的字符識(shí)別、基于支持向量機(jī)的字符識(shí)別和神經(jīng)網(wǎng)絡(luò)的字符識(shí)別算法等。

艾哈邁德（Ahmed）等人提出了模板匹配。模板匹配是一種簡(jiǎn)單的方法。字符和模板之間的相似性是度量，與角色最相似的模板被識(shí)別為目標(biāo)，大多數(shù)模板匹配方法都使用二進(jìn)制圖像，因?yàn)榛叶葧?huì)由于光照的變化而改變，在將提取的字符調(diào)整為相同大小后執(zhí)行模板匹配。此方法對(duì)于識(shí)別非旋轉(zhuǎn)，不間斷的單個(gè)字體很有用。如果由于字體變化、旋轉(zhuǎn)、雜音而使字符與模板不同，則模板匹配會(huì)產(chǎn)生錯(cuò)誤的識(shí)別[3]。

LeCun 等人使用HOG 功能進(jìn)行字符識(shí)別，在訓(xùn)練階段，從每個(gè)字母的高分辨率圖像生成訓(xùn)練數(shù)據(jù)，然后獲得每個(gè)字母在HOG 特征空間中的分布。在識(shí)別階段，從圖像中切出每個(gè)字符，計(jì)算出HOG 特征向量，并根據(jù)上面獲得的HOG 特征空間中的分布識(shí)別字符。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的自學(xué)能力，能夠在一定程度上克服字符形狀的改變和位置偏移的缺陷[4]。

Siddharth 等人使用支持向量機(jī)（SVM）分類(lèi)器，SVM分類(lèi)器由一組給定的訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，并準(zhǔn)備了一個(gè)基于該模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)的模型。對(duì)于多分類(lèi)問(wèn)題，我們將多分類(lèi)問(wèn)題分解為多個(gè)二進(jìn)制分類(lèi)問(wèn)題，并設(shè)計(jì)了合適的組合多個(gè)二進(jìn)制SVM 分類(lèi)器。根據(jù)如何以適當(dāng)?shù)挠嗔繉⑺袠颖痉譃椴煌念?lèi)別，在SVM 分類(lèi)器中使用了不同類(lèi)型的內(nèi)核[5]。

Sharma 和Singh 已將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于字符識(shí)別，這種方法模擬了人類(lèi)神經(jīng)系統(tǒng)創(chuàng)建智能行為的方式。這個(gè)想法是采用大量的角色（稱(chēng)為訓(xùn)練集），然后開(kāi)發(fā)一個(gè)可以從這些訓(xùn)練中學(xué)習(xí)的系統(tǒng)。換句話(huà)說(shuō)，神經(jīng)網(wǎng)絡(luò)使用訓(xùn)練來(lái)自動(dòng)推斷識(shí)別字符的規(guī)則。這些方法在良好的數(shù)據(jù)集上可以取得令人印象深刻的結(jié)果，但在質(zhì)量較差的數(shù)據(jù)集上仍會(huì)產(chǎn)生不正確的識(shí)別，CNN 的引入使得模糊數(shù)據(jù)集的字符識(shí)別做得更好。

Bounchain 在角色識(shí)別任務(wù)中應(yīng)用了Lenet-5，該網(wǎng)絡(luò)已用包含50,000 多個(gè)手寫(xiě)數(shù)字的數(shù)據(jù)庫(kù)進(jìn)行了測(cè)試，所有數(shù)字均在輸入圖像中進(jìn)行了標(biāo)準(zhǔn)化，達(dá)到了約0.95%的錯(cuò)誤率[6]。

5 現(xiàn)狀和不足

實(shí)際應(yīng)用中，車(chē)牌識(shí)別系統(tǒng)的識(shí)別率還與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過(guò)程也會(huì)受到環(huán)境亮度、拍攝方式、車(chē)輛速度等等因素的影響。這些影響因素不同程度上降低了車(chē)牌識(shí)別的識(shí)別率，也正是車(chē)牌識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷地完善識(shí)別算法還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識(shí)別。

車(chē)牌識(shí)別在過(guò)去的幾年內(nèi)取得了驕人的成績(jī)，但還是存在著有待解決的問(wèn)題。比如，現(xiàn)實(shí)應(yīng)用中往往會(huì)因?yàn)樯硥m、濺起的泥巴、雨水腐蝕、風(fēng)化等各種原因使得車(chē)牌的字符不完整，致使字符分割和識(shí)別可能會(huì)遇到麻煩。上文提到的高識(shí)別準(zhǔn)確率的方法在不完整車(chē)牌識(shí)別中結(jié)果不盡如人意。在常態(tài)下識(shí)別率達(dá)到98%的XX 網(wǎng)絡(luò)用于識(shí)別文字殘缺不全的車(chē)牌，識(shí)別率降低一半以下，因此如何正確地分割和識(shí)別車(chē)牌文字成為一項(xiàng)艱巨的任務(wù)。

6 展望及發(fā)展方向

令人振奮的是，得益于圖像修復(fù)技術(shù)的發(fā)展，我們可以通過(guò)技術(shù)手段對(duì)殘缺文字進(jìn)行修補(bǔ)，還原文字的真實(shí)形態(tài)。近年來(lái)，深度學(xué)習(xí)在圖像語(yǔ)義修復(fù)、情感感知、模式識(shí)別以及特征分類(lèi)等領(lǐng)域展現(xiàn)出噴發(fā)時(shí)發(fā)展的態(tài)勢(shì)[7]，特別在圖像生成方面，表現(xiàn)出優(yōu)越的性能。基于深度學(xué)習(xí)的圖像生成算法相對(duì)于傳統(tǒng)的基于結(jié)構(gòu)和紋理的生成算法能夠捕獲更多圖像的高級(jí)特征，常用于進(jìn)行紋理合成和圖像風(fēng)格化遷移。2014 年由Goodfellow 提出的生成式對(duì)抗網(wǎng)絡(luò)（GAN）在圖像生成領(lǐng)域取得了開(kāi)創(chuàng)性進(jìn)展，在圖像生成的過(guò)程中，生成式對(duì)抗網(wǎng)絡(luò)相對(duì)于傳統(tǒng)的編碼-解碼器而言能夠更好地?cái)M合數(shù)據(jù)，且速度較快，生成的樣本更加銳利，但該方法也存在不足，如數(shù)據(jù)訓(xùn)練不穩(wěn)定、模型自由不可控、訓(xùn)練崩潰等問(wèn)題。[8]2016 年，Radford 等人發(fā)表了一篇名為《無(wú)監(jiān)督代表性學(xué)習(xí)與深度卷積生成式對(duì)抗性網(wǎng)絡(luò)》的論文，提出深度卷積生成式對(duì)抗網(wǎng)絡(luò)DCGAN。DCGAN 融合CNN和GAN，通過(guò)設(shè)計(jì)獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)，使得訓(xùn)練更加穩(wěn)定[9]，這是首篇表明向量運(yùn)算可以作為從生成器中學(xué)習(xí)的固有屬性進(jìn)行特征表達(dá)的論文。2019 年SHENG ZHANG 等人提出了一個(gè)有效而高效的共享對(duì)抗訓(xùn)練網(wǎng)絡(luò)（SATN），該網(wǎng)絡(luò)可以在具備標(biāo)準(zhǔn)模板渲染車(chē)牌的先驗(yàn)知識(shí)的情況下，從車(chē)牌中學(xué)習(xí)與環(huán)境無(wú)關(guān)且無(wú)透視的語(yǔ)義特征[10]。

生成式對(duì)抗網(wǎng)絡(luò)（GAN）的出現(xiàn)也給類(lèi)似被遮擋的車(chē)牌識(shí)別問(wèn)題帶來(lái)曙光，將車(chē)牌識(shí)別率進(jìn)一步提高。當(dāng)然，車(chē)牌識(shí)別還會(huì)受到光照、傾斜度、陰影、字符磨損變形、運(yùn)動(dòng)等諸多因素影響[11]，因此車(chē)牌識(shí)別仍需要繼續(xù)研究。