張嶠

摘 要 在中國(guó)，由于智能交通系統(tǒng)的廣泛應(yīng)用，車牌識(shí)別（LPR）技術(shù)的地位與日俱增并起著十分重要的作用。但是，在應(yīng)用中由于復(fù)雜的路況和天氣可能使部分車牌文本被遮擋，目前大部分的車牌識(shí)別技術(shù)都能更好的識(shí)別車牌的字符信息，但對(duì)于部分被遮擋或信息不完整的車牌的識(shí)別效率和準(zhǔn)確率較低。本文介紹了車牌識(shí)別的三步驟、車牌識(shí)別的算法發(fā)展、車牌文字識(shí)別的方法及發(fā)展和車牌識(shí)別的未來發(fā)展方向，并提出人工智能在車輛車牌照片圖像和車牌文本識(shí)別的應(yīng)用，使高效、高準(zhǔn)確率的車牌識(shí)別成為可能。

關(guān)鍵詞 車牌識(shí)別 判別式分析 智能交通

中圖分類號(hào)：TP2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0745（2021）09-0061-02

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，車牌識(shí)別技術(shù)在交通管理、數(shù)字安全監(jiān)控、車輛識(shí)別、停車管理、監(jiān)視過境和搜索可疑車輛等多個(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，讀取車牌的過程還經(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;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。車牌識(shí)別過程中，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)，通常與車牌識(shí)別互相配合、互相驗(yàn)證。實(shí)際上，車牌識(shí)別過程包括圖像采集、預(yù)處理、車牌定位、字符分割、字符識(shí)別、結(jié)果輸出等一系列算法運(yùn)算。

3 車牌識(shí)別的算法發(fā)展

目前車牌識(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)來檢測(cè)和識(shí)別印度車牌，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)算法兩種算法來測(cè)試巴黎車牌，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)別車牌號(hào)，無需對(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)中的車輛。S.Qing-kun和Y.Hui-jun利用140個(gè)樣本圖像對(duì)中國(guó)車牌進(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)的車牌識(shí)別研究，達(dá)到了94%的識(shí)別率。通過使用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)別出印度車牌，識(shí)別率為96%。H. Rajput通過邊緣檢測(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)澳大利亞車牌進(jìn)行了測(cè)試，并獲得了96%的識(shí)別率[2]。

4 車牌文字識(shí)別的方法及發(fā)展

對(duì)于車牌文字識(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）分類器，SVM分類器由一組給定的訓(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)行分類的模型。對(duì)于多分類問題，我們將多分類問題分解為多個(gè)二進(jìn)制分類問題，并設(shè)計(jì)了合適的組合多個(gè)二進(jìn)制SVM分類器。根據(jù)如何以適當(dāng)?shù)挠嗔繉⑺袠颖痉譃椴煌念悇e，在SVM分類器中使用了不同類型的內(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（稱為訓(xùn)練集），然后開發(fā)一個(gè)可以從這些訓(xùn)練中學(xué)習(xí)的系統(tǒng)。換句話說，神經(jīng)網(wǎng)絡(luò)使用訓(xùn)練來自動(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)際拍攝過程也會(huì)受到環(huán)境亮度、拍攝方式、車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牌識(shí)別的識(shí)別率，也正是車牌識(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。

車牌識(shí)別在過去的幾年內(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，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?；谏疃葘W(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)域取得了開創(chuàng)性進(jìn)展，在圖像生成的過程中，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)練崩潰等問題。[8]2016年，Radford等人發(fā)表了一篇名為《無監(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)模板渲染車牌的先驗(yàn)知識(shí)的情況下，從車牌中學(xué)習(xí)與環(huán)境無關(guān)且無透視的語(yǔ)義特征[10]。

生成式對(duì)抗網(wǎng)絡(luò)（GAN）的出現(xiàn)也給類似被遮擋的車牌識(shí)別問題帶來曙光，將車牌識(shí)別率進(jìn)一步提高。當(dāng)然，車牌識(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]，因此車牌識(shí)別仍需要繼續(xù)研究。

參考文獻(xiàn)：

[1] 趙漢理，劉俊如，姜磊，沈建冰，胡明曉.基于卷積神經(jīng)網(wǎng)絡(luò)的雙行車牌分割算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2019（08）：1320-1329.

[2] Pham V H，Dinh P Q，Nguyen V H.CNN-Based Character Recognition for License Plate Recognition System[J].2018.

[3] Dashtban M H，Dashtban Z，Bevrani H.A Novel Approach for Vehicle License Plate Localization and Recognition[J].International Journal of Computer Applications，2011，26 （11）：22-30.

[4] Lee R C，Hung K C，Wang H S.Real-Time Vehicle L icense Plate Recognition Based on Scanning and 2D Haar Discrete Wavelet Transform[J].Applied Mechanics & Materials，2013（284-287）：2402-2406.

[5] Qing-Kun S，Hui-Jun Y，Teng Z.License plate recognition based on mathematical morphology method and RBF neural network[C].International Conference on Measurement， Information & Control，2012.

[6] Zhou W，Li H，Lu Y，et al.Principal Visual Word Discovery for Automatic License Plate Detection[J].ieee transactions on image processing a publication of the ieee signal processing society，2012，21（09）：4269-79.

[7] 潘翔，王恒.基于深度學(xué)習(xí)的車牌相似字符識(shí)別[J].計(jì)算機(jī)科學(xué)，2017（S1）：239-241，257.

[8] Alom M Z，Sidike P，Hasan M，et al.Handwritten Bangla Character Recognition Using the State-of-the-Art Deep Convolutional Neural Networks[J].Computational Intelligence & Neuroscience，2018：1-13.

[9] Xie L，Ahmad T，Jin L，et al. A New CNN-Based Method for Multi-Directional Car License Plate Detection[J].IEEE Transactions on Intelligent Transportation Systems，2018：1-11.

[10] Rajput H，Som T，Kar S.An Automated Vehicle License Plate Recognition System[J].Computer，2015，48（08）：56-61.

[11] Haykin S，Kosko B. GradientBased Learning Applied to Document Recognition[D].Wiley-IEEE Press，2009.