賀州學院 李貞偉

車輛特征識別算法中車牌定位的研究是近幾年來研究的重要內容，但是受光照不均勻、車牌傾斜等的影響，使其在市場上應用通用性不強，因此對車輛特征識別系統(tǒng)進行繼續(xù)性研究能夠帶來重大的應用價值。本文使用了當今人工智能領域最主流的卷積神經(jīng)網(wǎng)絡算法對車輛進行檢測，并且進行車牌定位，結合百度公司的深度學習開發(fā)平臺EasyDL服務器進行遠程訓練后生成H5頁面，可以通過掃碼實現(xiàn)車輛位置檢測和車牌定位，分別標注為Car和License。

車輛特征識別算法中車牌定位的研究是近幾年來研究的重要內容。但是受光照不均勻、車牌傾斜等的影響，使其在市場上應用通用性不強，因此對車輛特征識別系統(tǒng)進行繼續(xù)性研究能夠帶來重大的應用價值。要想實現(xiàn)智能交通管理系統(tǒng)，關鍵技術在于識別車輛特征和車牌定位，目前市場上的應用場景較單一，當前市場上的相關技術對圖像的質量提出了較高的要求，否則使得識別效果較差，對于復雜背景條件下的光照變化、車牌污染、車牌遮擋、雨天霧天等條件下的識別能力還需要進一步提高優(yōu)化。因此，在目前該行業(yè)的技術基礎上，開發(fā)出一款具有通用性和魯棒性的車輛識別、車牌定位系統(tǒng)對于智能化車輛管理具有深遠意義和應用價值。

1 卷積神經(jīng)網(wǎng)絡的基礎知識

1.1 卷積神經(jīng)網(wǎng)絡簡介

卷積神經(jīng)網(wǎng)絡被認為是學習圖像內容的最佳技術之一，并且在圖像識別、分割、檢測和檢索等相關任務方面展現(xiàn)出了最優(yōu)效果。卷積神經(jīng)網(wǎng)絡的成功所引起的關注已超出學術界。在行業(yè)中，諸如Google，Microsoft，AT＆T，NEC和Facebook之類的公司已經(jīng)建立了活躍的研究小組，以探索CNN的最新架構。目前，在很多知名的圖像處理比賽中參賽者都使用了基于深度卷積神經(jīng)網(wǎng)絡的模型。

1.2 卷積

卷積層是由一組卷積核（每個神經(jīng)元充當核）構成，卷積核與圖像相關的部分是感受野。它通過將圖像劃分成小塊（感受野）并將其與一組特定的權重進行卷積來工作，即濾波器的元素與相應的感受野的元素相乘。卷進計算的過程如公式(1)所示：

公式中f(.)代表激活函數(shù)，表示下層輸出，表示上層的輸出，k代表該層卷積核的權值，b代表該層卷積核的偏置。

1.3 池化

因為卷積運算輸出而產生的特征圖可能出現(xiàn)在圖像的不同位置，一旦提取特征后，只要保留相對于其他特征的近似位置，其精確位置就不在那么重要，所以可以采用池化的方式來匯總感受野附近的相似信息，并在該局部區(qū)域輸出主要響應，以此來減少網(wǎng)絡參數(shù)，一定程度上抑制過擬合現(xiàn)象。

1.4 全連接

全連接層一般分布在網(wǎng)絡的最后部分，主要用于分類任務，全連接層采用的是全局操作方式，這也是其與卷積層和池化層的不同之處。全連接層從它的前一層獲得輸入特征后，對所有前一層的輸出特征進行全局分析，將選定的特征進行非線性組合，然后使用softmax分類器或者SVM分類器對數(shù)據(jù)進行分類。

2 應用卷積神經(jīng)網(wǎng)絡的車輛檢測與車牌定位的設計與實驗

2.1 數(shù)據(jù)集

本次實驗中，共采集車輛數(shù)據(jù)集圖像約3000張，然后使用隨機剪裁和鏡像翻轉技術將數(shù)據(jù)集擴增10倍后用于網(wǎng)絡訓練，隨機裁剪如圖1所示。

圖1 隨機裁剪

通常將獲得的數(shù)據(jù)集分為三份。

（1）訓練集(Training Dataset)：用來模型迭代訓練的數(shù)據(jù)集。

（2）驗證集(Validation Dataset)：用來預防過擬合的發(fā)生，輔助訓練過程的數(shù)據(jù)集。

（3）測試集(Test Dataset)：用來評估最終訓練好的模型性能的數(shù)據(jù)集。

2.2 網(wǎng)絡搭建

由圖2所示，卷積神經(jīng)網(wǎng)絡輸入一張圖像后，先經(jīng)過多個卷積層和池化層，再經(jīng)過全連接層，最終在Bbox層后輸出位置坐標，在Softmax分類器后輸出預測類別。

圖2 圖像檢測過程

2.3 實驗與測試

實驗結果如圖3所示：可以有效的識別車輛信息car和位置坐標以及車牌定位，且可以準確標注物體的位置和預測概率，第一張測試圖像主要是車輛的頭部方向，其中car的預測概率為99.60%，車牌預測概率為98.39%，且用方框進行位置標注；第二張測試圖像主要是車輛的尾部方向，car的預測概率為99.13%，車牌預測概率為98.56%，可見該網(wǎng)絡的識別效果較好。

圖3 車輛、車牌檢測結果

本文使用了當今人工智能領域最主流的卷積神經(jīng)網(wǎng)絡算法對車輛進行檢測，并且進行車牌定位，且車輛和車牌的識別檢測效果較好。

接下來的工作是在車輛檢測的基礎上加入行人檢測識別，使得網(wǎng)絡同時可以識別通過的車輛的同時也可以實現(xiàn)行人檢測，這樣就可以應用于高檔小區(qū)或者中小學的人車分流系統(tǒng)，選擇車輛通過電動閘門還是不允許通過，實現(xiàn)人車分流，保證人走人行通道，車走車行通道，方便安全，解決日常生活中的一些問題。