張曉瑞

（安徽三聯(lián)學院 電子電氣工程學院，安徽 合肥 230601）

如今，汽車已走進千家萬戶，極大地方便了人們的出行。但隨著道路上車輛的急劇增加，對交通秩序的影響也越來越嚴重[1]。近年來，交通智能化的興起有望成為緩解城市交通擁堵、降低交通事故發(fā)生率的重要手段。車牌識別技術是智能交通領域的關鍵技術，一般通過圖像、視頻等識別手段對車牌進行識別，將獲取的信息反饋到其他系統(tǒng)，由其他系統(tǒng)進行處理[2]。該技術已廣泛應用在停車場自動收費系統(tǒng)、道路監(jiān)控系統(tǒng)、電子警察系統(tǒng)中。

由于車牌識別技術廣闊的應用前景，因而受到研究者的關注[3]。王晗等人[4]利用模板概率密度函數設計了一種車牌定位方法，能利用特征點的空間分布及色彩信息，迅速地判斷出牌照的候選區(qū)域；根據中國標準汽車牌照的結構特點和幾何特征，構造出一套標準牌照的相似性概率密度函數，并對候選牌照進行比較，從而達到準確定位的目的。雖然該方法可以滿足車牌定位的需求，但是在雨天、夜間等環(huán)境下的檢測性能還有待提升。張世豪等人[5]在多尺度注意力融合的基礎上，提出了一個車牌檢測網絡模型，將三角網格的特征圖與CBAM注意結構相結合，能在復雜背景下對車牌的邊緣進行檢測與定位，為提高車牌識別的精度提供了依據；在試驗中，他們利用數據增強技術對數據集進行了擴展，很好地解決了復雜背景下的車牌識別率低的問題。但是，該方法檢測小目標車牌的精度也僅為92.17%，檢測精度較低。本文利用卷積神經網絡，設計了一種復雜環(huán)境中車牌快速識別的方法，可以較好地解決現有車牌識別方法不足的問題，提高復雜環(huán)境下車牌識別的準確率。

1 復雜環(huán)境車牌快速識別方法設計

1.1 復雜環(huán)境車牌的定位

在復雜環(huán)境中識別車牌圖像時，先對車牌圖像進行定位，提取車牌圖像的邊緣特征[6]。假設待定位的車牌圖像為J，其像素為i×j，那么可利用公式（1）提取車牌圖像的邊緣特征，即：

其中，A*表示初始輸入圖像J的邊緣映射圖像，q(J)表示圖像映射函數，θ表示車牌圖像的傾斜角度。

車輛行駛過程中，攝像頭拍攝到的車牌圖像會存在一定的傾斜[7]。為了保證車牌識別的精度，需將攝像頭抓拍到的車牌圖像進行像素塊分割，利用多個圖像區(qū)域校正傾斜的車牌圖像，從而提高車牌識別的準確性。校正公式為：

其中，Y(∞)表示車牌圖像邊緣特征的提取結果。

由于原始車牌圖像采用高清攝像機拍攝，隨機噪聲較小[8]，因此可針對待定位的車牌圖像，利用卷積神經網絡進行卷積操作，即給每一塊像素分配一個權重，進行線性運算[9]。運算過程為：

其中，H(J)表示經過灰度化處理的車牌圖像，?表示卷積神經網絡的卷積層，c表示卷積神經網絡的池化層，K(J)表示原始車牌圖像，N表示車牌圖像的像素點數量，E(J)表示含有噪聲的車牌圖像。

在此基礎上，選取特定數目的車牌圖像，加入后續(xù)的卷積神經網絡，再運用損失函數，對車牌圖像進行尺度變異系數的預估，運算過程為：

其中，loss為損失函數表達式，ti*為車牌圖像的線性表示，φ表示尺寸變化因子，W*表示卷積神經網絡的學習參數。

對于提取出的車牌圖像特征，在水平方向進行一階差分變換[10]，處理過程為：

其中，a表示車牌圖像的高度，b表示車牌圖像的寬度。將一階差分后的車牌圖像g(a,b)在灰度大小上，沿水平方向累加后得到平滑車牌圖像T(a)為：

根據車牌圖像的一階差分變換，得到復雜環(huán)境中車牌的位置信息，表示為：

其中，ui,j表示輸入初始圖像J中第(a,b)像素的值。

根據車牌圖像的邊緣特征，使用卷積神經網絡對圖像進行灰度化處理；再利用損失函數，預測車牌圖像的尺度變化因子，從而得到復雜環(huán)境下車牌圖像的位置信息。

1.2 復雜環(huán)境車牌圖像的預處理

由于交通道路抓拍系統(tǒng)采集到的車牌圖像往往存在一些噪聲，因此需要進行相應的預處理。為了增強復雜環(huán)境中車牌圖像的清晰度，采用非線性指數的方法對復雜環(huán)境中的車牌圖像進行變換操作[11]，從而使車牌圖像變得更加清晰。在此基礎上，對復雜環(huán)境中的車牌圖像進行非線性灰度變換，所運用的公式為：

其中，ξc[f(a,b)]表示非線性灰度變換，h(a,b)表示車牌圖像在變換中的映射函數，f(a,b)表示車牌圖像變換的灰度函數，ξ表示灰度變換字符，a表示指數變換系數，b表示對數變換系數。非線性變換是采用非線性的方式對復雜環(huán)境中的車牌圖像進行指數變換，在一定程度上拉長了車牌圖像的灰度區(qū)域，使車牌圖像的灰度反差更加明顯[12]。通過改變車牌原圖像的灰度，提高了復雜環(huán)境中車牌圖像的清晰度。

為了防止噪音對車牌圖像產生干擾，在車牌圖像的時域中計算RGB像素顏色的平均值[13]，將其作為每一個車牌圖像塊的平均像素值，具體表達式為：

式中，m表示車牌圖像的像素色彩因子，n表示車牌圖像的像素灰度因子，M表示車牌圖像時域內的無限顏色像素值，r(m,n)表示車牌圖像m和車牌圖像n之間顏色像素值的平均值，g(m,n)表示像素值計算的二維連續(xù)函數。

為了保證車牌識別過程中的識別效率，將RGB彩色車牌圖像轉換為單通道的灰度圖像，進行灰度化處理。灰度化的過程就是將每個像素點的RGB值統(tǒng)一成同一個值?；叶然蟮膱D像將由三通道變?yōu)閱瓮ǖ溃员阍谶M行單通道的數據處理時降低處理難度。通過車牌圖像的灰度轉換，將彩色的車牌圖像按照一定比例分割，對其進行求和計算得出灰度值，計算過程見式（10）：

其中，V(i,j)為車牌圖像的灰度值，R(i,j)、G(i,j)、G(i,j)分別為彩色圖像對應像素位置上紅、綠、藍三個通道的分量值，(i,j)為圖像上第i行第j列的位置。

根據公式（10）的計算，采用圖像增強算法對復雜環(huán)境中的車牌圖像進行增強處理，具體步驟為：

Step1：移動車牌圖像識別模板，使待處理的車牌圖像像素與模板中心重合；

Step2：求出模板系數與各像素點的相乘總和；

Step3：將上述乘積總和作為當前處理像素的最終像素值。

通過車牌圖像的非線性灰度變換，計算出車牌圖像的灰度值；結合增強處理，完成了復雜環(huán)境車牌圖像的預處理。

1.3 復雜環(huán)境車牌識別算法的設計

在設計復雜環(huán)境車牌識別算法時，以復雜環(huán)境中車牌的位置為依據[14]，利用公式（11）建立車牌圖像的HIS模型，表示為：

其中，H表示車牌圖像的色調因子，S表示車牌圖像的飽和度，I表示車牌圖像的強度。

在車牌圖像的HIS模型基礎上，定義了復雜環(huán)境車牌圖像的隸屬度函數[15]，獲取了車牌圖像邊緣的紋理特征，見式（12）：

其中，fj表示復雜環(huán)境車牌圖像區(qū)域j的紋理特征向量，fn表示復雜環(huán)境車牌圖像區(qū)域n的紋理特征向量，e表示fj與fn之間的歐式距離，σ表示所有車牌圖像紋理特征之間的距離。

根據車牌圖像的紋理特征，計算出不同區(qū)域車牌圖像的形狀特征，計算公式為：

其中，fjk、fjv表示車牌圖像區(qū)域內形狀特征的橫縱坐標值?表示形狀特征的橫縱坐標值。

根據不同區(qū)域車牌圖像的形狀特征，對比復雜環(huán)境中車牌圖像的邊緣特征相似度，即：

式中，Pr(rk)表示車牌圖像形狀特征的評價集合，L表示車牌圖像邊緣的特征數量。

綜上所述，以復雜環(huán)境中車牌的位置為依據，建立了車牌圖像的HIS模型；通過定義復雜環(huán)境車牌圖像的隸屬度函數，獲取了車牌圖像邊緣的紋理特征；根據不同區(qū)域車牌圖像的形狀特征，對比了復雜環(huán)境中車牌圖像的邊緣特征相似度，完成了復雜環(huán)境車牌識別算法的設計，實現了復雜 環(huán)境車牌的快速識別。

2 實驗分析

2.1 實驗數據集

實驗過程中，選擇合肥市道路交通部門發(fā)布的MIDD數據集。MIDD數據集一共包含30萬份車牌樣本數據，其中包括很多霧霾、雨天、強光、夜晚等復雜環(huán)境下的車牌樣本。在MIDD數據集中，很多車牌樣本數據會受到噪聲影響，導致車牌圖像更加模糊。MIDD數據集的樣本分布情況如表1所示。

表1 MIDD數據集

2.2 實驗環(huán)境

為了驗證基于卷積神經網絡的復雜環(huán)境車牌快速識別方法在實際應用中的效果和性能，實驗所使用的計算機環(huán)境配置為Windows7操作系統(tǒng)；在CPU的選型上，選擇GTX 1080Ti的顯卡；內存選擇32 GB的超大內存；車牌圖像識別的編程語言為MATLAB。其中，卷積神經網絡的訓練參數為：初始學習率0.01，動量0.85。

實驗圖像數據由安徽省合肥市20個小區(qū)停車場進出口攝像頭抓拍的圖像組成，圖像數量為2 100張，分辨率為1 920×1 080。由于本文主要針對復雜環(huán)境條件下的車牌檢測，因此圖像數據采集的環(huán)境主要為雨天環(huán)境、夜間環(huán)境與強光環(huán)境，每種環(huán)境下圖像為700張。對卷積神經網絡進行500次循環(huán)訓練，其識別誤差收斂于0.068 5。卷積神經網絡訓練過程的部分偽代碼如圖1所示。

圖1 卷積神經網絡訓練代碼

2.3 效果測試

采用本文提出的基于卷積神經網絡的復雜環(huán)境車牌快速識別方法，對上述圖像數據進行車牌識別檢測，識別效果如圖2所示。

圖2 識別效果

通過觀察圖2中不同環(huán)境下的車牌識別效果可以看出，在不同的行車環(huán)境下，基于卷積神經網絡的復雜環(huán)境車牌快速識別方法能夠清晰地檢測到車牌字符，可以成功識別到車牌上的號碼。

2.4 對比測試

為了驗證本文提出方法的優(yōu)越性能，選擇文獻[4]提出的基于模板概率密度函數的車牌定位方法與文獻[5]提出的輕量型多尺度注意力融合的車牌檢測算法作為對比方法，共同對復雜環(huán)境下的2 100張圖像進行識別檢測；根據識別正確率的高低來判斷方法的實際應用性能，識別正確率越高，說明該方法的識別精度越高，識別效果越好。測試結果如表2所示。從表2可以看出，本文方法的正確識別數量高于另外兩種方法，誤檢數量最低，識別準確率最高。根據表2繪制三種方法的識別正確率對比圖，如圖3所示。

表2 不同算法復雜環(huán)境車牌識別正確率對比測試結果

圖3 三種方法識別正確率對比圖

通過圖3可以看出，在復雜環(huán)境下，三種方法均能保持95%以上的識別正確率?；谀０甯怕拭芏群瘮档能嚺贫ㄎ环椒ㄔ谟晏飙h(huán)境、夜間環(huán)境、強光環(huán)境條件下的識別正確率分別為96.43%、96.29%和95.57%；輕量型多尺度注意力融合的車牌檢測算法在雨天環(huán)境、夜間環(huán)境、強光環(huán)境條件下的識別正確率分別為97.71%、98.43%和96.29%；本文提出的基于卷積神經網絡的復雜環(huán)境車牌快速識別方法在雨天環(huán)境、夜間環(huán)境、強光環(huán)境條件下的識別正確率分別為99.71%、100%和99.71%，明顯高于另外兩種方法，充分說明本文方法具有較高的車牌識別精度，更適合應用于復雜環(huán)境下的車牌識別。

3 結語

本文通過卷積神經網絡校正車牌圖像，對圖像進行處理，獲取車牌圖像紋理特征，實現雨天環(huán)境、夜間環(huán)境和強光環(huán)境下的車牌識別，能夠解決傳統(tǒng)車牌識別方法在復雜環(huán)境下識別效果不佳的問題。通過測試證明，應用本文設計方法在復雜環(huán)境下對車牌的識別正確率始終保持在99%以上，識別精度較高。因受時間限制，本文未能對有污損的車牌展開識別研究。后續(xù)可結合字符模板匹配方法，對字母數字有污損的車牌進行有效識別，進一步提高多種環(huán)境下車牌的識別效果。