一種基于卷積神經(jīng)網(wǎng)絡的車牌識別技術,軟件工程論文

一種基于卷積神經(jīng)網(wǎng)絡的車牌識別技術,軟件工程論文本篇論文目錄導航：【】【】一種基于卷積神經(jīng)網(wǎng)絡的車牌辨別技術【】【】【】卷積神經(jīng)網(wǎng)絡論文范文：一種基于卷積神經(jīng)網(wǎng)絡的車牌辨別技術內(nèi)容摘要：針對現(xiàn)有的車牌辨別方式方法存在車牌無法定位且車牌字符無法正確分割等情況，提出了一種基于卷積神經(jīng)網(wǎng)絡的車牌辨別技術。首先，設計了一套圖像處理流程實現(xiàn)車牌定位和字符分割，然后，利用提出的卷積神經(jīng)網(wǎng)絡對車牌字符集進行訓練、辨別。所提方式方法能夠到達98.54%以上的準確率，極大提高適用性和準確率。本文關鍵詞語：車牌辨別；卷積神經(jīng)網(wǎng)絡；深度學習；車牌定位；.作者簡介：李濤濤〔1996-〕，男，浙江紹興人，碩士研究生，研究方向：智能制造。E-;Abstract:Inviewoftheexistinglicenseplaterecognitionmethods,thelicenseplatecannotbelocatedandthelicenseplatecharacterscannotbecorrectlyseparated.Thispaperproposesalicenseplaterecognitiontechnologybasedonconvolutionalneuralnetwork.Firstly,asetofimageprocessingflowisdesignedtorealizelicenseplatelocationandcharactersegmentation.Then,theproposedconvolutionalneuralnetworkisusedtotrainandrecognizethelicenseplatecharacterset.Theproposedmethodcanachievemorethan98.54%accuracy,greatlyimprovingtheapplicabilityandaccuracy.Keyword:licenseplaterecognition;convolutionalneuralnetwork;deeplearning;licenseplatelocation;0引言伴隨著交通行業(yè)的飛速發(fā)展，車牌辨別技術已然成為一項非常重要的研究課題，并在日常生活中有著廣泛的應用。車牌辨別技術的主要問題包括車牌定位和字符辨別。從本質(zhì)上講，車牌定位的算法分為3種，一種是基于圖像邊緣的，一種是基于圖像顏色的，一種是基于機器學習。Abolghasemi[1]等提出的基于邊緣以及顏色輔助的車牌定位方式方法增加了對車牌可疑區(qū)域的比擬，但是，該方式方法受光照的影響比擬大?；谀０迤ヅ涞姆绞椒椒╗2]廣泛用于車牌字符辨別技術中，但是該類方式方法易受噪聲等因素的影響。支持向量機〔supportvectormachine,SVM〕分類器也被應用于車牌字符辨別[3].基于SVM的車牌字符辨別方式方法需要指定提取的特征，不同特征的選擇將直接關系到車牌字符辨別的效果。本文采用的車牌辨別流程主要包括下面幾個部分：車牌圖像預處理、車牌定位、車牌字符分割、車牌字符辨別，如此圖1所示。圖1車牌辨別流程Fig.1Licenseplaterecognitionprocess1車牌定位和字符分割本文針對生活中經(jīng)常出現(xiàn)的車牌，設計了一套車牌圖像預處理及車牌定位流程，詳細流程如此圖2所示。圖2車牌圖像預處理及車牌定位經(jīng)過Fig.2Licenseplateimagepreprocessingandlicenseplatelocationprocess1.1車牌圖像預處理由于自然環(huán)境、拍攝設備和拍攝方位等客觀因素，在獲取車牌圖像的經(jīng)過中會出現(xiàn)圖像模糊不清的情況，需對圖像進行一定程度的預處理操作[4].1.1.1彩色圖轉(zhuǎn)灰度圖將三通道的彩色圖像轉(zhuǎn)換成單通道的灰度圖。將采集的車牌圖片轉(zhuǎn)換成灰度圖，轉(zhuǎn)換結果如此圖3所示。圖3彩色圖轉(zhuǎn)灰度圖Fig.3Colorpicturetograypicture1.1.2高斯濾波高斯濾波是一種線性平滑濾波，能夠消除高斯噪聲。圖4是灰度圖經(jīng)過高斯濾波后的圖像。圖4高斯濾波Fig.4Gaussianfilter1.1.3邊緣化檢測常用的邊緣檢測算子有Canny算子、Sobel算子、Laplacian算子等[5],本文采用Canny算子進行邊緣檢測。Canny算子邊緣檢測結果如此圖5所示。圖5Canny算子邊緣檢測Fig.5Cannyoperatoredgedetection1.2車牌定位1.2.1圖像形態(tài)學操作對預處理完的圖像進行開運算，進行先腐蝕后膨脹的經(jīng)過。開運算能夠用來消除小物體，在纖細點處分離物體，并且在平滑較大物體的邊界的同時不明顯改變其面積。1.2.2查找輪廓，精到準確定位根據(jù)車牌的面積、長寬比等對所得的矩形進行過濾。車牌定位結果如此圖6所示。圖6車牌定位結果Fig.6Licenseplatelocationresult1.3車牌字符分割字符分割的目的就是將車牌中所有的文字分割開來，構成單一的字符塊，圖7為字符分割經(jīng)過。圖7字符分割經(jīng)過Fig.7Charactersegmentationprocess圖8為字符分割的最終結果。圖8車牌字符分割結果Fig.8Licenseplatecharactersegmentationresults2基于卷積神經(jīng)網(wǎng)絡的字符辨別卷積神經(jīng)網(wǎng)絡〔ConvolutionNeuralNetwork,CNN〕一般由多個卷積層以及池化層交替而成，最后，再通過全連接BP神經(jīng)構成輸出。其整體架構是一種多層監(jiān)督學習的神經(jīng)網(wǎng)絡，通過學習大量的輸入輸出樣本，用卷積神經(jīng)網(wǎng)絡進行訓練，再根據(jù)新的輸入，輸出擬合之后的結果。本文提出的基于卷積神經(jīng)網(wǎng)絡的車牌字符辨別方式方法由2部分構成：第1部分，輸入待訓練圖像集訓練分類模型；第2部分，將待辨別的車牌字符圖像輸入訓練好的模型進行辨別。2.1卷積層在卷積層，前一層的特征圖與一個可學習的核進行卷積，卷積的結果經(jīng)過激活函數(shù)后的輸出構成這一層的特征圖。一般地，卷積層的形式如：2.2池化層的計算池化是縮小高、長方向的空間的運算。將22的區(qū)域集約成1個元素，縮小空間大小。本次車牌定位使用的最大池化〔max_pool〕也就是選取最大值的運算。步幅的大小是2,車牌的圖像大小都是13636,在經(jīng)過2次池化后，得到的是349.池化層和卷積層不同，沒有要學習的參數(shù)。池化只是從目的區(qū)域中取最大值或者平均值，所以不存在要學習的參數(shù)。池化有一個優(yōu)點是對微笑位置的變化具有魯棒性，輸入數(shù)據(jù)發(fā)生微笑偏差時，池化仍會返回一樣的結果。池化會細搜輸入數(shù)據(jù)的偏差。2.3全連接層全連接層中需要先把前兩個卷積層的輸出結果全部flatten,這里使用tensorflow.reshape使每個樣本變成一維向量。在全連接層最后得到一個2列的矩陣。2.4訓練模型字符辨別本文將總共12000張圖片〔包括省份、數(shù)字和字母圖片〕作為數(shù)據(jù)集，華而不實9000張作為訓練集，剩余3000張圖片作為測試集，并通過shuffle函數(shù)隨機將數(shù)據(jù)集排列，最終保存訓練后的權重。卷積使用tensorflow.nn.conv2d函數(shù)，池化使用tensorflow.max_pool函數(shù)，最后添加softmax函數(shù)能夠使模型的準確率提高。圖9為訓練模型字符辨別結果。圖9訓練模型字符辨別結果Fig.9Trainingmodelcharacterrecognitionresults3結論本文在充分利用車牌特征的基礎上，實現(xiàn)了車牌定位和字符分割，提出了一種基于CNN的車牌辨別方式方法。實驗表示清楚，此方式方法辨別車牌準確率高。由于當前在車牌辨別中主要針對的是國內(nèi)車牌，無法辨別國外以及新能源車牌。在實際應用中，還需進一步增加樣本數(shù)量及網(wǎng)絡訓練次數(shù)[6],改變網(wǎng)絡構造，以進一步提高正確率。以下為參考文獻[1]AbolghasemiV,AhmadyfardA.Anedge-basedcolor-aidedmethodforlicenseplatedetection[J].ImageVisComput,2008,27〔8〕：1134-1142.[2]XingJ,LiJ,XieZ,etal.Researchandimplementationofanimprovedradontransformforlicenseplaterecognition[C].20218thInternationalConferenceonIntelligentHuman-MachineSystemsandCybernetics〔IHMSC〕，Hangzhou,2021,pp.42-45,doi:10.1109/1HMSC.2021.52.[3]KhanMA,SharifM,JavedMY,etal.Licensenumberplaterecognitionsystemusingentropy-basedfeaturesselectionapproachwithSVM[J].IET