鐘彩　彭春富　傅波　胡常樂(lè)

摘要：在現(xiàn)階段的交通管理領(lǐng)域，普遍應(yīng)用車牌識(shí)別系統(tǒng)是交通信息化的一個(gè)重要組成部分。為了提高車牌圖像識(shí)別技術(shù)應(yīng)用的效果，文章圍繞車牌圖像分類識(shí)別技術(shù)做出分析，在保證車牌圖像識(shí)別精度基礎(chǔ)上提高識(shí)別的效率。本文首先介紹車牌圖像分類識(shí)別技術(shù)，了解該技術(shù)基本情況；其次介紹車牌圖像采集技術(shù)、車牌圖像特征值提取與分類器、車牌圖像處理技術(shù)3種車牌圖像分類識(shí)別的常見(jiàn)技術(shù)，了解不同技術(shù)在車牌圖像分類識(shí)別中的應(yīng)用要點(diǎn)；最后提出加大采集圖像內(nèi)容與質(zhì)量控制力度、建立車牌識(shí)別樣本數(shù)據(jù)庫(kù)、明確車牌圖像識(shí)別規(guī)范3點(diǎn)建議，明確今后車牌圖像分類識(shí)別技術(shù)的發(fā)展方向，以期能夠?yàn)榻窈筌嚺茍D像分類識(shí)別的發(fā)展夯實(shí)基礎(chǔ)。

關(guān)鍵詞：車牌圖像；分類識(shí)別技術(shù)；卷積神經(jīng)網(wǎng)絡(luò)模型算法；sigmoid激活函數(shù)

中圖分類號(hào)：TP391文獻(xiàn)標(biāo)志碼：A0引言在交通管理領(lǐng)域，車牌的樣式各有不同，但是車牌識(shí)別的原理卻大致相同，按照車牌圖案紋理特點(diǎn)、邊緣信息等，對(duì)車牌進(jìn)行定位、分割和識(shí)別，其中涉及采集車牌圖像、圖像預(yù)處理以及車牌識(shí)別等流程。判斷車牌識(shí)別系統(tǒng)質(zhì)量的重要指標(biāo)之一是識(shí)別精度，在確保識(shí)別精度基礎(chǔ)上，還需要進(jìn)一步提高識(shí)別的速度。目前，采用的很多車牌識(shí)別系統(tǒng)，在識(shí)別車牌圖像方面，識(shí)別精度與效率存在對(duì)立現(xiàn)象，即需要長(zhǎng)時(shí)間識(shí)別才能夠保證圖像識(shí)別精度。

1車牌圖像分類識(shí)別技術(shù)概述1.1車牌圖像分類識(shí)別技術(shù)原理從20世紀(jì)90年代至今，數(shù)字圖像處理基礎(chǔ)理論越發(fā)完善，伴隨視頻處理、計(jì)算機(jī)信息等技術(shù)水平的提升，我國(guó)車牌圖像識(shí)別技術(shù)得到廣泛應(yīng)用，并且在研發(fā)與實(shí)踐中總結(jié)了關(guān)鍵技術(shù)算法，獲得了比較理想的應(yīng)用成果［1］。

現(xiàn)有關(guān)于車牌圖像識(shí)別的技術(shù)，以車牌區(qū)域定位技術(shù)、單個(gè)字符區(qū)域切分技術(shù)、字符分類識(shí)別技術(shù)為主。車牌區(qū)域定位的相關(guān)資料顯示，在神經(jīng)網(wǎng)絡(luò)分類器基礎(chǔ)上進(jìn)行車牌區(qū)域定位，或者是利用彩色圖像特征定位車牌區(qū)域，紋理檢測(cè)與邊緣檢測(cè)實(shí)現(xiàn)車牌區(qū)域定位等，均是比較常見(jiàn)的車牌區(qū)域定位手段；車牌字符切分技術(shù)的常用方法，包括二值圖像水平投影分布基礎(chǔ)上的車牌字符切分、二值圖像字符區(qū)域上下輪廓分布基礎(chǔ)上的車牌字符切分等；車牌字符分類識(shí)別技術(shù)，主要是以特征選擇、提取為主，例如二值圖像所包含的字符筆畫(huà)像素分布為主的字符特征、二值圖像字符輪廓和骨架字符特征等。關(guān)于車牌圖像分類識(shí)別技術(shù)的相關(guān)研究中，很多方法對(duì)于實(shí)際應(yīng)用特征和車牌圖像識(shí)別關(guān)鍵技術(shù)關(guān)聯(lián)領(lǐng)域的分析還不夠深入，需要在車牌圖像分類識(shí)別技術(shù)優(yōu)化中加以改善。

1.2現(xiàn)有研究成果針對(duì)車牌圖像分類識(shí)別技術(shù)的研究，根據(jù)該項(xiàng)技術(shù)的應(yīng)用現(xiàn)狀，可以肯定的是技術(shù)本身已經(jīng)有了比較顯著的應(yīng)用成果。雷得超等［1］在《基于OpenCV圖像處理車牌識(shí)別系統(tǒng)分析研究》中，對(duì)OpenCV基礎(chǔ)上的圖像處理車牌識(shí)別系統(tǒng)研發(fā)進(jìn)行了介紹，對(duì)已有的車牌識(shí)別做出優(yōu)化與改進(jìn)。徐勝軍等［2］通過(guò)《一種編解碼結(jié)構(gòu)的車牌圖像超分辨率網(wǎng)絡(luò)》，介紹了具有編解碼結(jié)構(gòu)功能的車牌圖像超分辨率網(wǎng)絡(luò)。陸志香等［3］在《基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜光照變化車牌圖像識(shí)別》中，對(duì)卷積神經(jīng)網(wǎng)絡(luò)與復(fù)雜光照變化車牌圖像識(shí)別的融合做出論述，對(duì)于車牌圖像分類識(shí)別技術(shù)的應(yīng)用而言，均實(shí)現(xiàn)了功能與性能上的提升，也為今后車牌圖像分類識(shí)別技術(shù)研發(fā)、應(yīng)用夯實(shí)基礎(chǔ)。

2車牌圖像分類識(shí)別的常見(jiàn)技術(shù)2.1車牌圖像采集技術(shù)圖像采集的質(zhì)量和清晰度，是車牌高效識(shí)別非常重要的基礎(chǔ)。原理如圖1所示［2］。輸入系統(tǒng)中的車牌圖像清晰度高，代表識(shí)別精度的期望值高。采集車牌原始圖像，可以通過(guò)圖像采集處理單元達(dá)到目的，采集人員在保證光源穩(wěn)定性的基礎(chǔ)上，應(yīng)用CCD高清相機(jī)設(shè)備，感應(yīng)到目標(biāo)后便可進(jìn)行拍攝，隨后應(yīng)用圖像采集卡，將模擬圖像轉(zhuǎn)變?yōu)閿?shù)字圖像，數(shù)字圖像做好去噪、特征加強(qiáng)等一系列處理。采集所獲得車牌圖像，必須有清晰的輪廓、紋理特征，保證空間分辨率、銳度、對(duì)比度，這是后續(xù)車牌圖像識(shí)別的重要前提。

2.2車牌圖像特征值提取與分類器在車牌圖像分類識(shí)別過(guò)程中，首先是將車牌圖像定位分割，此環(huán)節(jié)提取車牌特征。此次分析采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）模型算法，該算法應(yīng)用卷積層、下采樣層、全連接層，將原始輸入特征予以輸出，如圖2所示［3］。卷積層主要利用卷積核，卷積上一層特征圖，再利用sigmoid激活函數(shù)，便可獲得卷積層輸出特征圖；下采樣層負(fù)責(zé)處理上一層得到的特征圖，將其進(jìn)行下采樣加權(quán)、偏置處理，獲得對(duì)應(yīng)層輸出特征圖。當(dāng)已經(jīng)提取到車牌特征值，工作人員可以利用最近鄰分類算法（Nearest Neighbor Classification，NNC），發(fā)揮分類判別函數(shù)、分類規(guī)則的作用完成匹配判別，以此完成車牌圖像特征值的自動(dòng)化分類識(shí)別。

2.3車牌圖像處理技術(shù)在深度卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的圖像自動(dòng)識(shí)別，采用了深度學(xué)習(xí)這一技術(shù)。該技術(shù)屬于機(jī)器學(xué)習(xí)范疇，是在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上不斷演變得出，對(duì)比傳統(tǒng)形式的機(jī)器學(xué)習(xí)方法，提取特征可以免除人工參與環(huán)節(jié)，每一層特征提取均是在通用學(xué)習(xí)期間，通過(guò)數(shù)據(jù)學(xué)習(xí)獲得，應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)特征學(xué)習(xí)、檢測(cè)車牌圖像。另外，此方法對(duì)訓(xùn)練環(huán)節(jié)標(biāo)注圖片沒(méi)有過(guò)高的要求，車牌輪廓無(wú)需保證精準(zhǔn)性，僅需點(diǎn)標(biāo)注車牌字符即可。

處理過(guò)程包括模型訓(xùn)練、車牌圖像檢測(cè)這兩個(gè)環(huán)節(jié)。在開(kāi)展特征值學(xué)習(xí)訓(xùn)練期間，訓(xùn)練圖片一般需要展開(kāi)預(yù)處理。在模型訓(xùn)練環(huán)節(jié)，按照手工標(biāo)注圖片，在監(jiān)督下進(jìn)行訓(xùn)練，對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行學(xué)習(xí)。進(jìn)入測(cè)試環(huán)節(jié)后，測(cè)試圖片需要輸入至已經(jīng)完成訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)，自動(dòng)獲得輸出結(jié)果圖像，應(yīng)用矩量分析法處理輸出圖片，即可獲得車牌自動(dòng)檢測(cè)值［4］。上述處理過(guò)程主要采用到計(jì)算機(jī)數(shù)字圖像處理技術(shù)、統(tǒng)計(jì)方法，識(shí)別、分析車牌特征，具有車牌圖像預(yù)處理、定位分割、自動(dòng)化分類識(shí)別等一系列優(yōu)勢(shì)。

處于實(shí)際檢測(cè)場(chǎng)景下，車牌識(shí)別可能會(huì)受到內(nèi)外部環(huán)境中因素的影響，影響降低采集車牌圖像清晰度，導(dǎo)致圖像失真。為此，應(yīng)用圖像處理技術(shù)既能夠?qū)D像噪聲去除，保證圖像細(xì)節(jié)、邊緣輪廓的真實(shí)度，還原圖像細(xì)節(jié)，又能夠去除識(shí)別檢測(cè)環(huán)節(jié)不重要的信息，以免計(jì)算機(jī)系統(tǒng)過(guò)多地耗損算力?；诖?，結(jié)合車牌圖像特征，在車牌圖像分類識(shí)別期間，通常會(huì)經(jīng)過(guò)高斯濾波、灰度化、二值化3個(gè)流程，文章針對(duì)上述3個(gè)處理流程展開(kāi)分析。

（1）高斯濾波處理。濾波操作在信號(hào)處理、圖像處理中屬于比較常見(jiàn)的技術(shù)手段，在壓縮圖像數(shù)據(jù)、紋理分析以及邊緣檢測(cè)等方面，也有比較廣泛的應(yīng)用。濾波算法包括均值濾波、中值濾波、高斯濾波。均值濾波和中值濾波在應(yīng)用中存在一些限制。高斯濾波屬于線性平滑濾波算法，利用掃描圖像的像素點(diǎn)，可以明確鄰域范圍內(nèi)像素加權(quán)平均灰度值。圖像展開(kāi)平滑濾波處理。圖像紋理特征能夠最大限度地被保留。因此，高斯濾波在降低車牌圖像噪聲、服從正態(tài)分布車牌圖像噪聲等操作中應(yīng)用，可以獲得相對(duì)理想的平滑效果［5］。

（2）灰度化處理。數(shù)字圖像以彩色、黑白色為主，盡管各個(gè)國(guó)家與地區(qū)車牌顏色存在區(qū)別，但是在識(shí)別場(chǎng)景中的圖像顏色并非關(guān)注要點(diǎn)，系統(tǒng)處理彩色圖像所形成的數(shù)據(jù)量、運(yùn)算量，也遠(yuǎn)大于灰度圖像。車牌圖像經(jīng)過(guò)灰度化處理，將一些不重要的信息及時(shí)過(guò)濾，加強(qiáng)圖像特征輪廓。常用的灰度化方法包括分量法、最大值法、加權(quán)平均算法等，分量法可以使彩色圖像包含的RGB三分量亮度轉(zhuǎn)換為圖像灰度值，最大值法則是將三分量亮度最大值當(dāng)作圖像灰度值，加權(quán)平均算法是在加權(quán)計(jì)算基礎(chǔ)上，加深圖像像素所有的三原色色彩通道內(nèi)像素點(diǎn)顏色，使三分量能夠通過(guò)相應(yīng)權(quán)值，在加權(quán)平均處理后獲得灰度圖像。上述方法在應(yīng)用中各有不同的優(yōu)劣勢(shì)，可以結(jié)合實(shí)際需求做出選擇。在確保車牌圖像處理效果、識(shí)別效率基礎(chǔ)上，車牌識(shí)別往往應(yīng)用加權(quán)平均算法。車牌圖像經(jīng)過(guò)灰度化處理后顯示灰度值，可發(fā)現(xiàn)圖像色彩具體明暗性［6］。

（3）二值化處理。車牌圖像的二值化處理，其優(yōu)勢(shì)是規(guī)避一些因素的干擾，避免字符斷裂和粘連等現(xiàn)象，而且二值化處理還可以起到加強(qiáng)車牌圖像特征輪廓的效果，提升特征細(xì)節(jié)分辨率，減少計(jì)算機(jī)處理量，給之后邊緣檢測(cè)創(chuàng)造了條件。二值化處理流程如圖3所示。在車牌圖像進(jìn)行二值化處理時(shí)，灰度圖像經(jīng)過(guò)轉(zhuǎn)換之后成為二值圖像，其間需要設(shè)置圖像像素點(diǎn)灰度值，一般以0，255為主，可以保證圖像的黑白呈現(xiàn)效果。另外，在二值化方法中，最大嫡法和直方圖波形分析法的應(yīng)用比較廣泛。最大嫡法立足于各個(gè)維度，對(duì)圖像灰度直方圖進(jìn)行嫡測(cè)量，從而得到最大嫡以及最為理想的二值化閾值；直方圖波形分析法以灰度直方圖為前提，按照?qǐng)D像直方圖實(shí)際所有的波峰數(shù)量，得出二值化閾值。

3車牌圖像分類識(shí)別技術(shù)的應(yīng)用建議圖像計(jì)算機(jī)識(shí)別技術(shù)比較多樣化，如常見(jiàn)的有指紋識(shí)別、人臉識(shí)別等技術(shù)，在識(shí)別中獲得了比較可觀的效果。經(jīng)過(guò)實(shí)踐經(jīng)驗(yàn)，發(fā)現(xiàn)車牌圖像識(shí)別技術(shù)的準(zhǔn)確性、穩(wěn)定性等還需要進(jìn)一步提升，而且在當(dāng)前車牌識(shí)別領(lǐng)域更多只是作為一種輔助方法。為了優(yōu)化車牌識(shí)別技術(shù)應(yīng)用效果，文章提出幾點(diǎn)建議。

3.1加大采集圖像內(nèi)容與質(zhì)量控制力度在很多具有良好應(yīng)用效果且已經(jīng)成熟的圖像識(shí)別技術(shù)中，車牌圖像識(shí)別技術(shù)面對(duì)需要識(shí)別的圖像樣本，還需要不斷提升識(shí)別內(nèi)容與質(zhì)量。該問(wèn)題在車牌識(shí)別中也是需要重點(diǎn)解決的問(wèn)題。長(zhǎng)期以來(lái)根據(jù)圖像處理的研究成果，探索了不同種類的車牌圖像識(shí)別方法，要求保證車牌識(shí)別的穩(wěn)定性和清晰性。立足于圖像采集源頭，加強(qiáng)圖像內(nèi)容與質(zhì)量的控制，有效提升車牌識(shí)別效率。這就需要制定規(guī)范的車牌圖像識(shí)別標(biāo)準(zhǔn)、車牌圖像采集環(huán)境控制標(biāo)準(zhǔn)，并且引進(jìn)采集車牌圖像的專業(yè)設(shè)備，為車牌圖像內(nèi)容與質(zhì)量的提升夯實(shí)基礎(chǔ)［7］。

3.2建立車牌識(shí)別樣本數(shù)據(jù)庫(kù)根據(jù)已有的車牌圖像識(shí)別到的信息數(shù)據(jù)，可以將其整合組建數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)中需要列舉主體數(shù)據(jù)、特殊分項(xiàng)數(shù)據(jù)，保證不同數(shù)據(jù)信息的數(shù)據(jù)量，詳細(xì)分類。構(gòu)建車牌識(shí)別樣本數(shù)據(jù)庫(kù)，對(duì)于車牌圖像識(shí)別技術(shù)的應(yīng)用而言，可以進(jìn)一步推動(dòng)車牌圖像識(shí)別技術(shù)進(jìn)步。

3.3明確車牌圖像識(shí)別規(guī)范針對(duì)車牌圖像的識(shí)別，必須了解與之相關(guān)的標(biāo)準(zhǔn)，這是車牌圖像識(shí)別方法應(yīng)用效果、識(shí)別過(guò)程的重要因素，若可以在制定與修改車牌相關(guān)標(biāo)準(zhǔn)時(shí)，重點(diǎn)分析車牌圖像識(shí)別潛在干擾因素，可以提高識(shí)別對(duì)象效率，降低識(shí)別復(fù)雜性，保證車牌圖像識(shí)別最終結(jié)果準(zhǔn)確性。另外，在車牌圖像識(shí)別過(guò)程中，還需要重點(diǎn)關(guān)注到交通執(zhí)法、管理的基本要求，將其作為車牌圖像識(shí)別要求的一項(xiàng)關(guān)鍵影響因素。如車牌存在污損或者是沒(méi)有規(guī)范懸掛在相應(yīng)的位置，均會(huì)增加車牌圖像識(shí)別難度。面對(duì)此類問(wèn)題，便可以通過(guò)交通執(zhí)法與管理予以解決，提高車牌圖像識(shí)別效率。

4結(jié)語(yǔ)綜上所述，車牌圖像分類識(shí)別技術(shù)在應(yīng)用中，需要重點(diǎn)解決識(shí)別質(zhì)量、識(shí)別效率等問(wèn)題，根據(jù)已經(jīng)得出的技術(shù)實(shí)操經(jīng)驗(yàn)和研究成果，技術(shù)人員對(duì)現(xiàn)有分類識(shí)別技術(shù)進(jìn)行改進(jìn)與優(yōu)化，在提高車牌圖像分類識(shí)別效率與精度的同時(shí)，可以滿足更加多元化的分類識(shí)別要求，從而進(jìn)一步提高車牌識(shí)別系統(tǒng)質(zhì)量。

參考文獻(xiàn)

［1］雷得超，任守華.基于OpenCV圖像處理車牌識(shí)別系統(tǒng)分析研究［J］.電腦與信息技術(shù)，2022（4）：15-17.

［2］徐勝軍，鄧博文，史亞，等.一種編解碼結(jié)構(gòu)的車牌圖像超分辨率網(wǎng)絡(luò)［J］.西安交通大學(xué)學(xué)報(bào)，2022（10）：101-110.

［3］陸志香，楊梅.基于卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜光照變化車牌圖像識(shí)別［J］.激光雜志，2022（5）：145-150.

［4］余偉.基于卷積神經(jīng)網(wǎng)絡(luò)的車牌圖像識(shí)別技術(shù)實(shí)現(xiàn)［J］.信息記錄材料，2022（5）：154-156.

［5］李冰潔.MATLAB圖像處理技術(shù)在車牌識(shí)別中的應(yīng)用［J］.上海電氣技術(shù)，2022（1）：45-48.

［6］孫鵬，李賽，寇鵬，等.基于手持設(shè)備圖像的車牌定位與車牌識(shí)別系統(tǒng)設(shè)計(jì)［J］.軟件工程，2022（1）：29-32.

［7］曾淦雄，柯逍.基于3D卷積的圖像序列特征提取與自注意力的車牌識(shí)別方法［J］.智能科學(xué)與技術(shù)學(xué)報(bào)，2021（3）：268-279.

（編輯 王永超）

Research on license plate image classification and recognition technologyZhong? Cai， Peng? Chunfu， Fu? Bo， Hu? Changle

（Changde Vocational Technical College， Changde 415000， China）Abstract：? Vehicle license plate recognition system is widely used in the field of traffic management at present， which is also an important component of traffic informationization. In order to improve the application effect of license plate image recognition technology， this paper analyzes the classification and recognition technology of license plate image， improves the recognition efficiency on the basis of guaranteeing the recognition accuracy of license plate image. Firstly， this paper introduces the technology of license plate image classification and recognition， and understands the basic situation of this technology. Secondly， this paper introduces three common techniques of license plate image classification and recognition， which are license plate image collection technology， license plate image eigenvalue extraction and classifier， license plate image processing technology， to understand the application of different techniques in license plate image classification and recognition. Thirdly， three suggestions are put forward， which are to strengthen the collection of image content and quality control， to establish the database of license plate recognition samples， to define the license plate image recognition standard， and to clarify the development direction of license plate image classification and recognition technology in the future， in order to be able to future license plate image classification and recognition of the development of a solid foundation.

Key words： license plate image; classification and recognition technology; convolutional neural network model algorithm; sigmoid activation function