文/童朝娣

1 引言

卷积神经网络（CNN）是一种非常先进的前馈型人工神经网络，经过多年的发展和应用，已经在图像识别、特征提取、文本检索、基因表达、智能制造等领域得到广泛普及和使用，取得了良好的效果。卷积神经网络包括两个卷积层，分别是特征提取层和特征映射层。特征提取层的输入神经元与前一层局部连接，可以提取局部特征，将特征与特征位置关系确定好。特征映射层可以将特征映射到一个平面上，每一个平面上的神经元拥有相同的权值。卷积神经网络利用Sigmoid函数作为激活函数，使得特征及其映射具有位移不变性，大幅度减少设置的自有参数数量。另外，输入层可以针对接收到图像信息进行预处理，比如灰度处理、二值化处理等，可以避免图像中隐含较多的噪声数据。池化层可以压缩数据的大小以及参数的数量，池化层也是过度拟合问题解决的层，能够压缩图像确保卷积神经网络算法执行不至于陷入到过度拟合状态。全连接层也即是分类器，能够将学习到的分布式特征映射到一个标记空间，这样就可以提高算法的可用性和可解释性。卷积神经网络的结构如图1所示。

2 卷积神经网络在车牌字符识别中的应用

本文利用卷积神经网络识别车牌字符，算法应用步骤如下所述：

图1：卷积神经网络的结构

（1）生成车牌数据集。本文采集两万副车牌数据，这些车牌数据受到不同的光照、倾斜角度、遮挡程度等噪声干扰，车牌字符数据归一化处理后利用垂直投影法切割，删除汉字及字母后，获取了十个阿拉伯数字的个数。

（2）数据预处理（输入层）。针对所有的0-1数字字符进行标记，构建一个包含10000张图片的训练集和包含3000张图片的测试集，针对字符进行灰度化预处理，将图片大小统一设置为28×28像素保存到数据集。

（3）卷积神经网络训练。车牌字符识别模型训练时，本文使用ReLU激活函数，加快卷积神经网络的收敛速度，减少网络设置参数。卷积层Conv1由20个4×4的卷积核与输入图像进行卷积，卷积步长为2，得到20个13×13的特征图；卷积层Conv2的卷积核大小为3×3，卷积步长为2，卷积后得到50个6×6的特征图；卷积层Conv3的卷积核大小为3×3，卷积步长为1，卷积后生成60个4×4的特征图；池化层步长为2，采样后可以获取80个2×2的特征图；全连接层1神经元个数为100；全连接层2的神经元个数为10。Conv1、Conv2、Conv3、池化层1、全连接层1的激活函数均为ReLU函数，全连接层2的激活函数sigmoid激活函数。

（4）卷积神经网络训练完成之后可以进行测试，测试结果显示准确度可以到98.2%，能够满足车牌字符识别需求。

3 算法过度拟合问题解决研究

目前，卷积神经网络识别车牌字符的过度拟合问题解决方法包括三种，详细描述如下：

3.1 Data Augmentation（增加数据）

过度拟合产生的重要原因之一就是缺乏有效的训练样本，同时学习参数的个数大幅度增加，此时就无法获得一个良好的学习模型。因此，Data Augmentation就可以解决卷积神经网络样本缺乏的问题，增加一个多样化的样本熟练，可以更加准确的训练学习参数，让卷积网络的参数能够学习每一种现实环境下的车牌字符，提高学习模型的泛化了能力，车牌字符Data Augmentation的方法包括到车管所采集各类型车牌，同时对已有的车牌数据进行不同角度和强度的光照、Crop或Flip操作，也可以利用车牌生成模型获取不同类型的人工数据。

3.2 weight decay（减少权值）

目前，weight decay方法主要包括L1和L2正则化两种，L1可以获得更加稀疏的参数，确保在卷积神经网络损失函数可控的情况下，建设参数设置的数量，进一步提高泛化能力。

3.3 提前终止算法

卷积神经网络识别车牌字符时可以设置两个数据集，训练集和验证集，算法执行时可以评估两个数据集的准确度，一旦训练集准确度提升且验证集准确度下井，就表明学习模型泛化能力变差，此时就可以终止算法，获得一个较好的卷积神经网络模型。

4 结束语

车牌字符识别可以有效提高交通监控能力，也可以为未来无人驾驶提供技术支撑。本文在车牌字符识别中引入了卷积神经网络，利用先进的深度学习方法准确识别车牌，同时给出了算法过度拟合的解决措施，进一步改进车牌字符识别算法的准确度和可靠性。