刘鑫

摘 要：当前车牌识别系统已经在各种场景中有了广泛的使用，但是对于车牌的定位和车牌字符识别的准确率都有待于提高，近年来神经网络在字符识别中取得了不错的效果，所以本文提出了一种基于深度学习的车牌识别方法，该方法通过SVM对车牌进行定位，通过RBFNN进行车牌的字符的分割，最后输出车牌号码。所提方法结合SVM和RBFNN模型可以提高车牌识别系统的识别精度。

关键词：车牌识别;支持向量机;径向神经网络;“断节”现象;多类SVM

0 引言

车牌识别的原理是通过使用视频采集图像，自动识别车辆的车牌。车牌识别在交通分析、交通执法、自动收费等各种应用中发挥着重要作用。在车牌识别方面，国内外学者已经取得了一定的研究成果。如吴攀志提出的基于POS-BP神经网络的车牌号码识别算法[1]，具有输入误差小、全局收敛速度快和识别率较高的特征。Sudhir K.Ingole等人提出了基于字符特征的印度车牌检测与识别，采用自适应预处理方法，利用提取的字符的垂直和水平投影進行字符分割车牌，然后利用基于特征向量的K-最近邻分类器对字符进行识别，解决了不同光照的识别问题，但是太多的字符几何变化会导致错误分类，需要使用从单独的训练数据集中提取的不同字符字体对分类器进行训练。

1 研究框架

在进行车牌识别的处理时，系统输入是预先由视频采集的图像。然后将输入的图像发送到车牌检测阶段。第一步的结果将是车牌位置检测出来。之后，将检测成功的车牌用于字符识别阶段，最后输出分割好的字符组成车牌。具体过程如图1所示。

在车牌检测的过程中，首先利用图像处理技术截取车牌的图块，进行人工分类后，输入SVM中训练，得到SVM车牌判别模型。下一步根据获得的车牌，来生成车牌号，即字符识别过程。首先，在这幅图块中通过图像处理技术获得车牌中的所有的字符的二进制黑白小图块。然后利用字符段生成的大量图块，进行人工分类后，输入RBFNN中训练，得到RBFNN字符识别模型。最后，对这些小图块依次用训练好的RBFNN模型进行预测，输出它们最有可能代表的字符，排序后成为车牌字符串。

2 车牌检测

（1）图像预处理。此过程由六个步骤组成：灰度化，高斯模糊，Sobel运算，二值化，闭操作，轮廓处理。以车牌号为“鲁C181NA”为例所生成的示例图如图2所示。

1）将原始图片进行灰度化操作，这个步骤是一个分水岭，意味着后面的所有操作都不能基于色彩信息了。2）将图片进行高斯模糊，默认的高斯模糊的半径是5，对图像去噪，为边缘检测算法做准备。3）Sobel算子原理是对图像求一阶的水平与垂直方向导数，根据导数值的大小来判断是否是边缘，检测图像中的垂直边缘，便于区分车牌。4）进行二值化和闭操作，目的是将车牌字母连接成为一个连通域，便于取轮廓。5）要对取出的轮廓进行尺寸判断、角度判断、统一尺寸等操作，然后经过偏斜角度的筛选和旋转得到最终车牌。

3 字符识别

（1）图像预处理。图像预处理主要分为三个部分。第一步，将原始图片进行灰度化和去噪处理操作;第二步，进行二值化操作，目的是将车牌字母连接成为一个连通域，便于取轮廓;第三步，进行提取轮廓，为后续字符分割做铺。

（2）RBFNN训练。RBFNN是一种前馈神经网络，结构简单，它还具有逼近最优、无局部最小、收敛速度快、拓扑结构简单等特点。在逼近、分类和研究能力方面优于BP神经网络，所以设计采用RBF作为车牌字符分类器。为了提高识别率，减少计算量，本文采用高斯函数作为激活函数。

（3）字符分割。分割是字符识别中最重要的环节之一。在这个步骤中，从图像中提取感兴趣的对象或其他实体以进行识别处理。在车牌字符分割中，将车牌分割成各个组成部分，分别得到字符。

在图3中，X轴是车辆牌照图像的列，Y轴是投影值。该图表明，平板的垂直投影有7组规则梳状图，除第2、3组间距较大外，各组间距大小固定。值得注意的是，每个梳状图都代表一个字符，组之间的空间与字符之间的空间相对应。在二值图像的垂直投影中，只要找到了空间位置，就确定了每个字符的位置。判断空间的重要条件之一是投影值在空间位置为0。

4 实验结果分析

（1）实验分析。在表1中分别比较了多分类SVM和分级RBF与本文方法的准确度。对比以上两种方法的准确率可以看出，本文方法在正确率上又有了进一步提高。

5 结束语

本文提出了一种基于深度学习的车牌识别方法，使用SVM和RBFNN结合进行训练，利用垂直投影进行字符分割，从而达到识别车牌的效果。实验结果充分证明了所提方法的有效性。

参考文献：

[1]吴攀志.基于PSO-BP神经网络的车牌号码识别技术[J].中山大学学报（自然科学版），2017，13（21）：31-36.

[2]甘胜军.利用HSV色彩空间进行车牌识别的研究[D].重庆邮电大学，2016：12-18.