李磊

（山西交通信息通信有限公司，山西太原 030006）

0 引言

随着我国汽车保有量的逐年增加，亟需加强车辆的智能化管理，提高管理效率。以往采用的车辆特征智能识别技术，往往存在图像识别效果差、准确率低等缺陷，尤其在光线较暗、车牌污染或倾斜时，识别难度会大幅增加。基于卷积神经网络开发的车辆特征识别系统，可适应不同图像背景、不同光照强度，对污染或倾斜车牌识别准确率高。本文重点分析车牌和颜色识别技术，并结合实例分析卷积神经网络车辆特征识别技术的实用性。

1 卷积神经网络简介

卷积神经网络（CNN）与ANN类似，都是通过神经元自我学习优化，每个神经元可以完成不同的操作，可通过不断训练和函数计算，将图像输入后，经过分析处理，分类输出。卷积神经网络较人工神经网络有了明显的技术突破，其卷积层具有强大的数据处理功能，提取特征元素，计算速度快，可替代人力完成复杂的工作。卷积神经网络侧重于分析图像的基本构成，可用于对特定数据进行处理。

卷积神经网络由卷积层、池化层、全连接层三部分组成，卷积层由多个卷积单元组成，通过反向传播算法设置参数，执行不同的操作。通过运算提取输入层的不同特征，确定物体的低级和高级特征。池化层可以进一步筛选物体的特征，剔除不重要的数据信息，减少参数数量，确定重要特征信息，简化计算程序，提高训练速度。全连接层的功能是将卷积层和池化层提取的数据进行进一步分析，并通过回归函数进行分类整理。

2 卷积神经网络车牌识别技术

2.1 车牌汉字识别

2.1.1 车牌汉字识别卷积神经网络模型

车牌汉字主要是各个省份的简称，汉字主要由横、竖、撇、捺等笔画组合而成，通过分析笔画构成和组合方式进行汉字识别，车牌汉字识别卷积神经网络模型如图1所示。由于汉字的笔画比较多，样本收集难度也较大，本模型是在传统卷积神经网络的基础上进行改进，基于灰度图像对车牌汉字进行识别，可减少各网络层之间的连接数量，进而减少训练参数，降低训练难度。

图1 车牌汉字识别卷积神经网络模型

输入层为16×32像素的汉字图像，卷积层C1包含4张12×28像素的特征图，输入图像与C1层通过5×5的卷积核相连接，连接数为32 256个，实际训练数为96个。下采样层S2采用非重叠均值池化操作，包含4张6×14像素的特征图。卷积层C3包含9张4×12像素的特征图，池化层S4包含9张2×6像素的特征图。池化层S5是对下采样层S2特征图进一步分析得到的，输出层神经元数量为32个，与汉字数量相对应。

建立样本集，对车牌汉字识别卷积神经网络模型的识别准确率进行测试，得出准确率为96.8%，图2为部分测试结果。

图2 车牌汉字识别卷积神经网络模型部分测试效果

其中红色柱状长度表示对应识别标签的几率，红色代表测试结果与正确标签相对应，蓝色代表错误。结合所有样本识别结果，均可准确确定车牌汉字，识别效果较好。

2.1.2 汉字识别对比实验分析

为了验证车牌汉字识别卷积神经网络模型的识别效果，与传统卷积神经网络模型开展对比试验进行分析。传统卷积神经网络模型卷积层C3与下采样层S2采用全连接方式，其他与上述网络模型相同，开展对比试验得出识别速度分别为32ms和38ms，本文网络模型较传统卷积神经网络模型识别速度快；识别准确率分别为96.8%和96.9%，二者比较接近。这是由于车辆汉字识别卷积神经网络模型各网络层之间的连接数量减少了，简化了网络计算结构，进而减少了网络训练参数和计算量，有效提升了处理速度。另外，二者的准确率十分接近，表明网络结构的简化没有影响识别准确率，车辆汉字识别技术可行。

2.2 字母数字识别

2.2.1 车牌字母数字识别卷积神经网络模型

车牌字母数字相比汉字较为简单，但部分字母和数字类似，如Z和2、B和8等，识别过程中很容易混淆，车牌字母数字识别卷积神经网络模型如图3所示。为充分利用第一级网络车牌细节特征的提取信息，采用全连接的方式将其提取的特征图、第二级网络提取的特征图与输出层神经元两节，组成字符分类器，以提高识别效率。

图3 车牌字母数字识别卷积神经网络模型

如图3所示，输入图像为16×32像素，卷积层C1包含4张16×32像素的特征图，输入图像与C1层通过5×5的卷积核相连接，连接数为49 152个，实际训练数为96个。下采样层S2采用均值池化操作，包含4张8×16像素的特征图。卷积层C3包含8张8×16像素的特征图，池化层S4包含8张4×8像素的特征图。池化层S5是对下采样层S2特征图进一步分析得到的，输出层神经元数量为34个，与字母和数字的种类相对应。

车牌字母和数字识别卷积神经网络模型测试：首先建立数字和字母测试样本集，对网络模型开展测试，得到模型识别准确率为96.4%。对容易混淆的字母和数字识别效果重点分析，识别准确率较高，没有出现错误，部分结果如图4所示。

图4 易混淆字母和数字识别效果

2.2.2 字母数字识别对比实验分析

与传统卷积神经网络相比，车牌字母数字识别卷积神经网络模型将S4层的特征图作为全连接层的输入，其他相同。通过开展对比分析试验，分析车牌字母数字识别试验数据，对比分析后得出车牌字母数字识别卷积神经网络模型准确率为96.3%，识别速度为40ms，较传统卷积神经网络的准确率95.1%高，识别速度相近（39ms）。这是由于传统卷积神经网络对图像质量、清洁和倾斜情况要求较高，而本文模型通过第一层网络提取了大量特征信息，一定程度上提高了图像识别效果。

3 车身颜色识别

车身颜色识别卷积神经网络模型如图5所示，车身颜色主要收集车辆引擎盖区域，收集的图像大小为16×16像素，卷积层C1层包含3张12×12像素的特征图，输入图像与C1层通过5×5的卷积核相连接，训练参数数量为228个。S2层是由C1层均值池化得到的，包含3张2×2像素特征图。C3层包含5张4×4像素的特征图，S4层包含5张2×2像素特征图。S5层神经元数量为5，与车身颜色种类数量相对应。

图5 车身颜色识别卷积神经网络模型

建立样本集，进行车身颜色识别卷积神经网络模型测试，统计测试数据如表2所示。分析测试数据，可以得出网络模型对黑色的识别准确率最低，蓝色和红色最高，但均在80%以上，表明车身颜色识别卷积神经网络模型可以较准确地识别车身颜色。

表1 车身颜色识别测试统计数据

4 结语

基于卷积神经网络，对传统卷积神经网络进行改进，减少各网络层之间的连接数量和训练参数的数量，降低了训练难度。对卷积神经网络的概念和各组成部分功能进行阐述，以车牌和车身颜色为研究对象分析卷积神经网络技术的实用性。通过建立网络模型和样本集，对车牌汉字、字母和数字开展识别测试，并与传统卷积神经网络模型进行对比分析，得出本文所研究的卷积神经网络模型识别速度和准确率均较高，识别效果较好。通过建立车身颜色识别卷积神经网络模型，并建立样本集进行对比分析，得出车身颜色识别准确率较高，可以准确识别车身颜色。