基于卷积神经网络的模糊车牌自动识别

作者:汤雪峰;周平; 刊名:包装学报 上传者:卢影

【摘要】目前,清晰的车牌识别算法已经成熟,但是对于人眼不能识别的模糊车牌,传统车牌识别算法的识别率较低或者根本无法识别。鉴于此,提出了一种基于卷积神经网络的车牌字符识别算法。制作了含9 720幅模糊字符样本集,用8 748幅样本对卷积神经网络进行训练,测试样本时,先对模糊车牌字符进行盲分割等预处理,再调用训练好的卷积神经网络对盲分割后的字符进行识别。实验结果表明:该算法对训练集的准确识别率约为99.17%,对测试集的准确识别率约为93.32%,这说明该算法对模糊车牌的识别具有鲁棒性,能应用于各种场景。

全文阅读

0引言随着汽车产业的高速发展,汽车成为了一种大众交通工具。汽车在方便人们出行的同时,也带来了一些问题,如交通拥堵、交通事故增多等。据公安部交通管理局统计,近几年交通肇事逃逸案件呈上升趋势。交通肇事逃逸案件多发生在阴雨天、雾天和雪天,发生的时间多在夜间,且肇事车辆的车速较快,导致监控拍摄的图像不清晰,无法正确识别肇事车辆的车牌,这增加了公安机关侦破案件的难度,也对车牌识别技术提出了更高的要求。国外学者对车牌识别技术进行了大量研究。CuiY.T.等人[1]改进了二值化算法,并利用马尔科夫场提取车牌特征,该算法的识别率较高。R.Mullot等人[2]利用图像中文字纹理的共性特点来定位车牌,并开发了既可用于车牌识别,也可用于集装箱识别的系统。R.Parisi等人[3]提出了利用BP(backpropagation)神 经网络技术与非传统的离散傅里叶(discretefouriertransform,DFT)技术来改进字符识别的算法,并以数字信号处理(digitalsignalprocessing,DSP)为核心,开发了一套车牌识别系统,该系统的识别效果较好。LeeE.R.等人[4]提出了一种新的车牌定位算法,即利用图像的颜色分量来定位车牌,样本测试实验结果表明,该算法的识别率远高于传统的车牌定位算法。T.Sirithinaphong等人[5]开发了一套车牌识别系统,该系统的全天识别率为84.2%。Soh.Y.S.改进了车牌定位算法,该算法的识别率达99.2%。国内学者对车牌识别技术也进行了大量研究。康建新[6]提出了采用BP神经网络算法进行车牌识别,但在车牌倾斜等畸变情况下,算法识别率不高。陈学宝[7]提出了采用支持向量机(supportvectormachines,SVM)算法来识别车牌,但该算法的识别[8] 络算法来识别字符,由于BP网络自身的缺陷,导致该算法的识别率不高。方承志等人[9]提出了基于LS-SVM的车牌识别算法,该算法提高了车牌字符的识别速度。FeiJiyou等人[10]提出了一种基于先验知识的车牌字符分割新方法,但该算法对车牌的清晰度(见图1a)有严格要求。张婷[11]提出了复杂背景下的车牌识别算法,先对车牌字符进行分割,再利用改进的中心点像素加权模版匹配和BP神经网络相结合的算法来识别字符,但该算法不能识别模糊车牌。上述车牌识别算法只能应用于简单的场景,如停车场、交通卡口等[12]。在比较复杂的交通环境和恶劣天气下,监控拍摄的图像质量较低(见图1b)时,这些算法不能有效识别车牌。鉴于此,本文提出了一种基于卷积神经网络(convolutionalneuralnetwork,CNN)的车牌字符识别算法,构建了模糊车牌样本集,用训练集训练卷积神经网络,对测试集进行盲分割等预处理后,再用卷积神经网络进行识别,以期为车牌识别提供理论参考。1建立模糊车牌样本集训练卷积神经网络需要大量的模糊车牌样本,但是目前还没有标准的模糊车牌样本集。为了解决上述问题,本文利用退化模型,建立了模糊车牌样本集。引起车牌图像模糊的原因主要有:1)由拍摄条件或目标区域的不同深度引起镜头散焦,称为“散焦模糊”;2)由摄像机与目标对象的相对运动而导致目标对象模糊,称为“运动模糊”;3)由于存储容量、传输速度的限制,通常会将视频进行压缩处理,以减少数据量,但这样会丢失很多图像细节信息,导致目标对象模糊。输入的原始图像表示为f(x,y),输出的退化图像表示为g(x,y)。一般来说,原始图像和退化图像是线性关系且对应像素点的位置不变。退化模型为g(x,y)=f(x,y)h(x,

参考文献

引证文献

问答

我要提问