基于PCANet的车牌识别

万佳乐+朱文浩+华禹凯+倪屹聆+邵叶秦

摘要：为了有效地识别汽车车牌，提出了一个基于PCANet的车牌识别方法。首先通过预处理增强车牌图像上的字符，接着采用垂直投影分割车牌字符，然后利用PCANet提取不同字符子图像的特征，最后基于支持向量机分类不同的字符。在由65类字符组成的车牌字符集上的实验表明，基于PCANet的车牌识别具有99.65的准确率。

关键词：车牌识别；字符分割；PCANet；支持向量机；多分类

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044（2017）17-0175-03

车牌识别是现代智能交通的重要组成部分。它运用计算机等技术对含有车辆的图像进行处理和分析，最终将车牌号码识别出来。这个过程主要包括车牌定位、字符分割和字符识别三个部分。目前车牌识别系统已经在停车场管理系统、智能交通以及高速公路管理系统等方面得到了广泛应用。

虽然车牌识别系统已经投入实际使用，但实际环境下的识别性能有待进一步提高。为了进一步提升车牌识别的准确率，我们借助PCANet有效的特征表达能力，设计了一个基于PCANet的车牌识别系统。

1 PCANet技术

近年来，深度学习受到研究者的重视。PCANe是马毅等人提出的一种深度学习框架。相对于一般的深度学习框架，PCANet训练过程更加简单，不需要特别的调参技巧，已经在人脸识别等方面展现了良好的性能。

PCANet包括了三个部分：1）级联主成分分析（Cascaded Principal Component Analysis）。2）二值化哈希编码。3）分块直方图量化。具体结构如图1所示：

整体来看，PCANet的训练总共分为三个步骤：第一、二步骤比较相似，都是提取主成分后再进行卷积；最后一步是输出，包括了二值化哈希编码和分块直方图量化。具体过程见2.3节。

2基于PCANet的车牌识别

基于PCANet车牌识别包括：预处理、车牌字符分割、基于PCANet的字符特征提取和基于多分类的字符识别。

2.1预处理

车牌图像一般是彩色的，为了后续处理的方便，我们取每个像素RGB三分量的平均值实现图像灰度化。接着，为了突出算法感兴趣的车牌字符，同时考虑到实际情况下存在光照等多种因素的影响，我们采用Otsu自动阈值方法，确定一个能尽可能把背景和前景分开的阈值完成车牌图像的二值化。经过二值化之后，车牌字符变成黑色，背景变成白色，如圖3所示。

2.2车牌字符分割

为了切割车牌上的字符，我们采用垂直投影法：即在车牌子图像中，逐列的自上而下计数字符像素（黑色像素）的个数。每一列都对应一个代表字符像素个数的值（如图4所示）。每一个“山谷”对应两个字符的间隔。如果在字符的各个间隔处把图像切开，就可以分割车牌上的字符。然后，我们通过水平投影，采用类似的方法，可以确定车牌字符在垂直方向上的位置，以去除车牌的上下边缘。

由于车牌拍摄的距离不同，车牌倾斜等原因，不同车牌上得到的字符子图像大小不一样。因此，算法需要把所有的字符子图像归一化到同一尺寸，以便后续的准确识别。在归一化过程中，我们采用双线性插值的方法。

2.3基于PCANet的字符特征提取

通过同样的方法，所有字符子图像的PCANet特征向量都可以提取出来。

2.4基于多分类的字符识别

基于每个字符子图像的特征向量和相应的标签（每一类字符赋予一个不同的编号作为标签），我们训练一个支持向量机对字符进行多分类。这里我们采用适合大量特征和样本的LIBLINEAR工具库进行车牌字符的分类识别。

3实验

本文所用的字符图像分为65类，每一类包含400个外观不同的训练图像，每个图像的大小归一化为20×20。在PCANet网络中，L₁取8，L₂取8，窗口大小取7×7，重复系数为0.5。

下图展示了在不同字符子图像上使用PCANet提取的特征。

如图6分别是字符“苏”、“京”、“A”、“F”、“2”、“8”的特征向量提取的结果图。在实验过程中，这种基于PCANet的特征提取方法提取速度快，准确率高，具有较高的适应性和实时性。

为了衡量车牌识别的准确性，这里选了一个不是很理想的车牌图像为例（图2中的车牌），我们的车牌识别方法输出了正确的结果（如图7所示）。

同时，我们在一个由1400个车牌图像组成的数据集上做了测试，我们方法的识别正确率达到99.65%。

4结束语

本文提出了一个基于PCANet的车牌识别方法。首先通过预处理增强车牌上的字符，投影法切分一个个字符，得到字符子图像，接着利用两阶段的PCANet提取各个字符子图像的特征向量，最后使用支持向量机识别出不同的字符。实验证明，基于PCANet的车牌识别方法可以准确的识别出实际情境下采集的非理想车牌，并且取得99.65%的识别准确率。