基于深度学习的车牌识别

王菽裕 梁金硕 潘晨皓 德吉群宗 旦增平措 西藏民族大学信息工程学院

引言

车牌检测和识别是智能交通的一部分。车牌是车辆运输中的主要标识符，LPR 的实现主要涉及图像处理、计算机视觉、神经网络模式识别技术、人工智能等。这项工作的主要动机是调查不同的LPR 技术，以便开发一个更好的LPR，这样的系统可以自动打开只有经过授权的人才能进入的安全区域。LPR 包括两个步骤即车牌检测和车牌识别。

1 LPR 方法论

本文的方法论是基于CNN、ReLU 和Conv 的LPDS (License Plate Detection System)。Conv 识别背景时功能使用的是特征量算法。

图1 LPDR 系统的LP 识别结构

【A】车牌预处理，在这个过程中，将灰色图片作为输入的车辆图像，其处理方式仍然应用canny 边缘测来增强需要锐化的图像，以CNN算法作为检测阶段。【B】车牌检测，使用特征过滤方法来检测LP 的边界框。检测到的边界即LP 的特征窗口（FW）是由一系列定位和CNN规范化[7]得到的。

图2 特征定位和特征提取[7]

【C】车牌字符识别最后一步是识别车牌具有的CNN 的特点。这个过程中的第一步在是车牌二值化。从Phase-I 中提取车牌被二进制化改善后有利于图像对比度和数字识别的准确性[7]的成分。 许可证识别的接收来自许可证的输入板检测即为检测到的车牌。它是通过功能加权和最后一个转发步骤是标准化的成果，如图3 所示：

作者发现了全局阈值和基于二值化的最适合的数字识别的结果。这两种二值化的方法由多种方法组成用于将前景区域分割为阈值进而创造更高对比度的车牌图像的数字识别。【D】特别的图则选择此视觉来显著性提取牌照。显著性提取牌照的主要目的是将每个地方的“显眼”或“显着性”视觉领域的标量引导选择参加的地点，结合了动态CNN，它为显着性提供自下而上的输入地图。

图3 CNN 识别中的特征提取 [7]

2 结论

LPR 技术需要实施或用各种技术检查。机器学习和深度学习也应该与LPR 一起发展。结果显示，LPR 使用CNN 给出了最好的结果。未来的工作范围是基于新实施的LPR 技术和深度学习算法来获得最佳结果的车牌检测和识别技术。