无人机检测在车牌字符自动识别系统中的应用＊

陈洪亮,李雪松,关 巍,孙同展,侯 超

（1．国网河北省电力有限公司雄安新区供电公司，河北 雄安 071800；2．天津市普迅电力信息技术有限公司，天津 300000；3．国网河北省电力有限公司，河北 石家庄 050000）

1 引言

文献[3]提出了卷积神经网络(CNN)的车牌字符识别系统，该适用于嵌入式系统。通过Tiny YOLOv3架构检测捕捉到的车牌图像，并在合成图像上对其训练，并与真实车牌图像进行微调，利用卷积网络的第二层来识别车牌字符。文献[4]开发自动车牌识别系统，以提高执法机构的调查能力，监察可疑车辆。在光照变化、视角变化、板形尺寸变化、对比度变化和阴影变化等具有挑战性的条件下，ALPR系统的识别性能受到很大的影响。此外，字符分割步长对车牌分辨率、字符大小、遮挡字符和字符间宽度的敏感性，使字符难以适当分离，进一步降低了识别精度。在提设计框架之前，应用基于区域的卷积神经网络方法定位板，进而提出一种无分割的车牌识别方法，采用线性判别分析的自适应助推方法完成特征选择，然后将车牌与可疑车辆数据库进行匹配并进行信息检索。文献[5]提出基于小波分析的倾斜车牌图像字符识别方法。该方法将原始倾斜车牌图像转换成灰度图像预处理，利用小波矩对预处理后的车牌图像象素进行特征提取，采用直线拟合方程对车牌倾斜角度的目标图像进行校正，然后通过主成分分析选取提取的特征，减小字符特征维数，得到特征向量。但传统方法进行车牌字符自动识别的准确性不高，信息识别能力不好。

针对上述问题，本文提出基于无人机检测技术的车牌字符自动识别系统设计方法。与传统方法不同的是，所提方法提取了无人机采集车牌字符图像资源的二元语义本体信息特征，并采用深度学习方法实现车牌字符识别的寻优。为验证所提方法的应用有效性，设计一次仿真实验。实验结果证明了所提方法在提高车牌字符自动识别能力方面具有明显优势。

2 无人机车牌图像采集以及预处理

2.1 无人机图像采集

为实现无人机检测技术在车牌字符自动识别系统中的应用，构建无人机检测图像采集模型，采用无人机的信息采样和图像特征检测的方法，建立无人机采集图像融合模型，结合字符信息的文本特征融合方法，通过模糊信息特征检测，实现对车牌字符自动识别的无人机图像特征分析[6]。根据上述分析，得到车牌字符自动识别系统的实现结构框图如图1所示。

根据图1所示的车牌字符自动识别系统的实现结构框图，实现无人机采集车牌字符图像信息融合，采用字符结构特征提取方法进行车牌字符的特征采集，首先采用三维特征参数解析的方法，进行车牌字符自动识别[7]，通过无人机扫描的方法，得到车牌字符自动识别的参数信息解析模型p(n)，表示为：

式中，lm为车牌字符自动识别的特征参数，a(f)为无人机图像采集的样本函数，m为车牌字符信息特征提取参数。

通过边缘参数分割和融合特征识别方法，实现对车牌字符自动识别的无人机图像像素融合，得到车牌字符自动识别的语义分割结果表示为：

其中，A为无人机采集图像的语言特征在x方向的像素值，t(x)为车牌字符自动识别语义信息参数统计分布，J(x)为语义信息分布关联系数。

2.2 腹水引流的护理 在腹腔给药前要尽可能放干净腹水，否则疗效受影响。首先视患者的具体情况决定引流腹水的速度，放腹水时应缓慢匀速，避免速度过快造成腹压突然降低而致血压下降，或可引起水电解质代谢紊乱等反应。也可行腹带加压，保持一定的腹腔压力，防止腹压下降过快。每次引流腹水尽量要引流干净，但每次的放液量应根据病情决定，一般不超过3 000 mL［1］。引流过程中要观察引流液的颜色、量，观察引流管是否通畅，如发现呼吸、心率加快，即停止引流。

采用低级视觉信息跟踪扫描技术进行车牌字符自动识别过程中的无人机采集图像跟踪识别，无人机采集车牌字符图像的网格分布为W*N，根据无人机采集车牌字符图像的相似度信息，采用信息重构的方法，得到无人机采集图像的关联约束函数为：

其中，Ω为在仿射不变矩分布域无人机采集车牌字符图像分布的状态空间，通过二维参数拟合的方法获取。I(i，j)为无人机采集的图像之间的关联度函数。g={g(i)，iΩ}为无人机采集车牌字符图像的拟合系数[8]。

2.2 车牌字符图像融合

建立车牌字符自动识别的无人机图像信息跟踪模型，得到车牌字符的多层级的特征信息为：

式中，X={x1，x2，…，xn}为采用灰度图模型记录的无人机采集车牌字符图像语义属性集为，Ei，j=＜e1，e2，…，em＞为每一个像素分类为正确的语义参量测试集，设车牌字符的匹配结果，对无人机采集的字符图像进行信息跟踪识别。ei{1，0}，表示为无人机采集车牌字符图像的主特征量，用四元组(Ei，Ej，d，t)表示无人机采集车牌字符图像的细化参数分量，Ei，Ej为车牌字符自动识别的实体集。

采用双线性插值方法，构建无人机采集车牌字符图像像素重建模型，根据更大范围的多尺度特征重建结果，得到车牌字符的信息检索模型。搜索出车牌字符自动识别的无人机采集的最佳匹配块，然后选取K-近邻域组无人机采集车牌字符图像的语义信息跟踪矢量场，Di=[]其中，在车辆行驶的交通信息流区域xi中，采用边缘轮廓检测的方法，得到车牌字符自动识别的无人机检测输出为：，从中间层特征复用的角度出发，得到目标对象分类融合分量表示为：

其中，Gnew和Gold分别是无人机采集车牌字符图像的相似度特征量。车牌字符图像融合模型表示如下：

根据浅层的特征信息分布，构建车牌字符自动识别的无人机采集和信息融合模型，分别表示待识别的车牌字符检测模型，提高图像的信息融合和特征识别能力[9-11]。

3 车牌字符自动识别优化

3.1 字符特征提取

建立车牌字符自动识别的无人机图像信息跟踪模型，通过双边滤波器实现对无人机采集车牌字符图像降噪滤波处理[12]，无人机采集图像资源的帧间的统计特征量为C([a，b]，R)，F和C([a，b]，R)分别为像素的水平集和车牌字符自动识别的边缘特征分布向量集，记||φ||=sup|φ(θ)|，R为深层提取的特征信息边缘轮廓分布参量，h和R为图像帧序列和车牌字符自动识别的文字库，根据文字库的语义细化分布，得到层次分布特征量为：

其中，f(z)表示无人机采集车牌字符图像自相关语义分量，由此构建车牌字符自动识别的文字库的语义本体集，通过双边滤波器实现对无人机采集车牌字符图像降噪滤波处理，提取无人机采集车牌字符图像资源的二元语义本体特征量[13]，得到较高层级特征图的通道检索序列为r(n)=r(n△t)，n=0，1，2，…，N-1 车牌字符自动识别的无人机采集的有用特征分量为：

令输入的无人机采集车牌字符图像的边缘像素集为x(t)，t=0，1，…，n-1，图像仿射不变矩特征为：

其中，e(j)为车牌字符相关语义特征分量函数[14]，由此得到车牌字符图像的语义本体分布边缘像素集表示为：

其中，bf为串联合并控制的方法参数，无人机采集车牌字符图像相似度分布序列为sg(a)，得到车牌字符自动识别的无人机采集的二元语义分布序列表示为：

其中，lc为无人机图像分布特征函数，在第k 层的特征图中，提取车牌字符自动识别的无人机图像分布融合序列，以提取的图像资源信息特征分量模糊度参数，进行车牌字符特征识别。

3.2 车牌字符自动识别参数融合

根据图像特征提取结果，采用支持向量机和神经网络学习算法，提取无人机采集车牌字符图像资源的二元语义本体信息特征，结合图像的语义特征融合方法，提取无人机采集车牌字符的亮点特征[15]，得到车牌字符的亮点分布尺度信息，得到模糊状态参数为：

其中，c为图像的语义特征融合方法参数，实现对车牌字符自动识别，采用边缘像素级特征分解的方法，得到车牌字符识别的输出结果为J(Wi)。

根据车牌字符的语义和文字信息采集结果为ht，d(s)，采用3×3 拓扑结构实现对车牌字符的识别，得到识别的窗口函数为：

综上分析，采用深度学习的方法，实现车牌字符自动识别的寻优控制[16-17]。

4 仿真测试与结果分析

本次实验中，对车牌字符自动识别的无人机图像采集的帧数为1200，无人机图像扫描的频率为15．8KHz，细节信息融合的边缘尺度信息为0．354，车牌图像监测的个数为120，训练集规模为50。根据上述参数设定，采用无人机进行车牌字符识别，得到无人机进行车牌图像采集的视场分布图如图2所示。

在图2所示的图像采集环境中，进行车牌字符识别，得到图像特征提取结果如图3所示。

根据图3对车牌字符的图像特征提取结果，实现车牌字符识别，得到车牌字符的聚类收敛曲线如图4所示。

分析图4得知，所提车牌字符识别方法的收敛性较好，测试识别精度，得到对比结果见表1。

表1 车牌字符识别精度对比

分析表1得知，本文方法进行车牌字符识别的精度较高。

5 结束语

研究车牌字符自动识别系统的优化设计方法，结合图像识别技术实现对车牌字符自动检测和信息特征提取，本文提出基于无人机检测技术的车牌字符自动识别系统设计方法。建立无人机采集车牌字符图像融合模型，采用低级视觉信息跟踪扫描技术进行车牌字符自动识别过程中的无人机采集图像跟踪识别，结合图像的语义特征融合方法，实现对车牌字符自动识别。研究得知，本文方法进行车牌字符检测识别的精度较高，性能较好。