基于卷积神经网络的车牌识别.pdfVIP

科技与创新┃ScienceandTechnologyInnovation2020年第17期

文章编号：20956835202017007202

－（）－－

基于卷积神经网络的车牌识别

12

彭洋，汪孟杰

（1.武汉理工大学计算机科学与技术学院，湖北武汉430070；2.武汉理工大学汽车工程学院，湖北武汉430070）

摘要：随着卷积神经网络技术发展和成熟，越来越多的图像识别运用于该技术。而车辆作为人们出行的必需品，

车牌识别技术也已经广泛应用在人们日常生活当中。卷积神经网络特有的局部连接、权值共享、下采样三大特性，

将其运用在车牌识别中，通过大量的训练，能够极大提高车牌识别的速度和准确度。

关键词：卷积神经网络；车牌识别；模型训练；权值共享

中图分类号：TP183；TP391.41文献标识码：ADOI：10.15913/j.cnki.kjycx.2020.17.028

1引言波方法很难消除图形图像干扰，因此使用基于图形和图像的

随着经济的发展，汽车已经普及到千家万户。作为汽车定位方法时，很容易造成定位失败，假如给一个处理该误差

最直观的识别标志，车牌识别技术也成为了研究热点问题。的算法，那么会选定很多非车牌区域，处理速度慢，难度大。

通常情况下，车牌识别分为车牌定位、字符分割、字符识别基于机器学习的定位方法分为基于特征工程的方法和基于

三个主要步骤。由于车牌字符间距较小，区别度较小。目前神经网络的定位方法，前者训练车牌识别时速度和效率都很

车牌识别技术已经广泛运用于停车场、高速公路收费站等场低，所以基于神经网络的定位方法则是目前主流的定位方

所。但由于拍摄环境和拍摄角度多变，基于全连接神经网络法。基于神经网络的定位方法可以分为全神经网络和卷积神

的车牌识别需要大量的训练数据提取特征，而且性能不稳经网络，相比于全神经网络，卷积神经网络具有的局部连接、

定。而最近几年兴起的基于卷积神经网络的字符识别方法相权值共享、下采样三大特性，使得图像识别和定位的效率大

比于传统字符识别技术，能够克服字符识别率较低、识别速大提高。由于卷积神经网络具有平移不变性，在学习过程中

度慢等技术困难，其识别率可达到99.7%。可以辅以候选区域，并对候选区域进行分类。正确分类的候

2技术优势选区域即为目标定位的位置。此类方法有较多实现模型，如

[2]

卷积神经网络具有局部连接、权值共享、下采样三大特RCNN、faster-RCNN、SSD等。

[1]

性。局部连接即在进行图像识别时，不需要处理整个图像，

只需要关注图像中某些特殊的区域，在识别车牌时，按照不

同的特征将车辆分成不同的区域，这样就可以只关注车牌区

域，使处理图像的时间和效率大大提高。卷积层的另一大特

征是权值共享，一个[i][i]的卷积核，则一共有i*i个参数，

而通过权值共享，则能够分区域进行卷积，检测到相同的特

征，不同的卷积核会有不同的权值参数，每个参数用来训练

不同的特征。卷积神经网络三大特性如图1所示，使用权值图1卷积神经网络三大特性

共享的方法，总共产生了[i]个不同的权值参数，而局部连接3.2字符分割处理

则会产生[j]个参数，那么总共有i*j个参数，使用权值共享在进行车牌字符识别时，通过百度AI实训平台——AI

的方法后，仅仅需要i个权值，更进一