车辆工程技术299理论研究
干衣柜0 引言
截至2018年12月底，全国机动车保有量高达3.27亿辆，其中汽车2.4亿辆；全年新注册登记机动车达3172万辆，增长量创历史新高[1]。在我们享受着机动车辆便捷快速的同时，我们同样不可忽视快速增长的机动车数量和相对交通管理人员的不足，也给交通带来了巨大的压力，交通违法肇事逃逸等现象层出不穷。而车牌作为车辆的身份识别信息，在帮助解决这些问题中，能够发挥巨大的作用。受限于天气光照等多种因素，传统车牌识别方法识别效果并不理想，通过深度学习优化改善后的车牌识别，以其高效率及高准确度逐渐成为车牌识别的主要应用算法。 1 车牌识别系统
简要的来说，车牌识别系统通常包括有采集、处理、识别三大类模块，具体来说在系统中：
（1）采集模块主要是对图像进行采集，主要技术手段为用高清摄像头拍下车辆的视频图像，截图清晰的图片给后续模块使用。
（2）处理模块主要是对图片进行预操作，通过图形学或深度学习算法，在采集模块中得到准确的车牌位置，以便后续使用。
不倒翁玩具 （3）识别模块是对预处理后的车牌进行字符匹配，得到最终结果。2 深度学习的发展
神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向--深度学习的基础[2]。1943年，心理学家McCulloch和数学家Pitts参考了生物神经元的结构，发表了抽象的神经元模型MP。拉开了深度学习的大幕。最早的神经网络的应用领域来自于Yan Lecun提出的基于传统CNN改进的Le-Net5卷积神经网络，应用于美国各大商行的手写数字图像识别上。随后因为当时的算力不足，导致碰到稍大型一点的图片便力不从心。因为这个特点该算法沉寂了多时。直到2012年，Krizhevsky等人提出AlexNet网络模型一举夺得ILSVRC比赛冠军，深度学习才重新回到人们的视野中来。近年来，随着图像识别的实际应用需要，在图像识别领域一大批更优秀的算法例如R-CNN、faster R-CNN、yolo、SSD等等涌现出来，极大的提高了识别的精确度和速度。
高压锅限压阀3 深度学习在车牌识别中的应用
不同于传统车牌识别的，Hpyer-LPR采取了一种独特的方式来进行车牌的处理流程。即粗定位-图像处理-精定位-字符分割-字符识别这一独特流程。粗定位采用了HAAR-Cascade级联目标检测系统，字符识别采用了基于卷积神经网络的字符匹配，在后文将就这两个系统展开分析。
（1）粗定位系统。在这里主要是使用了Adaboost算法来实现对车牌大致范围的选定。不同于一般的传统基于颜空间或者是基于边缘特征的识别模式，总是对图形进行彩上的处理：例如将RGB空间标本盒
转化为HSV、HIS空间等，抑或是采用Sobel算子、Prewitt算子、Roberts算子、Laplacian of a Gaussian(Lo G)以及Canny算子等将图形的密集区域到，密集区域即为车牌的潜在可能区域。这种方式极大的受光照，角度，天气等生活中较常见的情况所干扰。也是传统方法被抛弃的最大原因，即准确率非常堪忧。Hyper-LPR以一个非常独特
的流程完成了对车牌的粗定位，如图所示：
图1
Adaboost算法的本质就是通过一系列弱选择器结合在一起，成为一个强选择器，再将多个强分类器结合成为级联分类器的办法。因为在通过每一个分类器的时候，不符合的负样本都会被直接抛弃，所以效率比传统的识别方法高很多。其重点在于权值，初始的时候每一个分类器的权重都为1，在通过不断的训练并将结果和预期要得到的结果进行对比。将识别错误的正样本再送入分类器中学习，最后得到一个最优的强分类器。
（2）字符分割、识别系统。分割模块依旧是使用的级联分类系统，而识别系统则是基于经典以CNN为基础的LeNet-5算法做识别，该算法于上世纪便被运用于银行的手写数字领域，时至今日是很成熟
的应用算法。鉴于车牌的格式及尺寸的固定性，总共需要有26个字母，10个数字及31个汉字作为字符特征的提取目标。依照LeNet-5算法原作者Yan LeCun的观点，结构特征和统计特征是应该着重被考虑的特征目标。就结构特征而言，汉字的笔画或者是字体结构是提取的中心。例如上下结构左右结构、笔画顺序笔画值等等。但是对于车牌识别系统来说，缘于字符比较固定，更多的应该考虑统计上的特征，因为角度光照识别的变化，导致最后再识别的时候精度不会特别理想。滑动窗口检测法的流程如下：将原图按比例缩放，以确定最小检测字符的大小。构建卷积层归一化处理并以Adaboost算法级联在一起以提高识别的准确度和精确度。
（3）结论。将HyperLPR与基于传统方式实现车牌识别流程的EasyPR开源项目相比较，识别速度有了1秒以上的提升，多角度及正前方识别率均领先5%左右。
4 结语
本文着重探讨了深度学习在车牌识别系统中发挥的巨大作用，极大的提升了识别的准确度及精度，在未来的应用中必将发挥更重要的作用。
参考文献：
[1]中国新闻网.公安部：2018年全国小汽车保有量首次突破2亿辆[EB/OL].www.dzwww/xinw
龙泽罗拉百度影音en/guoneixinwen/201901/ t20190111_8283444.htm,2019-01-13.
[2]高攀.基于卷积神经网络的车牌识别关键技术的研究与应用[D].北京邮电大学,2019.
[3]刘峥强.深度学习算法在车牌识别系统中的应用[D].电子科技大学,2016.
[4]李朝兵.基于深度学习的车牌识别关键技术研究[D].成都电子科技大学,2018.
作者简介：赵宇勤（1997-），男，湖北武汉人，本科在读，研究方向：计算机深度学习。
浅谈深度学习在车牌识别中的应用
便民用品-以HpyerLPR为例
赵宇勤
（湖北第二师范学院，武汉 430205）
摘 要：本文以Github上的开源项目Hyper-LPR来作为例子来介绍度学习在车牌识别中的具体应用，探讨了其对识别效率的影响与改变。关键词：交通科技；车牌识别；深度学习；HpyerLPR
