SCI论文（www.lunwensci.com）
摘 要：本文基于深度学习框架,构建一个卷积神经网络模型,对复杂条件,如极端天气,模糊车牌情况下的车牌识别技 术进行模拟训练,对车牌识别技术和软件的具体实现方法进行深入研究和分析。并根据训练完成的模型,结合部分实际情况, 设计开发一套停车场出入的管理系统,以保证在复杂条件下能够更加准确识别车牌,提高车辆进出的有效性和便捷性。
关键词：深度学习,卷积计算机网络,停车场,管理系统
Design and Implementation of License Plate Recognition and Billing System under Complex Conditions
ZHOU Huihui
(Zhejiang Sci-Tech University School of Computer Science and Technology, Hangzhou Zhejiang 310018)
【Abstract】：This article will build a convolutional neural network model based on the deep learning framework, simulate and train the license plate recognition technology under complex conditions, such as extreme weather and blurred license plates, and conduct in-depth research on the specific implementation methods of license plate recognition technology and software. And according to the trained model, combined with some actual conditions, design and develop a parking lot access management system to ensure more accurate identification of license plates under complex conditions and improve the effectiveness and convenience of vehicle entry and exit.
【Key words】：deep learning;volume computer network;car park;management system
引言
国内对于车牌识别的研究相较国际上的一些专业化 团队起步略晚。这是由于我国作为发展中国家,机动车 保有量在进入 21 世纪之后才开始增长,同时,国内的车 牌种类样式各异,普通小轿车、客车、货车、军车、警 车,乃至现在出现的新能源汽车等悬挂的车牌样式、方 式和位置都不固定,在车牌识别上更加困难,另外,由 于各个省份的汉字简称和字符间的多种排列组合方式也 提升了车牌识别的难度 [1],因此,国外的车牌识别系统 并不能直接应用到国内的智能交通系统中。该算法主要 应用于低清晰度情况下的车牌识别, 为了制作预期相应 的样本集,该算法主要技术包括了局部动态模糊和散焦 模糊下采样,由于中文字符与英文字符相比较,在模糊 状态下识别难度更大,所以优化后的算法相较于原算法 的识别率并没有明显的提升 [2]。国内知名研究人员马爽等人提出了多特征的车牌识别方案,该方法首先将会提 取边缘特征值, 再利用相关模板填充其他区域,从而形成 了对应且能够连通的区域, 最后通过霍夫变换对车牌的形 状特征做一定的矫正 [3],最后将加工过的车牌图像的深度 和曲度特征输入到卷积神经网络模型当中进行最后阶段的 字符识别。最后的实验结果表明, 该模型的识别准确率可 达到 95% 以上。
1 深度学习技术与车牌识别算法
近年来, 人工智能技术得到了迅速的发展,机器学 习、深度学习技术的实际应用给人们的日常生活带来了 非常大的便利,常见的深度学习模型有深度置信网络、 深度卷积神经网络、深度循环神经网络等,已经逐渐成 为当前的热点研究对象。
1.1 深度学习模型
从深度学习技术所涉及的模型层面来看,它主要是利用结构相对简单的非线性模块进行构造,并可以把前 一层的特征转化为更抽象,更具有高级特征的多层表示 学习方法,除此之外,在高位数据处理中,深度学习也同 样意义重大,具体应用如图像识别与分类、文本、语言、 图像和视频处理 [4]、自然语言识别、手写体识别、人脸 识别等。本停车场管理系统主要使用了卷积神经网络, 本文也主要对卷积神经网络进行介绍。
1.2 深度学习框架
深度学习方法是利用深度神经网络来解决特征表达 的一种学习过程。神经网络一般包括两个过程 ：训练过 程和测试过程。所谓训练就是把训练数据和神经网络模 型用 CPU 或者 GPU 提炼出模型参数的过程。测试就是 把测试数据用训练好的模型运行后查看结果。本文所设 计的停车场管理系统使用的是目前主流的 TensorFlow 框架。TensorFlow 其优势在于数值计算,该框架主要 使用数据流图,图中的各个节点之间的联系的多维数据 特征用张量表示,其中的数据操作的作用利用节点表 示, TensorFlow 框架本身相当灵活,平台适应性广。可 在单机或者集群服务器、移动终端设备等上进行相关实 验,目前应用于人工智能相关服务较多,它的通用性很 好,这也是选用 TensorFlow 框架的原因 [5]。
2 车牌模型训练
2.1 车牌识别设计思路
在之前的章节当中, 已经简单介绍了深度学习和卷积 神经网络的基本原理以及如何实现车牌识别的基本理论, 但在实际生活当中,环境等因素将会导致车牌识别准确 率无法达到 100%。本文所讨论的管理系统将会模拟复 杂环境(例如大雾天气、光照不足等)下的车牌识别。
对于一个车牌而言,主要是由 7 个字符构成,其中 第一个字符为省份简写,其他六位为大写的英文字母或 者阿拉伯数字 2 构成,所以相较于大写英文字母和阿拉 伯数字而言,第一个省份汉字简写相对困难,尤其是个 别省份简写从结构上类似,或者部分省份汉字简写非常 复杂,对于车牌识别来说更是平添了一丝困难。
车牌识别的主要步骤包括灰度化、二值化、膨胀与 腐蚀等操作。灰度化处理就是将彩色的车牌图片转变为 计算机可以识别的黑白图片,二值化则是将处理好的黑 白图片变成计算机可以处理的数字信息。膨胀和腐蚀则 是可以将除了车牌中字符的区域进行剔除,增加车牌识 别的准确率。
进行车牌识别,首先需要对车牌完成灰度化处理, 完成之后便可以进行车牌字符的分割,将得到的车牌字 符图片分割成一个个单一的字符。有些采集到的车牌可能是倾斜的,倾斜的车牌会导致字符发生变化,会对最 后的准确率产生影响,所以在此之前可能还需要进行车 牌倾斜矫正。上述操作完成之后,便可以进行二值化处 理, 将 7 个字符区域转变成由 0 和 1 组成的数字信息, 输入设计好的卷积神经网络模型当中进行训练和验证。
2.2 车牌数据预处理
车牌识别的训练数据集主要是利用 OPENCV 和车 牌字体生成的数据,主要省去了人工采集、挑选甄别、 人工识别等过程当中可能会导致训练过程结果受人为主 观因素、人工疏忽等原因而产生偏差或者准确率发生改 变的情况。同时,使用 OPENCV 和车牌字体生成的车 牌,可以向车牌添加噪声、仿射变换等环境因素,达到 在真实生活中可能会发生到的诸多情况。
2.2.1 添加噪声
主要添加椒盐噪声以模拟车牌存在污点的情况,椒 盐噪声是指会随机出现黑白值,并根据场景的明暗程度 显示不同的像素。如会在暗处显示白色像素点,而在明 处则会有黑色像素点的呈现,且二者通常是黑白交错, 由于无法确定噪声出现的位置以及个数,故采用如下步 骤来添加噪声 ：
(1)利用 NumPy 随机数随机生成噪声个数,考虑 到噪声个数过小会使得实验意义不大,噪声个数过大时 会导致车牌数字完全被覆盖而无法准确识别的情况,故 采用的噪声个数随机值为 300 ~ 600 ;(2) 根据第一步 获取的噪声个数,为每个噪声个数随机生成坐标 ;(3) 生成坐标后修改图像像素的灰度值 ;(4)得到含有椒盐 噪声的图像。
2.2.2 仿射变换
主要利用仿射变换中的线性变换对部分车牌图像进 行处理,该方法可以对相机因聚焦错误、车辆为停稳或 者拍摄角度而引起的图像失真进行模拟, 也就是对车牌进 行模糊处理和倾斜率改变, 其主要通过计算二维旋转矩阵 来实现此效果,图像会以本身为旋转中心。车牌检测的数 据集主要通过上述生成的训练集以及少部分自己采集和开 源的数据集相融合,首先是为了保留部分训练集数据 ;其 次是为了增加新的数据集使管理系统更加真实。同时会对 自己采集和开源的数据集进行添加噪声和仿射变换处理, 其目的是为了保证与 CNN 模型输入的条件相同。
2.3 卷积神经网络训练模型
在之前的章节当中已经介绍过首先会对输入的图 片进行倾斜率矫正,其操作方法是将输入的图像会经 过 CNN 获取车牌的 4 个角坐标,将定位好的车牌图片 使用最小矩形包裹整个车牌并切割出来。同样根据其几何关系导出切割完成后的车牌 4 个角坐标,根据坐标之 间的关系可以判断出车牌应该进行什么样的旋转,从而 达到对车牌的矫正处理。对矫正后的车牌再进行分割处 理,将其分割成为前文提到的 7 个部分。同时,在之 前章节中介绍过本文所构建的卷积神经网络模型一共有 6 个卷积层、3 个池化层以及 1 个全连接层。CNN 网 络结构如图 1 所示,由输入层(图片输入),第一层的 卷积层 C1.第二层的卷积层 C2.第三层的池化层 S1. 第四层的卷积层 C3.第五层的卷积层 C4.第六层的 池化层 S2.第七层的卷积层 C5.第八层的卷积层 C6. 第九层的池化层 S3.第十层的全连接层 F7 和最后的输 出层(最后的结果输出)组成。
模型训练过程一共使用了 10000 张图片,采用分步 策 略,Batch Size 为 64.Epoch 为 10000.Learning Rate 为 0.0002.其中 Batch Size 为每次送入 GPU 中训 练的图像数量,这个数值的设定一般是由 GPU 的大小而 决定的。如果 Batch Size 的值设定太小则会导致训练的 结果不收敛或者是训练模型被噪声带偏,过大则会导致 噪声被淡化对模型不产生任何影响同时容易陷入局部极 小值。故综合数据集数量以及 GPU 的性能之后将 Batch Size 设置为 64.Epoch 是指将所有数据送入网络中进行 一次完整的训练,由于单个 Epoch 的数据过于庞大, 所 以会将其分为较小的 Batch Size 输入网络中进行训练。 考虑到使用的数据集较少,并且经过多次试验之后发现 在经过大概 4000-5000 个 Epoch 之后试验结果开始趋于 平滑,所以将 Epoch 设置为 10000.Learning Rate(学 习率)作为深度学习模型当中最重要的超参数值,直接 决定了目标函数是否可以收敛到局部最小以及何时才能 收敛到局部最小值,决定了最终能否有一个稳定的结 果。当学习率的初始值设置过小时,整个过程收敛的将 会变得非常缓慢,但是过大时又会导致梯度在一定范围 内震荡,严重时甚至会导致实验结果无法收敛。所以, 根据经验将初始学习率设置为 0.0002.在网络训练的过 程当中学习率不能为定值,需要在训练过程中自动调节。
2.4 训练实验结果根据表 1 识别准确率所示, 曲线 Epoch 在 8000 次 左右开始收敛并且慢慢趋于平滑,最终精确度在 98%以上。其中 1 号位字符是省份简称,识别难度相对于英 文字母和阿拉伯数字较大,Loss1 在 0.008 左右,2 号 位字符是字母,最后稳定在 0.001 左右,但随着字符往 后, Loss 的值也将越来越大, 7 号位字符 Loss 稳定在 0.2 左右。
3 停车场出入库管理系统的设计与需求分析
3.1 停车场出入库管理系统的设计
根据生活中的实际情况和可行性的分析,本文所设 计的停车场出入库管理系统需要具有以下功能 ：(1)车 牌识别功能 ;(2)用户信息存储功能(包括车牌、出入 库时间、用户住址、账户余额等) ;(3)用户管理功能 ; (4)计时及收费功能。
本系统的各项功能主要是根据生活中实际需求进行 设定,更适合各类组织对用户停车需求的管理。
3.2 停车场出入库管理系统的需求分析
在本管理系统中,各部分功能详细介绍如图 2 所示。
首先由模型对来往车辆进行自动车牌识别,通过对 系统输入车牌号字符,由系统对数据库中已有数据进行 对比,对于已经注册登记过的用户,进行自动登记及收 费功能,而对未进行注册或登记的用户,系统应当进行 提示,由当前值班人员进行检查登记,保护小区内业主 安全。根据车辆是进入或者离开,采取不同的操作。对 于进入车辆,应当记录车辆进入时间,并储存在数据库 中,以便离开时计算车费 ;对于离开车辆,应当根据停车时长,收取一定的管理费用。管理员可以通过管理系统主界面,查看小区用户的信息,包括用户住址、等级车牌以及详细的出入时间 ;同时可以对小区用户进行管理,包括新增用户(输入用户基本信息),根据不同的用户状态注销或激活用户,账户充值(输入需要充值的金额)功能 ;最后管理员可以对用户基本信息进行修改(输入更新后的用户住址及用户车辆车牌号)。管理员还可以添加新的用户,需要输入用户的基本信息。
本系统还应当存储各类用户数据, 包括车牌号、用户住址、用户状态、用户账户余额,用户出入时间等所有信息。
3.3 管理系统的实现
3.3.1 主界面
如图 3 所示, 进入主界面能看到一个含有所有住户基本信息(包括编号、户主车牌、住址和账号状态)的列表 和两个按钮。可以通过点击单个住户信息列进入用户出入 详细信息界面,通过点击车牌识别按钮进行对出入车辆 进行管理,点击新建住户信息可以创建新的住户。
3.3.2 住户详细信息查看界面及修改界面
如图 4 所示, 在本界面可以看到一个含有住户详细 出入情况的列表,同时,根据住户账号状态,当住户账 号处于注销、欠费、正常状态时第一个按钮分别为启 用、缴费、注销三个不同的按钮。第二个按钮为住户信 息修改按钮,通过该按钮可以对住户基本信息就行修改 或添加,包括修改户主地址以及对应的车辆信息,最后 一个按钮为返回主菜单,点击后可以返回主界面。
3.3.3 车牌识别功能
当车辆进出时,系统会运行之前训练好的车牌识别模型,并根据模型结果传入管理系统。当车辆驶入时, 系统会自动获取当前时间,并将获取到的时间存进数 据库 ;当住户驶离时,系统会根据车牌上一次记录时间 来计算此次停车费用,并跳转至收费界面,用户付款完 成后重新返回主界面。当识别的车牌非本小区住户车辆 时,会提醒管理员进行核查,确认访客身份,由管理员 确认之后再决定是否放行。
4 结语
本文对基于深度学习和卷积神经网络的车牌识别进 行了介绍和背景分析,国内外研究比较后,设计了使用 CNN 网络模型和 TensorFlow 框架构建的车牌识别模 型,同时收集和利用机器生成了用于训练和预测的数据 集,并进行相应的训练,通过对各项参数的多次修改调 整之后,对模拟特殊环境下,如图片模糊和发生倾斜等 真实条件下的情况,最终实验结果的识别准确率达到了 98% 左右,并利用该模型为之后的停车场管理系统提 供了坚实的基础。
设计并实现了停车场管理系统,满足了一个停车场 管理系统的基本需求,例如,管理员可以对来往车辆进 行车牌识别,并根据是否是本小区业主车辆或注册车辆 进行相应的操作管理,同时还可以对已注册住户信息进
行查看、修改和删除,还提供了新用户注册功能,此 外,该管理系统还将所有用户数据进行储存,包括用户 信息和出入记录等,方便必要时候提供帮助,最后本系 统还提供了自动计费和收费功能,尽可能降低风险和减 少劳动成本。
参考文献
[1] 陶建敏.基于深度学习的车牌识别技术的研究与实现[D].桂 林:广西师范大学,2020.
[2] 张瑞文.基于深度学习的车牌检测方法的研究及应用[D].北 京:北京邮电大学,2020.
[3] 杨鼎鼎,陈世强,刘静漪.基于车牌背景和字符颜色特征的车 牌定位算法[J].计算机应用与软件,2018.35(12):216-221.
[4] 李良荣,荣耀祖,顾平,等.基于SVM的车牌识别技术研究[J]. 贵州大学学报(自然科学版),2018.35(5):48-54.
[5] ANAGNOSTOPOULOS C N E,ANAGNOSTOPOULOS I E,PSOROULAS I D,et al.License Plate Recognition From Still Images and Video Sequences:A Survey[J].IEEE Transactions on Intelligent Transportation Systems, 2008.9(3):377-391..
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/65003.html
