复杂条件环境下车牌识别及计费系统的设计与实现.pdf
《复杂条件环境下车牌识别及计费系统的设计与实现.pdf》由会员分享,可在线阅读,更多相关《复杂条件环境下车牌识别及计费系统的设计与实现.pdf(5页珍藏版)》请在文库网上搜索。
1、SOFTWARE软 件2023第 44 卷 第 8 期2023 年Vol.44,No.8作者简介:周慧慧(1998),男,江西萍乡人,硕士研究生,研究方向:软件应用技术。复杂条件环境下车牌识别及计费系统的设计与实现周慧慧(浙江理工大学计算机科学与技术学院,浙江杭州 310018)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
2、键词:深度学习;卷积计算机网络;停车场;管理系统中图分类号:TP391.4 文献标识码:A DOI:10.3969/j.issn.1003-6970.2023.08.025本文著录格式:周慧慧.复杂条件环境下车牌识别及计费系统的设计与实现J.软件,2023,44(08):108-111+120Design and Implementation of License Plate Recognition and Billing System under Complex ConditionsZHOU Huihui(Zhejiang Sci-Tech University School of Comp
3、uter 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,an
4、d 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
5、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设计研究与应用0 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
6、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
7、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109周慧慧:复杂条件环境下车牌识别及计费系统的设计与实现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
8、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。Tenso
9、rFlow 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
10、、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
11、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 OPEN
12、CV 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
13、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
14、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110软 件第 44 卷 第 8 期SOFTWARE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
15、,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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 复杂 条件 环境 车牌 识别 计费 系统 设计 实现