张伟娜
单位：唐山市古冶区职业技术教育中心学校 邮编：063101
摘要：随着科学技术的进步，深度学习已经应用在了车牌识别中，同时基于灰度图像的车牌识别方法和基于彩色图像的车牌识别方法也可以直接对车牌进行识别。随着深度学习的进一步发展，卷积神经网络已成为主流方法。因此本文使用卷积神经网络进行车牌识别。在MATLAB平台中进行设计及研发，最后通过样本完成对系统的测试和分析，达到了具有商用价值的车牌识别系统。
关键词：车牌识别；深度学习；卷积神经网络
一、引言
随着经济的发展，交通行业蓬勃发展，汽车逐步成为人们的主流出行工具。直到2008年，我国的汽车行业迅速崛起。根据国内相关数据的调查研究，截至我国排名前十的城市中的可用汽车数量超过了300万。随着汽车数量的快速增长，消费者对汽车服务要求也日益增加。截至目前，我国已逐步发展成为拥有十多种汽车，数十万种汽车模型的庞大汽车工业。车牌是汽车的唯一标识，能够准确定位到使用人。因此能够快速准确识别车牌是该系统的核心步骤。获取摄像机拍摄的车辆图像，通过对车牌的定位，裁剪出车牌图像，从而获得每个车辆的唯一车牌号，最后通过技术手段对车牌图片进行识别，最终完成系统的设计和开发。 我国车牌是汉字，数字和字母的组合。因此，中国的车牌不能直接使用外国的技术，因此只能自主研发自己的车牌识别系统。其中最突出的产品是北京智通视频技术有限公司自主研发的车牌识别系统，随着科技的进步，还有很多国内的公司，研发了国内车牌识别系统。
二、车牌图像处理
车牌位置是车牌识别系统的关键。当不同情况下，传统的边缘检测算法无法实现车牌定位。纹理特征方法对车牌倾斜和照明不均匀具有不错定位效果，但是对于噪点大，背景复杂的图像，无法获得更好的定位；小波变换方法可以解决噪声较大的车牌图像的定位问题，但缺点是速度较慢，噪声较大时会产生误差。判断率高。因此，使用基于灰度图像的目标检测方法来定位车牌。
牌照定位中通常使用三种主要的颜色空间，HSV与其他相比来说，模型有很大的差异，他是基于人们对颜色的感知入手，更够更好更准确的反映人们对颜色的认知和辨别。因此也被学术界称为六边形金字塔结构。
三、卷积神经网络的字符识别
卷积神经网络已经成为当前主流的方法，通常需要将传统的字符识别算法应用于分割后的字符图像，因此需要大量的时间来处理分割问题。神经网络具有很好的权重共享的特性，并且这些卷积结构都是可以训练的，并且通过逐层传播，进行卷积计算生成特征，最后通过特征关联，就可以得到整体的特征。在平面图中可以看到上面映射的图像特征，网络中的计算层由大量的特征图[3-6]。同一平面上的神经元值是相同的。应该将该方法作为论文的方法。
（一）卷积神经网络的字符识别
字符识别算法可分为对原始图像的预处理、模型设计、字符分类，最后得出整体定位结果。
根据上述流程图来说，字符的识别是建立在预处理和分割的基础上。因此，字符识别算法的核心任务是图像特征提取，好的特征提取方法才能保证较好的特征识别效果。但是传统字符会受到很多因素影响。
因为卷积神经网络的识别方法不受很强的外界因素影响。
可以更准确的识别复杂环境下的车牌影像，因此本论文采用的卷积神经网络的字符识别。
（二）LeNet简介
网络是深度学习领域经典网络之一。网络避免了由人工特征提取的准确性。
开始阶段，该神经网络由8个特征图组成的卷积层，特征图中的神经元都通过卷积核和输入。
第二层是具有6个特征图的下采样层。在第一层中输出的图像上执行下采样，从而保留更多的信息，从而使特征保持平移不变性。卷积层对第二层中的每个单元进行加权求和，并通过激活函数进行计算。如果系数较大，则可以将根据偏移量的子采样视为有噪声的“或”运算。
第三层由16个卷积构成。也就是说卷积10次后的第三层是在第二层卷积16个卷积核，特征图谱包含个神经元。通过第二层特征图的不同组合将这些层连接起来。当前使用的连接如图4-3所示。前六个特征图连接到第二层，第二层是地图连接特性，最后的六个特征图连接,四层特征图谱通过连接层②。
第四层是上采样层。该层将增加神经元的局部视野。
第五层仍然是卷积层，有个训练参数，它与全连接层连接。
最后，它由41个神经元组成，代表0-9个数字、26字母和各省简称。
四、实验结果
本文实验在Matlab上进行编程和验证，通过当前实验的问题，及时发现并纠正错误信息。为了更好的评估实验方法和效果，本文设计了完整的测试方法和大纲。
对于采集到的1000幅不同的车牌图像进行识别，识别率达到了95%。比较准确的识别了车牌，达到了国内同等水平。车牌识别系统的完整的测试大纲可以有助于实现以下目标：通过测试可以明确确定系统的实际识别率最初可以达到的近似范围以及优缺点。系统定位识别算法和传统识别算法的优缺点，为以后发现有效的识别算法提供科学实验数据。一个好的车牌识别系统可以在各种复杂的环境条件下执行高质量，高效率的车牌识别。为了系统的完整性和稳定性，制定了测试计划，完成黑盒测试和白盒测试。在多种测试方法并存的理论基础上，在真实的测试过程中，请尽量靠近自然环境。在测试系统环境表中，测试平台具有四个系统菜单，即文件，编辑，工具和数据。其中文件菜单包括三个子菜单，分别是提取视频，备份视频和退出。其中，提取用于从计算机中提取录制的视频，备份视频用于备份，退出用于退出程序。对于图像识别运行时间测试分析，测试的目的是在正常条件下执行图像识别时，在指定的时限内完成目标任务。
结语
车牌识别是交通领域急需解决的问题，本文主要研究了基于MATLAB的车牌识别，通过采用LeNet进行车牌的识别，较为完整了设计了一套车牌识别系统。目前，国内汽车牌照尚缺乏相应的培训和测试样品。本文中使用的示例都是在Internet上收集的，或者是自己在路上收集的。样本数量和覆盖面积很小。在异常条件下，例如大雾天气或图像不完整等，本文中未考虑系统的稳定性。下一步将继续增加样本量并进一步提高识别率。
参考文献
[1]楚天鸿,唐瑞尹.基于MATLAB平台下的车牌识别系统设计[J].科技与创新,2020(14):20-22.
[2]陈政,李良荣,李震,顾平.基于机器学习的车牌识别技术研究[J].计算机技术与发展,2020,30(06):13-18.
[3]高强.基于MATLAB的车牌智能识别设计[J].电脑知识与技术,2020,16(05):194-196.