论文总字数：18685字

摘 要

我国汽车保有量巨大，特别是在大城市，交通拥堵、停车困难、道路违法等问题日趋严重，应用车牌自动识别系统能有效地改善上述问题，节约大量人力成本，提高交通事务的处理效率。

本文利用深度学习卷积神经网络，结合图像处理技术进行车牌识别，可以得到较高的准确率。本文主要内容是实现车牌定位、车牌矫正、字符分割和字符识别。在车牌定位阶段，需要对图像进行预处理，包括灰度化、去噪、边缘检测等步骤；再利用由AdaBoost算法产生的强分类器对车牌进行定位；在车牌定位完成之后，判断车牌类型，常规车牌用7字符模块进行分割、新能源车牌用8字符模块进行分割；然后利用开源的HyperLPR项目在tensorflow框架上完成车牌的识别，识别准确率达到95%。

关键字 ：深度学习 卷积神经网络 tensorflow 车牌识别

abstract

There are large number of cars in our country now, especially in large cities, traffic congestion, parking difficulties, road violations and other problems are becoming increasingly serious. The application of license plate automatic recognition system can effectively improve the above problems, save a lot of human costs, and improve the efficiency of traffic affairs processing.

In this paper, deep learning convolution neural network and image processing technology are used for license plate recognition, which can get high accuracy. The main content of this paper is to realize license plate location, license plate correction, character segmentation and character recognition. In the stage of license plate location, it needs to preprocess the image, including grayscale, denoising, edge detection and other steps; then use the strong classifier generated by AdaBoost algorithm to locate the license plate; after the license plate location is completed, judge the license plate type, use the 7-character module to segment the conventional license plate, and use the 8-character module to segment the new energy license plate; then use the open-source HyperLPR The project completes the license plate recognition on tensorflow framework, and the recognition accuracy reaches 95%.

Keywords ：deep learning; convolution neural network; tensorflow ;

license plate recognition

目录

第1章 绪论 1

1.1课题背景及研究意义 1

1.2车牌号码识别技术的发展概述 1

1.2.1车牌定位与分割的发展概述 1

1.2.2车牌识别的发展概述 2

1.3我国汽车车牌与识别难点 3

1.3.1我国汽车牌照 3

1.3.2车牌号码识别的难点 4

1.4本文的主要内容 4

第2章 车牌定位 5

2.1定位预处理 5

2.2.1图像灰度化 5

2.1.2图像去噪 5

2.1.3边缘检测 6

2.1.4图像二值化 7

2.2简单模型 7

2.3车牌定位检测 8

第3章 车牌矫正和字符分割 10

3.1 车牌分割预处理 10

3.1.1 底色判断 10

3.1.2 反色变换 11

3.1.3车牌矫正 12

3.2 字符分割 13

3.2.1设置模板 14

3.2.2设置评价函数 15

第4章车牌识别 17

4.1 深度学习 17

4.2 卷积神经网络 17

4.3 卷积神经网络的结构 18

4.3.1卷积层 18

4.3.2 池化层 20

4.3.3全连接层 20

4.4TensorFlow平台 22

4.5字符识别 22

第五章结论与展望 24

5.1总结 24

5.2未来展望 24

参考文献 25

致谢 27

第1章 绪论

1.1课题背景及研究意义

进入21世纪后，随着中国的进一步发展，老百姓的生活质量逐步提高，几乎每家每户都有能力购买机动车，机动车的保有量呈现显著上升的趋势，根据官方数据显示，目前持有驾照人数已经突破4亿，机动车保有量已经达到4亿。机动车数量的不断增多在带来出行便利的同时也为我国的交通系统及其附属配套设施带来了巨大的压力。为了应对道路拥堵等各种交通问题，诸多城市不断推出例如限行等政策，同时也升级各种配套的硬件设施，智能交通系统逐步形成。

每辆机动车都有其独有的牌照，车牌是确认车辆的最主要的方式。智能交通系统中极重要的一环就是自动车牌识别（Automatic License Plate Recognition,ALPR）^[1]。自动车牌识别在生活中已经被十分广泛地运用，例如小区、酒店等停车场、高速路口、主干道抓拍的电子眼等。良好的车牌识别系统可以帮助智慧交通系统高效地提升效率，缓解交通压力、提高人们的出行效率，节省时间、提高交通执法效率等。因此，实现一个高效的车牌识别系统的作用是十分巨大的。

1.2车牌号码识别技术的发展概述

1.2.1车牌定位与分割的发展概述

在上个世纪七十年代就有国外科学家提出自动车牌识别系统这个概念，随着科技的发展和硬件软件的技术进步，已经有很多方法得到了验证：纹理识别^[2]、机器学习、深度学习等都是可以从技术上实现的。总的来说，一般是分四步来实现整个车牌识别过程：定位、矫正、分割、识别。车牌定位是先在整张图片中找到车牌区域，排除其他复杂背景、规则形状等非车牌区域可能产生的干扰。由于拍摄角度不同等原因，车牌区域并非是规则的矩形，可能会产生各种变形，会影响后续的工作，所以要将车牌进行矫正。分割是将车牌的字符分割成各独立的部分，第一个部分是汉字，后面的部分是数字和字母。车牌分割是很重要的一个步骤，分割的正确与否直接影响到后续的识别。最后一步是将上面分割的各部分准确识别出来。上述就是车牌识别的主体过程。

车牌的长和宽有固定的比例，在图像中边缘密度比较高，边缘信息^[3]在车牌识别中被广泛采用。基于车牌的颜色通常和车身颜色不同，在对车牌颜色的分析中，可以利用彩色几何图形模板^[4]用来扫描识别车牌。根据基于纹理信息的方法，像素强度的分布可以被用于检测车牌，利用一种基于滑动同心窗（SCW）的算法^[5]，利用图像纹理的局部不规则特性识别和定位车牌，基于纹理的自动车牌识别比使用边缘或颜色特征的车牌识别有更高的准确率。利用 MSER（区域特征提取）来检测分割的字符区域，再使用 Hough 变换^[6]对车牌进行边缘检测，但这种方法可能会受到图像背景中其他文本的影响。以前的识别技术往往是先分割车牌中的字符，然后采用光学字符识别（OCR）对被分割的每一个字符进行识别。采用极值区域（ER）^[7]对粗定位的车牌字符进行分段并且细化位置。采用 MSER（区域特征提取）^[8]技术进行字符分割，提取局部二值模式（LBP）特征并使用线性判别对其进行分类，以进行字符识别。但是，分割字符这项任务自身已经比较困难了，还要考虑照明环境、噪声、图像中阴影的影响。如果字符分割错误，即使有强识别器，也会得到错误的结果，所以良好的字符分割方法对车牌识别是非常重要的。

1.2.2车牌识别的发展概述

随着深度学习概念的提出和研究的发展，卷积神经网络（Convolutional Neural Network，CNN）是主要的研究方向之一^[9]。图像特征可以由CNN通过卷积计算提取。浅层的CNN网络可以识别图像的线和角等边缘特征，而后随着CNN层数递增，特征图随着CNN层数的递增继续在卷积层中传递，深层的CNN网络可以识别更加复杂抽象的语义特征。

Yann LeCun首次实现成功的CNN应用，并提出了一种可用于识别手写数字的LeNet网络^[10]。在手写字符识别、车牌识别、人脸识别^[11]等应用领域，CNN有着强大的作用。有学者提出一种用CNN方法对车牌候选区进行判断，首先利用数字图像处理技术^[12]，根据车牌的颜色特征、边缘特征和矩形特性等多个特征提取车牌候选区域，再通过深度学习分类算法进行真伪车牌判定，深度学习网络则采用Alex Net。车牌识别的方法有很多，比如说有基于机器学习、颜色特征、纹理特征、边缘特征的方法，这些方法都能实现车牌的识别，但需要设计出复杂的人工图像，在平时的实验过程中虽然十分容易得到拟合的结果，但是图像质量和光照环境对识别结果的影响也是很大的，识别错误率高。文献^[13]利用CNN网络解决车牌区域判断问题，设计一个卷积神经网络可以将样本分为两类，第一类样本是不包含车牌信息的图像，第二类样本完整包含了车牌信息，利用深度学习中的卷积神经网络，可以避免前期需要对图像进行复杂的预处理等步骤，降低了设计提取特征算法对经验的依赖，并对比了BP神经网络、CNN卷积神经网络、支持向量机三种算法，实验表明CNN卷积神经网络在车牌分类中具有较好的表现，证明了在智能交通领域深度学习具有较大的应用前景。

请支付后下载全文，论文总字数：18685字