【车牌字符识别算法模型分析案例1700字】

车牌字符识别算法模型分析案例目录TOC\o"1-3"\h\u32610车牌字符识别算法模型分析案例 1108101.1我国机动车车牌特点 1186491.2门控循环单元的介绍 2295001.3字符识别的网络模型 2302741.4实验与分析 4车牌字符识别是指利用识别算法处理车牌图像，输出得到车牌的字符。目前广泛应用于社会各个领域的车牌字符识别技术大多数都是采用将车牌中的每个字符分割开来再逐个进行识别的方法，这样很大程度上限制了字符识别的应用场景。在部分约束条件下，例如校园大门、住宅区出入口等，这种采用分割字符的车牌识别算法可以取得较良好的效果。但是在移动视频中，如警方用执法记录仪、行车记录仪采集到的录像，存在移动模糊、低光照度、干扰较多，导致字符分割的结果较差，直接影响到识别结果。所以本课题采用深度学习的算法来实现车牌识别。1.1我国机动车车牌特点不同国家与地区的车牌具有不同的特征，这些特征导致不同地区的车牌识别系统都有或大或小的差异。目前中国大陆地区车牌种类较多，由公安部统一发行，是区分车辆的主要标准。车牌由7位字符构成，其中第一个字符为各省、各自治区、各直辖市的简称，第二个字符是大写英文字母A-Z，第三到第七个字符为大写英文字母A-Z与阿拉伯数字0–9的混合体，值得注意的是为了与数字0和1区别开来，大写英文字母中不包括易混淆的I和O。车牌的颜色分为蓝、黄、绿、黑色，字体颜色为黑色和白色。本课题针对小型汽车号牌进行研究，其特征是单行的蓝底白字车牌，外形尺寸为44厘米×14厘米，每个字符宽度为45毫米，相邻字符间距12毫米，第二与第三个字符间有一个直径10毫米的点形分隔符，字符与车牌左右边缘相距15毫米、与上下边缘相距25毫米。图1.1中国标准车牌模版1.2门控循环单元的介绍门控循环单元（GRU）是标准循环神经网络的改进版本，它的出现是为了解决RNN的梯度消失问题，GRU使用了两个门控单元，分别是重置门和更新门，简单来说，重置门决定了如何将新学习到的输入信息与前面的信息相结合，更新门决定了前面学习到的记忆信息保存到当前时间步的量。如果更新门和重置门分别被设置为0和1，那意味着前面学习的信息不会被更新到当前时间步，新学习到的信息也将全部作为输入信息传递给下一个单元，这也是标准的RNN模型。这两个门控单元的使用可以长期地保存序列中的信息，这些信息也不会随着时间的推移或预测结果较差而抹除。下面是GRU在更新信息上的数学表达。1.3字符识别的网络模型与其他的字符识别系统的需求不同的是，本课题的字符识别系统是对车牌进行识别，车牌字符具有特征简单且较为稳定，序列长度固定（一般的小型汽车车牌为7位），字符种类数较多等特点，所以可以采用较简单的网络提取车牌的基础特征，这样既可以充分提取车牌的特征，也能保证识别的速度。网络的输入层接受的是164×48×3（宽度×高度×通道数量）的张量，然后经过三层卷积神经网络来提取车牌图像的特征，由卷积操作、批量归一化、RELU激活函数、池化操作构成，将其作用于车牌图片以提取输入数据的局部特征信息，将高层图像信息逐层由原始数据的输入层中抽取出来，逐层抽象化，每个卷积块CONVBlock的结构如下图所示。然后使用1×1的卷积层对提出后的特征信息进行升维操作，从而完成不同维度通道中特征信息的融合。图1.1CONVBlock结构图示随后将特征向量输入到双向GRU结构来进行序列特征的学习，本课题采用的双向GRU结构包含两层双向网络，每层网络含有两个GRU单元，可以在减少网络的计算量的同时，保持模型具有较准确的识别率。两个GRU单元间采用了双向Merge连接，保证了网络对序列的上下文信息有较好的学习能力。GRU单元的基本结构如图所示，其中zt表示更新门，r图1.2GRU单元的结构在经过双向GRU单元提取特征后，最后送入Dense全连接层进行特征信息的分类，利用前文所述网络提取出的图像特征来计算得到预测每个字符被分类的概率，使用Softmax函数对结果进行归一处理。1.4实验与分析本课题构造的车牌图像测试集含有经由YOLO定位后的车牌切割图像共计298张，选取的图片中包含移动模糊、光照条件差的图片，