基于FasterR-CNN与BRNN的车牌识别.docxVIP

基于FasterR-CNN与BRNN的车牌识别 Abstract：Aiming at the problem of low recognition accuracy and complicated process in traditional license plate detection methods in complex environments， we propose a license plate recognition method based on Faster R-CNN and BRNN unified deep neural network. First， we use the Faster R-CNN network for license plate location. Candidate regions is extracted and output through RPN （regional proposal network） to provide a rough search range; then the classification layer is combined with the bounding box coordinates generated by the proposed target layer and its regression coefficient to generate the final bounding box required. Secondly， the license plate recognition is regarded as a sequence marking problem. A BRNN （Bidirectional Recurrent Neural Network） with CTC loss is used to label its sequential features to realize the character recognition of the license plates. According to the experimental results， the recognition accuracy rate is as high as .%. Key Words：convolutional neural network; deep learning; license plate recognition; image identification; R-CNN 引言 随着人们生活水平的提高，我国汽车需求量快速增长。机动车无疑便利了人们生活，但随之而来的是愈来愈严重的交通问题。车牌检测和识别对智能运输系统非常重要，从安全性到交通控制有众多应用。然而，很多算法只有在受控条件下或使用复杂的图像捕获系统才能很好地工作[]，在不受控制的环境中准确读取牌照仍存在很多问题[]。 以前车牌检测和识别工作通常将定位和识别视为两个独立任务，分别采用不同方法，步骤通常为图片预处理、字符分割、文本识别。 基于颜色特征的边缘检测方法[]，通过分析局部区域内指定颜色的分布特征，将车牌颜色和纹理特征同时提取。该算法具有速度快、准确性高和适应性强的优点。但是，当牌照区域颜色与附近区域非常接近时会产生错误的定位结果，严重变色的车牌甚至无法检测到字符笔划的边。 基于纹理的检测方法[]将小波系数的标准差作为纹理测度以生成特征向量，利用模糊c-均值聚类算法进行纹理分割。该方法在光线较弱、过强或不均匀、图像倾斜或变形的情况下具有较好的定位效果。但在复杂的背景图像应用时，很容易找到一些具有丰富纹理分布的非牌照区域。由于目标检测过程繁琐、准确性不好，传统方法往往效果不佳。 本文采用深度学习方法中的Faster R-CNN，通过引用具有多个尺度和纵横比的锚框处理尺度问题[]，利用双向循环神经网络（BRNN）和CTC函数结合进行字符识别。通过神经网络的自主学习功能，从图像中检测出车牌，同时对车牌进行识别[-]。该网络结构是一个统一的深度神经网络，可定位车牌并在一次正向通行中识别字母。整个框架不涉及启发式过程，如使用版面颜色或字符空间，避免了字符分组或分离等中间过程，在车牌检测和字母恢复方面具有较高精度[]。 Faster R-CNN Region-CNN（R-CNN）是一种基于卷积神经网络（CNN）将深度学习用于目标检测和识别的方法。Fast R-CNN在R-CNN基础上改善重复提取候选框的缺点，但寻找有效候选框会浪费大量时间[]。本文使用Faster R-CNN结构，将目标检测基本步骤（候选区