搶保安小哥飯碗？車牌識別用上了AI學習

需求帶領科技的發展

大有用武之地

2016年全球車輛產量總數已經達到9497.66 萬輛。隨著互聯網 、智能交通、智慧城市等概念的普及，車牌檢測與識別技術正在發揮著越來越重要的作用，小區/學校等車輛出入管理、停車場出入與收費管理、高速公路自動收費、超速車輛檢測、違法車輛檢測、道路流量監測等諸多場合都表現出了對汽車的車牌識別技術的大量需求。

到底為何物

車牌識別技術(License Plate Recognition，LPR)是通過將多種圖像處理技術與計算機技術的有機結合，從而實時準確地獲取汽車牌號信息車牌識別工作原理是通過攝像頭將車牌信息捕捉後，傳入個人電腦PC處理模塊，即對傳入的圖像進行平滑，去噪，邊緣檢測處理後，進行車牌的定位，字元的分割和字元的識別，將識別得到的字元串與資料庫中的車牌字元匹配，從而獲取相應需要獲取的信息。

前世今生

上世紀90年代初，Johnson等人首次提出了完整的車牌識別過程應當由特徵提取、模板構造、字元識別這三個步驟組成，並由此成功地實現了一個具有劃時代意義的車牌識別系統。上世紀90年代末，我國也開始了對車牌識別系統的相關研究，除了借鑒國外已有的研究成果以外，國內研究人員對車牌檢測與識別演算法、車牌字元分割演算法以及車牌字元識別演算法進行相應的改進與創新，貢獻出了許多優秀的研究成果。近年來，由於計算機技術的不斷發展，越來越多的研究人員開始從顏色特徵來提取車牌。車牌的顏色和字元的顏色比較固定，所以用車牌顏色進行定位也是一個比較好的方法。在字元識別部分，人工神經網路以及支持向量機等機器學習方法越來越受到推崇，可以說已經變得越來越智能。

複雜環境的挑戰

著車牌識別技術的應用變得越來越廣泛，人們在享受車牌識別技術帶來的便利的同時，卻又無法迴避車牌識別過程中遇到的諸多難題。複雜環境下的車牌檢測與識別技術一直是車牌識別的重點與難點，環境的複雜性主要包括三個方面：自然環境的複雜性（光線、氣象等），監控場景的複雜性（多個車牌並存、拍攝角度等），車牌本身的複雜性（顏色、新舊程度等）。

經過多年的研究與實踐，國外已經研發出了很多性能比較優異、體系相對成熟的車牌識別系統。例如，英國IPI公司研發的RTVNP系統，以色列Hi-Tech公司研發的See Car系統，新加坡Optasia公司研發的VLPRS系統系統等等。由於國內車牌中漢字的結構相對於字母和數字而言更加複雜，對於漢字的識別也更加困難，目前國內已經有科技公司成功地開發出了一系列適用於我國車牌實際情況的車牌識別系統，例如火眼臻晴車牌識別系統，其運用啟發式車牌定位演算法以及大規模神經網路字元識別演算法，可適用於多種極端情形，識別率可以達到99.58%；漢王眼車牌識別系統，其車牌定位率為99%，綜合識別率為95%；易泊車牌識別系統，其最新的字母和數字的識別率可達到99.7%，漢字識別率可達到99%。

深度學習的潛力

受益於大數據、計算力和演算法的飛躍式發展，在2017年，深度學習迎來了新一波的發展熱潮，其帶來的技術革命推動了學術界、工業界、金融界等眾多領域的技術發展。對於車牌識別任務，深度學習利用卷積神經網路優秀的特徵提取能力使得其相比傳統的車牌識別演算法有著更優秀的識別能力，深度學習演算法的應用大幅提升了車牌識別的精度，在識別速度上也取得了前所未有的突破。而且，深度學習也讓車牌識別在遠距離拍攝的小目標識別以及多目標識別成為了可能。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！