車牌識別之深度學習算法的研發(fā)趨勢

成都弱電公司訊：

縱觀如今的車牌辨認市場，硬件在逐步同質化，算法的優(yōu)劣成為各大廠家競爭的核心。目前，基于深度學習的車牌辨認系統(tǒng)逐漸成為行業(yè)發(fā)展趨勢。那么深度學習算法具體是指什么呢，這種算法又有何優(yōu)勢呢？下面讓筆者一一為您解析。

在了解深度學習之前，我們先來說說目前車牌辨認的核心問題和主要困難：

分歧光照條件對辨認效果影響很大。好比天氣狀況分歧，車牌在晴天和陰雨、下雪天氣視覺上是不一樣的，晴天車牌圖片一般都較為清晰，但是強烈光照會帶來局部反光過強的問題，陰雨天氣圖片昏暗模糊，下雪則有可能覆蓋車牌的某些區(qū)域；另外即使在同一天由于陽光顏色的變化也會影響成像質量。車牌本身種類較多，形狀、顏色、尺寸等都各有分歧，而且，拍攝點的距離分歧、拍攝角度分歧都會影響到最終車牌在圖片中的呈現(xiàn)姿態(tài)和外觀。

這些都是影響車牌辨認效果的直接因素，那么深度學習算法在車牌辨認系統(tǒng)中的應用真能得到改進嗎？眾所周知，機器學習的主要問題就是讓計算機模擬人類大腦工作，為此研發(fā)人員構建出人工神經(jīng)網(wǎng)絡模型，算法在提供初始條件后自主從數(shù)據(jù)學習新知識，不斷增強自身的學習和理解能力。深度學習的提出給神經(jīng)網(wǎng)絡的學習能力帶來了飛躍。

深度學習就是利用一些方法去構建一個含有多層隱藏層的人工神經(jīng)網(wǎng)絡，網(wǎng)絡的每一層都對應著原始數(shù)據(jù)分歧層次的數(shù)學抽象，從而達到用特征向量描述圖像的目的。這里首先要明確兩個概念：有監(jiān)督學習和無監(jiān)督學習。

所謂有監(jiān)督學習，是指給定了練習樣本數(shù)據(jù)（data）的同時也已知樣本經(jīng)過學習后的目標值，一般這些目標值是由人工標記或給出的真值（GroundTruth），也稱為樣本標簽（label）。常見的有監(jiān)督學習形式有：回歸和分類?；貧w就是要對數(shù)據(jù)及其標簽進行擬合；另一種方式是進行分類，對給定標簽的數(shù)據(jù)練習分類器，練習分類器是優(yōu)化在練習數(shù)據(jù)上分類的準確率的過程。無監(jiān)督的學習過程不需要人工標注數(shù)據(jù)的標簽，只需要估計數(shù)據(jù)的分布特性或者將數(shù)據(jù)聚成特定數(shù)目的幾類。多數(shù)深度學習用到的算法都是屬于無監(jiān)督的。

深度學習有多種學習結構，主要分為三類：

第一種是生成型的深度結構，其代表有深度置信網(wǎng)絡（DBN）：它由一系列限制型玻爾茲曼機組成，主要能解決多層神經(jīng)網(wǎng)絡在學習的過程中標簽數(shù)據(jù)需求量大、收斂速度慢和陷入局部極值等問題。由于其學習的是觀測數(shù)據(jù)和標簽的聯(lián)合概率，所以對先驗概率和后驗概率都可以進行估計。

第二種是區(qū)分型模型，卷積神經(jīng)網(wǎng)絡就是其代表，其結構分歧于第一類模型，只能對后驗概率進行估計，適合應用在辨認和分類問題中。

第三種是混合型結構，它是將上述兩種結構用合適的方式組合起來。生成型結構用于分類問題的時候，可以在后面使用區(qū)分型的結構進行參數(shù)優(yōu)化。

由此可見，分歧于傳統(tǒng)目標辨認需要依賴研發(fā)人員花費大量時間和精力設計特征，深度學習的方法通過前向和后向傳播優(yōu)化深度神經(jīng)網(wǎng)絡參數(shù)，自主學習到合適的圖像描述子。深度神經(jīng)網(wǎng)絡結構很多，其中卷積神經(jīng)網(wǎng)絡適用于做區(qū)分性問題，因此能夠應用在目標檢測和辨認等計算機視覺問題中，車牌辨認就是其中很好的應用，那么前文中提到的各種辨認問題就不難解決了。

不僅針對車牌，深度學習算法對于車型辨認也能起到關鍵性作用。據(jù)悉停車場車牌辨認行業(yè)的引領者火眼臻睛正在研發(fā)基于深度學習的智能相機，一經(jīng)推出又將掀起停車場出入口控制領域的重大變革。