無人機檢測在車牌字符自動識別系統中的應用＊

陳洪亮,李雪松,關 巍,孫同展,侯 超

（1．國網河北省電力有限公司雄安新區供電公司，河北 雄安 071800；2．天津市普迅電力信息技術有限公司，天津 300000；3．國網河北省電力有限公司，河北 石家莊 050000）

1 引言

文獻[3]提出了卷積神經網絡(CNN)的車牌字符識別系統，該適用于嵌入式系統。通過Tiny YOLOv3架構檢測捕捉到的車牌圖像，并在合成圖像上對其訓練，并與真實車牌圖像進行微調，利用卷積網絡的第二層來識別車牌字符。文獻[4]開發自動車牌識別系統，以提高執法機構的調查能力，監察可疑車輛。在光照變化、視角變化、板形尺寸變化、對比度變化和陰影變化等具有挑戰性的條件下，ALPR系統的識別性能受到很大的影響。此外，字符分割步長對車牌分辨率、字符大小、遮擋字符和字符間寬度的敏感性，使字符難以適當分離，進一步降低了識別精度。在提設計框架之前，應用基于區域的卷積神經網絡方法定位板，進而提出一種無分割的車牌識別方法，采用線性判別分析的自適應助推方法完成特征選擇，然后將車牌與可疑車輛數據庫進行匹配并進行信息檢索。文獻[5]提出基于小波分析的傾斜車牌圖像字符識別方法。該方法將原始傾斜車牌圖像轉換成灰度圖像預處理，利用小波矩對預處理后的車牌圖像象素進行特征提取，采用直線擬合方程對車牌傾斜角度的目標圖像進行校正，然后通過主成分分析選取提取的特征，減小字符特征維數，得到特征向量。但傳統方法進行車牌字符自動識別的準確性不高，信息識別能力不好。

針對上述問題，本文提出基于無人機檢測技術的車牌字符自動識別系統設計方法。與傳統方法不同的是，所提方法提取了無人機采集車牌字符圖像資源的二元語義本體信息特征，并采用深度學習方法實現車牌字符識別的尋優。為驗證所提方法的應用有效性，設計一次仿真實驗。實驗結果證明了所提方法在提高車牌字符自動識別能力方面具有明顯優勢。

2 無人機車牌圖像采集以及預處理

2.1 無人機圖像采集

為實現無人機檢測技術在車牌字符自動識別系統中的應用，構建無人機檢測圖像采集模型，采用無人機的信息采樣和圖像特征檢測的方法，建立無人機采集圖像融合模型，結合字符信息的文本特征融合方法，通過模糊信息特征檢測，實現對車牌字符自動識別的無人機圖像特征分析[6]。根據上述分析，得到車牌字符自動識別系統的實現結構框圖如圖1所示。

根據圖1所示的車牌字符自動識別系統的實現結構框圖，實現無人機采集車牌字符圖像信息融合，采用字符結構特征提取方法進行車牌字符的特征采集，首先采用三維特征參數解析的方法，進行車牌字符自動識別[7]，通過無人機掃描的方法，得到車牌字符自動識別的參數信息解析模型p(n)，表示為：

式中，lm為車牌字符自動識別的特征參數，a(f)為無人機圖像采集的樣本函數，m為車牌字符信息特征提取參數。

通過邊緣參數分割和融合特征識別方法，實現對車牌字符自動識別的無人機圖像像素融合，得到車牌字符自動識別的語義分割結果表示為：

其中，A為無人機采集圖像的語言特征在x方向的像素值，t(x)為車牌字符自動識別語義信息參數統計分布，J(x)為語義信息分布關聯系數。

2.2 腹水引流的護理 在腹腔給藥前要盡可能放干凈腹水，否則療效受影響。首先視患者的具體情況決定引流腹水的速度，放腹水時應緩慢勻速，避免速度過快造成腹壓突然降低而致血壓下降，或可引起水電解質代謝紊亂等反應。也可行腹帶加壓，保持一定的腹腔壓力，防止腹壓下降過快。每次引流腹水盡量要引流干凈，但每次的放液量應根據病情決定，一般不超過3 000 mL［1］。引流過程中要觀察引流液的顏色、量，觀察引流管是否通暢，如發現呼吸、心率加快，即停止引流。

采用低級視覺信息跟蹤掃描技術進行車牌字符自動識別過程中的無人機采集圖像跟蹤識別，無人機采集車牌字符圖像的網格分布為W*N，根據無人機采集車牌字符圖像的相似度信息，采用信息重構的方法，得到無人機采集圖像的關聯約束函數為：

其中，Ω為在仿射不變矩分布域無人機采集車牌字符圖像分布的狀態空間，通過二維參數擬合的方法獲取。I(i，j)為無人機采集的圖像之間的關聯度函數。g={g(i)，iΩ}為無人機采集車牌字符圖像的擬合系數[8]。

2.2 車牌字符圖像融合

建立車牌字符自動識別的無人機圖像信息跟蹤模型，得到車牌字符的多層級的特征信息為：

式中，X={x1，x2，…，xn}為采用灰度圖模型記錄的無人機采集車牌字符圖像語義屬性集為，Ei，j=＜e1，e2，…，em＞為每一個像素分類為正確的語義參量測試集，設車牌字符的匹配結果，對無人機采集的字符圖像進行信息跟蹤識別。ei{1，0}，表示為無人機采集車牌字符圖像的主特征量，用四元組(Ei，Ej，d，t)表示無人機采集車牌字符圖像的細化參數分量，Ei，Ej為車牌字符自動識別的實體集。

采用雙線性插值方法，構建無人機采集車牌字符圖像像素重建模型，根據更大范圍的多尺度特征重建結果，得到車牌字符的信息檢索模型。搜索出車牌字符自動識別的無人機采集的最佳匹配塊，然后選取K-近鄰域組無人機采集車牌字符圖像的語義信息跟蹤矢量場，Di=[]其中，在車輛行駛的交通信息流區域xi中，采用邊緣輪廓檢測的方法，得到車牌字符自動識別的無人機檢測輸出為：，從中間層特征復用的角度出發，得到目標對象分類融合分量表示為：

其中，Gnew和Gold分別是無人機采集車牌字符圖像的相似度特征量。車牌字符圖像融合模型表示如下：

根據淺層的特征信息分布，構建車牌字符自動識別的無人機采集和信息融合模型，分別表示待識別的車牌字符檢測模型，提高圖像的信息融合和特征識別能力[9-11]。

3 車牌字符自動識別優化

3.1 字符特征提取

建立車牌字符自動識別的無人機圖像信息跟蹤模型，通過雙邊濾波器實現對無人機采集車牌字符圖像降噪濾波處理[12]，無人機采集圖像資源的幀間的統計特征量為C([a，b]，R)，F和C([a，b]，R)分別為像素的水平集和車牌字符自動識別的邊緣特征分布向量集，記||φ||=sup|φ(θ)|，R為深層提取的特征信息邊緣輪廓分布參量，h和R為圖像幀序列和車牌字符自動識別的文字庫，根據文字庫的語義細化分布，得到層次分布特征量為：

其中，f(z)表示無人機采集車牌字符圖像自相關語義分量，由此構建車牌字符自動識別的文字庫的語義本體集，通過雙邊濾波器實現對無人機采集車牌字符圖像降噪濾波處理，提取無人機采集車牌字符圖像資源的二元語義本體特征量[13]，得到較高層級特征圖的通道檢索序列為r(n)=r(n△t)，n=0，1，2，…，N-1 車牌字符自動識別的無人機采集的有用特征分量為：

令輸入的無人機采集車牌字符圖像的邊緣像素集為x(t)，t=0，1，…，n-1，圖像仿射不變矩特征為：

其中，e(j)為車牌字符相關語義特征分量函數[14]，由此得到車牌字符圖像的語義本體分布邊緣像素集表示為：

其中，bf為串聯合并控制的方法參數，無人機采集車牌字符圖像相似度分布序列為sg(a)，得到車牌字符自動識別的無人機采集的二元語義分布序列表示為：

其中，lc為無人機圖像分布特征函數，在第k 層的特征圖中，提取車牌字符自動識別的無人機圖像分布融合序列，以提取的圖像資源信息特征分量模糊度參數，進行車牌字符特征識別。

3.2 車牌字符自動識別參數融合

根據圖像特征提取結果，采用支持向量機和神經網絡學習算法，提取無人機采集車牌字符圖像資源的二元語義本體信息特征，結合圖像的語義特征融合方法，提取無人機采集車牌字符的亮點特征[15]，得到車牌字符的亮點分布尺度信息，得到模糊狀態參數為：

其中，c為圖像的語義特征融合方法參數，實現對車牌字符自動識別，采用邊緣像素級特征分解的方法，得到車牌字符識別的輸出結果為J(Wi)。

根據車牌字符的語義和文字信息采集結果為ht，d(s)，采用3×3 拓撲結構實現對車牌字符的識別，得到識別的窗口函數為：

綜上分析，采用深度學習的方法，實現車牌字符自動識別的尋優控制[16-17]。

4 仿真測試與結果分析

本次實驗中，對車牌字符自動識別的無人機圖像采集的幀數為1200，無人機圖像掃描的頻率為15．8KHz，細節信息融合的邊緣尺度信息為0．354，車牌圖像監測的個數為120，訓練集規模為50。根據上述參數設定，采用無人機進行車牌字符識別，得到無人機進行車牌圖像采集的視場分布圖如圖2所示。

在圖2所示的圖像采集環境中，進行車牌字符識別，得到圖像特征提取結果如圖3所示。

根據圖3對車牌字符的圖像特征提取結果，實現車牌字符識別，得到車牌字符的聚類收斂曲線如圖4所示。

分析圖4得知，所提車牌字符識別方法的收斂性較好，測試識別精度，得到對比結果見表1。

表1 車牌字符識別精度對比

分析表1得知，本文方法進行車牌字符識別的精度較高。

5 結束語

研究車牌字符自動識別系統的優化設計方法，結合圖像識別技術實現對車牌字符自動檢測和信息特征提取，本文提出基于無人機檢測技術的車牌字符自動識別系統設計方法。建立無人機采集車牌字符圖像融合模型，采用低級視覺信息跟蹤掃描技術進行車牌字符自動識別過程中的無人機采集圖像跟蹤識別，結合圖像的語義特征融合方法，實現對車牌字符自動識別。研究得知，本文方法進行車牌字符檢測識別的精度較高，性能較好。