高新兴车牌识别系统在智能交通领域的应用与发展

　　车牌识别系统的评价

　　我国公安部对道路交通与车辆行驶监测有明确的技术规范和管理条例，主要包括《闯红灯自动记录系统通用技术条件》（GA/T 496-2009）、《公路车辆智能监测记录系统通用技术条件》（GA/T 497-2009）、《道路交通安全违法行为图像取证技术规范》（GA/T 832-2009）、《机动车号牌图像自动识别技术规范》（GA/T 833-2009）等。

　　从技术上评价一个车牌识别系统，主要有两个指标，即识别准确率、识别速度。

　　识别准确率

　　一个车牌识别系统是否实用，最重要的指标是识别率和识别准确率。根据GA/T 497-2004和GA/T 497-2009中定义：

　　识别率 = 号牌被自动识别的车辆数/号牌信息有效的车辆总数。

　　识别准确率 = 号牌信息识别正确的车辆数/号牌信息有效的车辆总数。

　　（注：号牌信息有效是指车辆号牌完整、清晰、安装规范,且无遮挡、无污损。）

　　在新颁发的GA/T 497-2009中，号牌识别率指标评价被取消，只保留号牌识别准确率，且规定白天车辆号牌识别准确率应不小于 90%；夜间车辆号牌识别准确率应不小于 80%。

　　由于对号牌信息有效这一结论需要人工判定，所以还需要将车辆号牌图像和识别结果都存储下来，以便调取查看。然后，通过对实际通过的车辆图像以及正确的人工识别结果进行数量统计，以得到识别率和识别准确率，以及可信度、误识率这些中间结果。

　　为了测试一个车牌识别系统识别率，需要将该系统安装在一个实际应用环境中，全天候运行24小时以上，采集至少1000辆自然车流通行时的车牌照进行识别。

　　识别速度

　　识别速度决定了一个车牌识别系统是否能够满足实时实际应用的要求。一个识别率很高的系统，如果需要几秒钟，甚至几分钟才能识别出结果，那么这个系统就会因为满足不了实际应用中的实时要求而毫无实用意义。例如，在高速公路收费中车牌识别应用的作用之一是减少通行时间，速度是这一类应用里减少通行时间、避免车道堵车的有力保障。

　　根据GA/T 833-2009中要求，识别时间≤（A/B）×（K×100）（ms）。

　　上述式子中的A表示用于识别的图像分辨率；B为固定常数，其值为768×576=442368；K为图像中存在的车牌数量。

　　即车牌图像为768×576像素点时，当图像中存在一个号牌时，其识别时间≤100ms；当图像中存在二个号牌时，其识别时间≤200ms；当图像中存在三个号牌时，其识别时间≤300ms；当图像中存在四个号牌时，其识别时间≤400ms。

　　车牌识别系统的问题与新技术应用

　　从上文可知，车牌识别系统的识别率和识别准确率越高越好，但我们必须清楚地认识到识别率达到100%是不可能的，一方面因为车牌污损、模糊、遮挡，或者糟糕的天气（下雪﹑冰雹﹑大雾等等）都会严重影响识别的效果，另一方面一些中英文字符的分割与识别本身难度较大，比如“川”字易错误分割，以及“0-Q”、“2-Z”、“4-A”、“5-S”、“7-T”、“8-B”、“O-D”等易混淆字符。因为识别率的统计是以号牌信息有效的车辆总数为基础的，所以，如果考虑了各种环境、情况下的车牌，车牌识别系统在实际应用中的识别率会大打折扣，在无法识别时仍依赖人工进行判断、识别。

　　针对传统车牌识别算法中字符识别率偏低的缺点，目前出现了一种基于卷积神经网络的识别方法，通过对车牌字符图像的样本学习，优化神经网络每层的权值参数，从而在很大程度上提高车牌的字符识别率。仿真结果表明，采用卷积神经网络的识别方法对车牌照中的字符进行识别，正确识别率可以到达99%，识别率和抗干扰性明显优于结构特征法、模板匹配法等传统识别方法（后两者分别只有94%、95%）。

　　利用神经网络的优势，采用一种改进的基于卷积神经网络的识别机制对车牌照中的字符进行识别。该识别方法通过对理想预处理条件下的车牌字符图片的学习，优化了网络系统中各层的权值参数，大大提高了车牌照中的字符识别率。在实际应用中，对于前期预处理出现的车牌定位不清、字符分割错误等缺点，如果进一步优化网络结构，则可以识别预处理较差条件下的车牌字符。

　　作者：高新兴科技集团股份有限公司平安城市与智能交通事业部