車(chē)牌識(shí)別之深度學(xué)習(xí)算法的研發(fā)趨勢(shì)

成都弱電公司訊：

縱觀如今的車(chē)牌辨認(rèn)市場(chǎng)，硬件在逐步同質(zhì)化，算法的優(yōu)劣成為各大廠家競(jìng)爭(zhēng)的核心。目前，基于深度學(xué)習(xí)的車(chē)牌辨認(rèn)系統(tǒng)逐漸成為行業(yè)發(fā)展趨勢(shì)。那么深度學(xué)習(xí)算法具體是指什么呢，這種算法又有何優(yōu)勢(shì)呢？下面讓筆者一一為您解析。

在了解深度學(xué)習(xí)之前，我們先來(lái)說(shuō)說(shuō)目前車(chē)牌辨認(rèn)的核心問(wèn)題和主要困難：

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

這些都是影響車(chē)牌辨認(rèn)效果的直接因素，那么深度學(xué)習(xí)算法在車(chē)牌辨認(rèn)系統(tǒng)中的應(yīng)用真能得到改進(jìn)嗎？眾所周知，機(jī)器學(xué)習(xí)的主要問(wèn)題就是讓計(jì)算機(jī)模擬人類(lèi)大腦工作，為此研發(fā)人員構(gòu)建出人工神經(jīng)網(wǎng)絡(luò)模型，算法在提供初始條件后自主從數(shù)據(jù)學(xué)習(xí)新知識(shí)，不斷增強(qiáng)自身的學(xué)習(xí)和理解能力。深度學(xué)習(xí)的提出給神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力帶來(lái)了飛躍。

深度學(xué)習(xí)就是利用一些方法去構(gòu)建一個(gè)含有多層隱藏層的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的每一層都對(duì)應(yīng)著原始數(shù)據(jù)分歧層次的數(shù)學(xué)抽象，從而達(dá)到用特征向量描述圖像的目的。這里首先要明確兩個(gè)概念：有監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)。

所謂有監(jiān)督學(xué)習(xí)，是指給定了練習(xí)樣本數(shù)據(jù)（data）的同時(shí)也已知樣本經(jīng)過(guò)學(xué)習(xí)后的目標(biāo)值，一般這些目標(biāo)值是由人工標(biāo)記或給出的真值（GroundTruth），也稱(chēng)為樣本標(biāo)簽（label）。常見(jiàn)的有監(jiān)督學(xué)習(xí)形式有：回歸和分類(lèi)?；貧w就是要對(duì)數(shù)據(jù)及其標(biāo)簽進(jìn)行擬合；另一種方式是進(jìn)行分類(lèi)，對(duì)給定標(biāo)簽的數(shù)據(jù)練習(xí)分類(lèi)器，練習(xí)分類(lèi)器是優(yōu)化在練習(xí)數(shù)據(jù)上分類(lèi)的準(zhǔn)確率的過(guò)程。無(wú)監(jiān)督的學(xué)習(xí)過(guò)程不需要人工標(biāo)注數(shù)據(jù)的標(biāo)簽，只需要估計(jì)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(lèi)。多數(shù)深度學(xué)習(xí)用到的算法都是屬于無(wú)監(jiān)督的。

深度學(xué)習(xí)有多種學(xué)習(xí)結(jié)構(gòu)，主要分為三類(lèi)：

第一種是生成型的深度結(jié)構(gòu)，其代表有深度置信網(wǎng)絡(luò)（DBN）：它由一系列限制型玻爾茲曼機(jī)組成，主要能解決多層神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)的過(guò)程中標(biāo)簽數(shù)據(jù)需求量大、收斂速度慢和陷入局部極值等問(wèn)題。由于其學(xué)習(xí)的是觀測(cè)數(shù)據(jù)和標(biāo)簽的聯(lián)合概率，所以對(duì)先驗(yàn)概率和后驗(yàn)概率都可以進(jìn)行估計(jì)。

第二種是區(qū)分型模型，卷積神經(jīng)網(wǎng)絡(luò)就是其代表，其結(jié)構(gòu)分歧于第一類(lèi)模型，只能對(duì)后驗(yàn)概率進(jìn)行估計(jì)，適合應(yīng)用在辨認(rèn)和分類(lèi)問(wèn)題中。

第三種是混合型結(jié)構(gòu)，它是將上述兩種結(jié)構(gòu)用合適的方式組合起來(lái)。生成型結(jié)構(gòu)用于分類(lèi)問(wèn)題的時(shí)候，可以在后面使用區(qū)分型的結(jié)構(gòu)進(jìn)行參數(shù)優(yōu)化。

由此可見(jiàn)，分歧于傳統(tǒng)目標(biāo)辨認(rèn)需要依賴(lài)研發(fā)人員花費(fèi)大量時(shí)間和精力設(shè)計(jì)特征，深度學(xué)習(xí)的方法通過(guò)前向和后向傳播優(yōu)化深度神經(jīng)網(wǎng)絡(luò)參數(shù)，自主學(xué)習(xí)到合適的圖像描述子。深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)很多，其中卷積神經(jīng)網(wǎng)絡(luò)適用于做區(qū)分性問(wèn)題，因此能夠應(yīng)用在目標(biāo)檢測(cè)和辨認(rèn)等計(jì)算機(jī)視覺(jué)問(wèn)題中，車(chē)牌辨認(rèn)就是其中很好的應(yīng)用，那么前文中提到的各種辨認(rèn)問(wèn)題就不難解決了。

不僅針對(duì)車(chē)牌，深度學(xué)習(xí)算法對(duì)于車(chē)型辨認(rèn)也能起到關(guān)鍵性作用。據(jù)悉停車(chē)場(chǎng)車(chē)牌辨認(rèn)行業(yè)的引領(lǐng)者火眼臻睛正在研發(fā)基于深度學(xué)習(xí)的智能相機(jī)，一經(jīng)推出又將掀起停車(chē)場(chǎng)出入口控制領(lǐng)域的重大變革。