抢保安小哥的饭碗？车牌识别都用上了AI学习

需求带领科技的发展

大有用武之地

2016年全球车辆产量总数已经达到9497.66 万辆。随着互联网+、智能交通、智慧城市等概念的普及，车牌检测与识别技术正在发挥着越来越重要的作用，小区/学校等车辆出入管理、停车场出入与收费管理、高速公路自动收费、超速车辆检测、违法车辆检测、道路流量监测等诸多场合都表现出了对汽车的车牌识别技术的大量需求。

到底为何物

车牌识别技术(License Plate Recognition，LPR)是通过将多种图像处理技术与计算机技术的有机结合，从而实时准确地获取汽车牌号信息车牌识别工作原理是通过摄像头将车牌信息捕捉后，传入个人电脑PC处理模块，即对传入的图像进行平滑，去噪，边缘检测处理后，进行车牌的定位，字符的分割和字符的识别，将识别得到的字符串与数据库中的车牌字符匹配，从而获取相应需要获取的信息。人们一直热衷于车牌识别的研究，从论文发表网站知网搜索可以看出，关于车牌识别的研究在2000年逐渐增加，特别是在2016年左右达到了高峰。

前世今生

上世纪90年代初，Johnson等人首次提出了完整的车牌识别过程应当由特征提取、模板构造、字符识别这三个步骤组成，并由此成功地实现了一个具有划时代意义的车牌识别系统。上世纪90年代末，我国也开始了对车牌识别系统的相关研究，除了借鉴国外已有的研究成果以外，国内研究人员对车牌检测与识别算法、车牌字符分割算法以及车牌字符识别算法进行相应的改进与创新，贡献出了许多优秀的研究成果。近年来，由于计算机技术的不断发展，越来越多的研究人员开始从颜色特征来提取车牌。车牌的颜色和字符的颜色比较固定，所以用车牌颜色进行定位也是一个比较好的方法。在字符识别部分，人工神经网络以及支持向量机等机器学习方法越来越受到推崇，可以说已经变得越来越智能。

复杂环境的挑战

着车牌识别技术的应用变得越来越广泛，人们在享受车牌识别技术带来的便利的同时，却又无法回避车牌识别过程中遇到的诸多难题。复杂环境下的车牌检测与识别技术一直是车牌识别的重点与难点，环境的复杂性主要包括三个方面：自然环境的复杂性（光线、气象等），监控场景的复杂性（多个车牌并存、拍摄角度等），车牌本身的复杂性（颜色、新旧程度等）。

经过多年的研究与实践，国外已经研发出了很多性能比较优异、体系相对成熟的车牌识别系统。例如，英国IPI公司研发的RTVNP系统，以色列Hi-Tech公司研发的See Car系统，新加坡Optasia公司研发的VLPRS系统系统等等。由于国内车牌中汉字的结构相对于字母和数字而言更加复杂，对于汉字的识别也更加困难，目前国内已经有科技公司成功地开发出了一系列适用于我国车牌实际情况的车牌识别系统，例如火眼臻晴车牌识别系统，其运用启发式车牌定位算法以及大规模神经网络字符识别算法，可适用于多种极端情形，识别率可以达到99.58%；汉王眼车牌识别系统，其车牌定位率为99%，综合识别率为95%；易泊车牌识别系统，其最新的字母和数字的识别率可达到99.7%，汉字识别率可达到99%。

深度学习的潜力

受益于大数据、计算力和算法的飞跃式发展，在2017年，深度学习迎来了新一波的发展热潮，其带来的技术革命推动了学术界、工业界、金融界等众多领域的技术发展。对于车牌识别任务，深度学习利用卷积神经网络优秀的特征提取能力使得其相比传统的车牌识别算法有着更优秀的识别能力，深度学习算法的应用大幅提升了车牌识别的精度，在识别速度上也取得了前所未有的突破。而且，深度学习也让车牌识别在远距离拍摄的小目标识别以及多目标识别成为了可能。