车牌检测国内外研究现状

有关车牌识别的课题在国外启动的时间非常早。上世纪80年代，国外学者在一些特别场景下，采用传统图像处理方法搭建车牌识别系统。上世纪90年代，陆续更多的学者加入这项研究，很多的车牌检测相关算法喷涌而出。Kanayama等发现车牌与背景环境间存在色差，开始通过Sobel算子进行边缘检测。考虑周围环境存在线条影响检测效果，垂直边缘检测后根据特定阈值的纵横比筛选候选框。此方案由于对线条敏感，面对背景复杂检测精度严重下降。Lee等同样针对车牌颜色特征，利用颜色空间HLS进行车牌定位，此方案虽能检测到畸变的车牌，但车牌光照及噪声会影响到检测精度。Matas等利用字符检测来确定车牌的具体位置，这种提取车牌的方式对发生畸变的车牌也有较好的检测效果，由于检测字符耗时长，且有背景字符作为干扰也被学者所摒弃。Ashtari等完成车牌检测的方法是解析图片的像素，然后设置模板、按区域进行搜索，再根据颜色框出对应车牌。这种车牌检测方法采用图像分割相关算法。Yuan等通过三个过程进行车牌检测。第一步对图片进行降采样，第二步将图像转化为灰度图像，计算边缘特征，从中选取若干候选框。第三步利用分类器对得到的候选框进行分类，然后选出车牌部分。2016年，Safaei等提出了一种新的基于三维贝叶斯显著性估计方法的定位方法，该模型同样基于贝叶斯识别目标。此方案检测速度快但准确率低。21世纪以后，人工智能和深度学习技术随计算机技术的进步越来越先进，神将网络逐渐运用到车牌识别系统之中。Silva等使用卷积神经网络(CNN)算法对巴西车牌进行识别，该算法基于YOLO并依次检测车辆、车牌和字符。该方法的准确度远高于传统方法，但该算法需要通过车牌前视图来进行车牌识别，这使其缩小了应用范围。Saini等通过一种多小波变换进行定位车牌的框架。采用了图像增强以及畸变校正，提高了框架的有效性。结果表明，该方法准确率为88.36%。

国内的车牌检测研究项目相对国外起步较晚，国内复杂的交通场景导致其难度更大。顾李云通过高斯与中值滤波进行图像预处理，提高了传统算法在弱光条件下处理图像的能力，与传统的Sobel算子相比，通过Mallat小波变换提取图像边缘更加完整。杨昌熙等利用传统的形态学处理方法对车牌图像进行定位。在传统算法与时俱进的同时，基于深度学习的车牌识别方法也在学者间百花齐放。尤鸣宇等基于神经网络进行检测车牌，此方案通过使用级联卷积神经网络进行车牌定位，但是由于定位时CNN滑动窗口操作使系统效率低下，在实时检测场景中难以应用。张晶晶等设计了一个结合CNN和RNN网络的车牌定位系统，该系统可以应用于不受限制的场景，特别是污染和遮挡的车牌。但是，对于当车牌图像的倾斜较大时，此方案的检测效果会大幅下降。张裕星通过改进RetinaNet检测算法进行检测车牌，在预测车牌检测框的同时，还可以准确找到车牌的四个角点坐标，进行透视变换，从而实现倾斜车牌的校正。王宗极基于FasterR-CNN进行车牌检测，其中引入RPN网络很大程度上增大模型定位精度。王宁基于FasterR-CNN在RPN阶段引入角度和分支结构以生成适合车牌的候选区域，并提出了一种上下文融合网络增强车牌的特征表示。史建伟提出一种在自然交通场景下进行车牌检测的深度学习模型，该模型基于YOLOv3目标检测网络，在卷积神经网络上扩展多尺度检测的深度，增强了对小目标车牌的定位检测精度。彭鹏基于CNN卷积神经网络，使用采集到的车牌图像数据通过Tensorflow开发平台来训练网络模型，并将其部署到嵌入式平台中实现车牌的实时检测识别。周世杰基于卷积神经网络提出了一种textboxes++网络结构进行车牌检测。针对目前大场景下由于车辆占据比例小，导致车牌检测识别困难，其有效提高了车牌检测准确率。

百度有驾主页：https://www.zhihu.com/people/zhuimeng2080