成都弱電公司訊：

縱觀如今的車牌辨認市場，硬件在逐步同質化，算法的優劣成為各大廠家競爭的核心。目前，基于深度學習的車牌辨認系統逐漸成為行業發展趨勢。那么深度學習算法具體是指什么呢，這種算法又有何優勢呢？下面讓筆者一一為您解析。

在了解深度學習之前，我們先來說說目前車牌辨認的核心問題和主要困難：

分歧光照條件對辨認效果影響很大。好比天氣狀況分歧，車牌在晴天和陰雨、下雪天氣視覺上是不一樣的，晴天車牌圖片一般都較為清晰，但是強烈光照會帶來局部反光過強的問題，陰雨天氣圖片昏暗模糊，下雪則有可能覆蓋車牌的某些區域；另外即使在同一天由于陽光顏色的變化也會影響成像質量。車牌本身種類較多，形狀、顏色、尺寸等都各有分歧，而且，拍攝點的距離分歧、拍攝角度分歧都會影響到最終車牌在圖片中的呈現姿態和外觀。

這些都是影響車牌辨認效果的直接因素，那么深度學習算法在車牌辨認系統中的應用真能得到改進嗎？眾所周知，機器學習的主要問題就是讓計算機模擬人類大腦工作，為此研發人員構建出人工神經網絡模型，算法在提供初始條件后自主從數據學習新知識，不斷增強自身的學習和理解能力。深度學習的提出給神經網絡的學習能力帶來了飛躍。

深度學習就是利用一些方法去構建一個含有多層隱藏層的人工神經網絡，網絡的每一層都對應著原始數據分歧層次的數學抽象，從而達到用特征向量描述圖像的目的。這里首先要明確兩個概念：有監督學習和無監督學習。

所謂有監督學習，是指給定了練習樣本數據（data）的同時也已知樣本經過學習后的目標值，一般這些目標值是由人工標記或給出的真值（GroundTruth），也稱為樣本標簽（label）。常見的有監督學習形式有：回歸和分類。回歸就是要對數據及其標簽進行擬合；另一種方式是進行分類，對給定標簽的數據練習分類器，練習分類器是優化在練習數據上分類的準確率的過程。無監督的學習過程不需要人工標注數據的標簽，只需要估計數據的分布特性或者將數據聚成特定數目的幾類。多數深度學習用到的算法都是屬于無監督的。

深度學習有多種學習結構，主要分為三類：

第一種是生成型的深度結構，其代表有深度置信網絡（DBN）：它由一系列限制型玻爾茲曼機組成，主要能解決多層神經網絡在學習的過程中標簽數據需求量大、收斂速度慢和陷入局部極值等問題。由于其學習的是觀測數據和標簽的聯合概率，所以對先驗概率和后驗概率都可以進行估計。

第二種是區分型模型，卷積神經網絡就是其代表，其結構分歧于第一類模型，只能對后驗概率進行估計，適合應用在辨認和分類問題中。

第三種是混合型結構，它是將上述兩種結構用合適的方式組合起來。生成型結構用于分類問題的時候，可以在后面使用區分型的結構進行參數優化。

由此可見，分歧于傳統目標辨認需要依賴研發人員花費大量時間和精力設計特征，深度學習的方法通過前向和后向傳播優化深度神經網絡參數，自主學習到合適的圖像描述子。深度神經網絡結構很多，其中卷積神經網絡適用于做區分性問題，因此能夠應用在目標檢測和辨認等計算機視覺問題中，車牌辨認就是其中很好的應用，那么前文中提到的各種辨認問題就不難解決了。

不僅針對車牌，深度學習算法對于車型辨認也能起到關鍵性作用。據悉停車場車牌辨認行業的引領者火眼臻睛正在研發基于深度學習的智能相機，一經推出又將掀起停車場出入口控制領域的重大變革。