基于深度学习的倾斜车牌矫正与识别研究

发布时间：2020-04-27 14:44

【摘要】：随着人工智能的快速发展,如何更有效获取车牌信息成为交通管理的一个重要课题,因此,基于图像识别技术找出一种鲁棒性强且识别精度高的算法是车牌检测算法的重要改进方向。这项技术主要对提取的特征进行处理进而分类识别。相对而言传统的检测方法自适应效果不佳,检测速度难以满足实际要求,而且检测算法开发难度大,开发时间长,在实际应用中对特征的更有效提取已经严重制约了传统方法的发展。而使用深度学习技术能很好解决以上问题。这项技术主要以数据为基础,通过大量图像的训练来提取相关特征生成深度学习模型。本文的研究内容主要包括以下几个部分:首先,本文的写作思路是先从整体架构入手,采用了基于深度学习的CNN模型进行车牌角点检测与区域定位。对检测模型来说,本文构建的各种状态数据集上训练生成的模型与传统的边缘定位算法、颜色定位算法、边缘颜色定位算法进行比较,验证了该模型的优越性。其次,本文以射影几何理论作为根据研究车牌矫正中存在的倾斜图像矫正问题,研究表明倾斜严重的车牌大多以像素插值转化为生成的标准图像从而出现部分插值区域较为模糊的现象,故本文从减少插值比例的思路出发将透视倾斜的车牌转化为仿射倾斜的车牌,故提高了原图像中真实像素的数量,然后通过视窗变换增大车牌区域的IoU值。最后通过图像像素的平移操作矫正为正交车牌从而大大增加了图像像素的清晰度和定位车牌的IoU值为后续的识别工作打下良好的基础,通过和ROI选取算法的实验对比更加验证了本文矫正效果的优越性。再次,使用CRNN网络训练的识别模型来对检测出来的车牌区域进行字符识别。该识别技术在传统识别技术的基础上,衍生出端到端的方法,不用分割处理车牌上的字符,它将车牌识别为一幅图像,将上面的字符进行排序,并将它们作为一个整体进行分析学习,最后给出结果。文中说明了基于CRNN模型的车牌识别整体框架,对其进行矫正之后的车牌则可以考虑利用CRNN模型加以识别。然后,阐述了所利用的训练方法、CRNN网络模型结构和具体的实现过程。最后是获得了实验结果和对结果展开分析。实验表明:CRNN模型是图像序列进行识别的有效方法。经过多种实验结果的验证,我们可以看出传统的识别技术有很大的弊端,过于依赖字符分割,一旦分割不准确就会出现严重错误,极大的缩减了算法的鲁棒性。相比之下本文联合使用深度学习模型的各种功能于车牌定位、车牌矫正、车牌识别三个方面并进行优化改进使算法的鲁棒性和准确性逐步提高,更加显示智慧城市、智能交通的理念。
【图文】：

算法流程图

本文算法流程图

神经网络模型,多层神经网络,隐藏层

图 2-1 神经网络模型为多层神经网络仅包含输入层、隐藏层以及输多层神经网络内，，其中隐藏层的层数根据需要层合适。众所周知，在深度学习中，卷积神经网的多层神经网络为依托，加之以特征学习，而技术上主要就是在全部层级之间加入一个层级层，之后是卷积层，然后还是降维层 …，网络的主要程序为：特征映射直接转移到值。为：信号 >特征 >值。特征则往往是通过可以显著降低图像识别错误率，如图 2-2 所示%25.80%8层神经网络16.40%8层神经网络隐藏层数量增加大幅度降低了图像识别错误率
【学位授予单位】：天津职业技术师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TP18;TP391.41

【相似文献】