基于卷积神经网络的双行车牌分割与识别算法

发布时间：2020-07-02 14:04

【摘要】：车牌自动识别系统用于识别数字车牌图像中出现的不同字符。该技术主要包括三个重要的步骤:车牌定位、车牌分割、车牌识别。自动车牌识别技术在智能化交通系统、无人看守停车场等领域应用非常广泛,具有很实际的研究意义和应用价值。目前研究带有中文字符的双行车牌识别算法较少且识别准确率不高,为了将单行车牌识别算法扩展到带有中文字符的双行车牌识别应用中,本文设计出一个基于卷积神经网络的双行车牌分割算法,能够自动地将双行车牌图像分割成两个单行车牌图像。此算法使用卷积神经网络得到车牌图像的高维特征并使用高维特征做分类任务,如果预测车牌类别是单行类型则不做任何处理,如果预测车牌类别是双行类型,则进一步计算出分割线以将双行车牌分割成两个单行车牌。最后,利用卷积循环神经网络结构模型有效地识别出车牌的字符信息。本文提出的双行车牌分割算法自动地将带有中文字符、数字、字母的车牌分成两类并将双行车牌分割成上下两行单行车牌,支持直接使用现有的单行车牌识别算法来识别车牌字符信息。车牌分割和车牌字符识别的实验对比结果表明本文算法能够有效地改善带有中文字符的双行车牌识别准确率,对于光照条件较差和字符信息较模糊等图片质量不佳的车牌也能够获得较好的结果。并且,本文算法基于卷积神经网络进行训练和运算,能够充分发挥GPU并行计算优势,大大提高算法的执行效率。
【学位授予单位】：温州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;U495
【图文】：

颜色属性

本章节介绍自动车牌识别算法所涉及到的数字图像处理的相关技术，包括自动车牌识别算法经常用到的几种计算机视觉系统中不同颜色空间之间的变换、GPU 视觉处理器、GPU 所支持的通用并行计算架构——CUDA（Compute UnifiedDevice Architecture）、以及本文算法使用的深度学习框架 Caffe 和用于图像识别的卷积神经网络。1 颜色空间简介从物理层面解释，颜色即指光作用在人眼上产生的结果[35]。颜色有三大属性，即色相（Hue）、亮度（lightness，也叫明度（Brightness））和饱和度（Saturation，也叫纯度（Purity））[36]。色相展示的是颜色的面貌，这是颜色最重要的特征，如图 2-1(a)所示；亮度展示的是颜色的明暗程度，如图 2-1(b)，每一列展示了相同颜色下不同明暗程度的效果；饱和度展示的是颜色的光鲜程度，即颜色的深浅度，如图 2-1(c)所示。

工作流程图,学习网络,工作流程

目前 Caffe 框架已经成为学术研究项目、力，甚至在计算机视觉、语音以及多媒体领域都有大规模学习框架由三个最基本的原子结构组成，它们分别为：块（ers）以及网络（Nets）。其中块的输入格式为：数量（Nu*高（Height）*宽（Width），块中封装了网络的输入数据定且不能更改的，因为 Caffe 深度学习框架中嵌入的各种数据块格式设计的，一旦更改输入的数据块格式，基于不能按照要求被执行或者执行结果完全不符合预期。网络的基本单位，其中前一层的网络输出作为当前层的数据输装函数接口把接收到的数据进行卷积运算，运算结果将作网络层使用分为三个步骤，首先建立层，主要是初始化各据连接关系，然后开始前向传播过程的计算与输出，最后果进行反向传播得到网络层梯度，并将梯度值保存起来用新。网络则是由不同层构成，包括输入层、网络层、输出单工作流程如图 2-6 所示。

【参考文献】