复杂场景下高效率车牌识别研究

发布时间：2020-07-28 19:55

【摘要】：近些年来,随着经济的发展,我国汽车保有量迅猛增长,如何才能快速获取车牌信息,已成为交通管理部门亟待解决的难题。对此,一种自适应能力强、检测速度快且精度高的算法,是车牌检测算法的研究发展方向。虽然传统的车牌检测算法已经投入到实际应用,但是检测传统的车牌检测算法效果不佳,并且传统检测算法难以适应多种场景。而深度学习算法具有很好的图像特征表示能力且能够应用于复杂场景,但是检测过程比较耗时。基于以上原因,我们对车牌识别技术做了大量的研究,实行了复杂场景高效识别车牌,本文中车牌识别算法做了如下改进:1)设计了基于FCN模块和Faster R-CNN模块的车牌定位系统:在车牌识别系统中将FCN语义分割模块和Faster R-CNN检测模块有效的结合在一起,用于车牌定位,并且设计了两个网络,分别替换FCN模块和Faster R-CNN模块原始的特征提取网络。其中,FCN模块用于检测出车牌候选区域,Faster R-CNN模块通过检测车牌候选区域,得到车牌的具体位置。由于所提出的网络较小,训练后的模型也较小,在保证准确率的前提下极大提高了车牌定位的速度,达到高效率车牌识别要求。2)优化了模型的训练过程:针对光线复杂场景识别率低、模糊图片误识别等问题。文中利用分类器对样本进行分类,将分类错误的样本,重新放入负样本集合中,旨在获取更具识别性的特征表示,有效的提高了模型对复杂场景和难以识别图片的识别能力。3)改进车牌检测方法中的非极大值抑制算法:在实验中发现多个车牌距离较近时,非极大值抑制算法会直接删除所有重合度大于阈值的候选框,造成部分车牌漏检。对此,我们摒弃了直接删除候选框的做法,改用降低该框置信度的方式。本方法保留了原本被删除的候选框,降低了多个车牌距离较近时的漏检率,提高了模型的检测效果。同时成功将该车牌识别算法应用于重庆凯泽公司的商用项目。
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U495;TP391.41
【图文】：

线性回归模型

加了偏置是为了模型预测的结果不经过原点，偏置项表示没有任何输入时的逡逑输出会偏移６。逡逑线性回归的模型示例如图２－１所示，从图中可以看出坐标系中的点被拟合为逡逑一条不经过坐标原点的直线，模型得到的参数ｗ在图中表示为直线的斜率，偏置逡逑项Ｚ）则表示直线的纵截距。逡逑９邋－逦／邋ａ逦／？逡逑ｙ邋ｙ邋＝邋ｗ邋ｘ逡逑：／逡逑：；／逡逑／１逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦Ｉ逦ｉ逦ｉ逦＞逡逑【１邋／邋ｉ逦２逦＞逦４逦５逦ｂ逦：逦Ｓ逦５逦’逡逑图２－１线性回归模型逡逑２．１．２逻辑回归逡逑线性回归对输入进行拟合，逻辑回归用于对样本分类。通常情况下，线性回逡逑归中的输入和输出是连续的，取值范闹从负无穷到正无穷；但是在逻辑回归中，逡逑输入多数情况下是有限个零散的值。在二分类Ｍ题中，输出只“0和１两个值，逡逑不同的值表示不同类别的物体，这就是常见的二分类。比如用ｓｉｇｍｏｉｄ对输入逡逑ｗ＇；ｃ邋＋６的值进行压缩之后映射在０到１之间。逡逑２．１．３激活函数逡逑激活函数（ａｃｔｉｖａｔｉｏｎ邋ｆｕｎｃｔｉｏｎ）指的是神经网络中用于提供非线性建模的一逡逑类函数，在深度学习中有着至关重要的地位。一般情况下，都是用非线性函数作逡逑为激活函数。没有使用激活函数的神经网络一般不能处理非线性问题，对线性不逡逑可分的数据也很难解决。接下来简单介绍几种常见的激活函数。逡逑１）邋Ｓｉｇｍｏｉｄ邋函数逡逑８逡

函数图像,后向,缺点,神经网络

该函数的形状从物理学上来说，很接近生物神经元细胞（抑制或者激励）的逡逑性质，而且它的输出在（０，１）之间，可以用来表示概率问题，还可以表示输出归逡逑一化问题，其函数图像如图２－２所示。逡逑从图中可以看出ｌｉｍ．广（ｘ）邋＝邋０逡逑．Ｖ－＋Ｏ０逡逑１．５邋逦！逦逡逑＇邋逦逡逑０．５邋逦ｙＴ逦逡逑０邋逦……逦逦逡逑－０．５邋逦１逦逡逑－３逦０逦３逡逑图２－２邋Ｓｉｇｍｏｉｄ函数图像逡逑这种情况称为软饱和性，这个正是ｓｉｇｍｏｉｄ函数的缺点，在神经网络的后向传逡逑播过程中更新权重的速度越来越慢，网络的参数难以得到更新，这种现象称为梯逡逑度消失［２２：。逡逑２）邋ｔａｎｈ函数逡逑ｔａｎｈ函数表达式如公式２－６所＞』々：逡逑＼－ｅ￣２ｘ逡逑ｆ（ｘ）＝＂邋＾７逦（２－６）逡逑＼邋＋邋ｅ逡逑ｔａｎｈ是常见的激活函数，如图２－３所示，和ｓｉｇｍｏｉｄ相比，它收敛的非常快，逡逑这样就减少了迭代次数。但是，从函数的形状可以看出，ｔａｎｈ和ｓｉｇｍｏｉｄ邋—样具有逡逑２邋逦．逦逡逑－１邋逦逦逦逡逑Ｊ逦ｉ逦逡逑－５逦０逦５逡逑图２－３邋ｔａｎｈ函数曲线逡逑９逡逑

函数曲线,函数曲线

【相似文献】