基于卷积神经网络的车牌检测与识别算法研究

发布时间：2020-12-17 20:30

　　车牌号码的准确获取是智能交通系统中最关键的部分之一,它直接决定了智能交通系统的发展速度以及技术水平。经大量研究者证明,使用卷积神经网络中的算法能很好的适应各种不同的自然场景中车牌的检测与识别。本文在分析传统的车牌检测与识别算法与卷积神经网络算法的优缺点的基础上,通过优化FasterRCNN框架和LeNet-5网络,并分别实现车牌的检测与车牌字符的识别。本文针对自然场景中车牌的检测与车牌字符的识别进行研究,主要研究内容包含以下3个方面:1)在复杂的自然场景中,通常会出现图像亮度偏低或者过暗等问题,这不利于对车牌的检测与识别。本文分析了各种图像增强算法,发现带颜色恢复的多尺度（MSRCR）算法对图像增强的表现较好。但是原始的MSRCR算法是基于R、G、B三个通道的,并且其中都包含了颜色和亮度信息,对每个通道进行增强的同时会改变原图像的颜色信息。因此,本文采用HSV中的亮度（V）通道进行增强,它对亮度增强的同时保证了颜色恒常,最后再将两种颜色空间得到的图像进行加权平均,得到一种新的高精度的基于两种颜色空间融合的MSRCR算法。2)针对复杂多变的自然场景中的车牌检测问题,本文提出了一种基于锚比... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

文中算法流程图

基于卷积神经网络的车牌检测与识别算法研究16些结果适用于美国、欧洲、巴西等地的车牌。我们可以观察到，我们的统一途径不受来自不同区域的车牌的影响，并且对光照、姿态、大小和模糊度等方面的变化具有很强的鲁棒性。图2.7文中车牌识别结果图2018年，RaysonLaroca等人提出一种基于YOLO检测器的鲁棒性实时的自动车牌识别算法[63]。文中选用常规城市交通场景中的4500帧连续的图像。这些图像是从150个1S、帧率为30的视频中分离出来的。将这些图像的40%作为训练集、40%作为测试集20%作为验证集。文章中考虑大部分字符分割算法可能不能准确的分割出完整的字符，且各个字符之间都有小的关联，即使是真实值和预测值之间一个像素之差，也可能会影响字符的识别。因此，文中使用一个1-3个不同的估计值来填充从而达到高精度的识别率。如图2.8显示，图像中用更多的噪声信息来填充。图2.8不同数量的填充图对比如前所诉，文中使用两个网络来识别字符。对于训练网络，输入的是字符和字符的标签。对于数字识别，文中将字符分割的卷积神经网络中的前4层从网络

不同数量的填充图对比

【参考文献】：
期刊论文
[1]基于文字定位和颜色检测的多车牌定位方法研究[J]. 葛艳,陈晨.  计算机与数字工程. 2018(03)
[2]基于机器学习的多车牌识别算法应用研究[J]. 郑顾平,闫勃勃,李刚.  计算机技术与发展. 2018(06)
[3]基于级联卷积神经网络的车牌定位[J]. 傅鹏,谢世朋.  计算机技术与发展. 2018(01)
[4]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静.  计算机应用. 2017(07)
[5]基于色差的车牌快速定位算法研究[J]. 郑楷鹏,郑翠环,郭山红,陈康宇.  计算机应用与软件. 2017(05)
[6]2014年全国机动车和驾驶人迅猛增长[J]. 交宣,汽车与安全.  汽车与安全. 2015(02)
[7]基于HSV颜色空间和SVM的车牌提取算法[J]. 黄社阳,刘智勇,阮太元.  计算机系统应用. 2014(08)
[8]基于AB神经网络模型的车牌定位方法[J]. 章晔炜,宫宁生.  微电子学与计算机. 2014(08)
[9]复杂背景中基于纹理和颜色的车牌定位研究[J]. 万燕,徐勤燕,黄蒙蒙.  计算机应用与软件. 2013(10)
[10]忆阻细胞神经网络在车牌定位中的应用[J]. 张凤清,段书凯,王丽丹,胡小方.  计算机科学. 2013(S1)

硕士论文
[1]汽车牌照自动化识别若干关键技术研究[D]. 杨鼎鼎.湖北民族学院 2018



本文编号：2922660