自然环境大倾角下的自动车牌识别技术研究
发布时间：2020-12-21 21:37
伴随着计算机、通信技术的高速发展,自动处理信息功能越来越广泛地应用到人们生活的方方面面。自动车牌识别系统的使用解放了人力,提高车辆管理的效率。现如今无人驾驶、智能交通等各种场景的需求,科技智能化的日益发展急需自动车牌识别技术在速度与精确度上不断提升。自动车牌识别技术有很重要的应用价值和研究意义。现今商业和学术领域都在深入研究可用于自动车牌识别系统的各种方法。然而目前大多数的方法所提取的数据集图像都集中在特定车牌区域,即大部分是几乎正面的车牌图像,以此检测车牌。此种情况下会导致若需要检测的图像中车牌位置为倾斜、畸变等情形,则检测及识别结果均不准确。在WPOD-NET[1]中,提出在无约束场景下,对拍摄角度倾斜的图像进行矫正并识别。通过测试此方法,其不能够涵盖所有拍摄到的车牌图像情况,尤其是极端场景下采集到的畸变车牌图像不能够被识别。本文针对上述无约束方案的特点,增加了在极端条件下采取到的车牌图像（图像极端倾斜甚至畸变不为平行四边形）进行检测的功能。在网络中添加了一层反馈机制,使一些特定场合错检的车牌图像重新输入网络中排除错误答案重新检测,从而有效的提高了网络的鲁棒性...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
端到端效果展示
兰州大学硕士学位论文自然环境大倾角下的自动车牌识别技术研究图1-3端到端效果展示2017年，Silva和Jung使用YOLO（YouOnlyLookOnce）网络并进行微调，对巴西车牌数据集实现了良好的检测和识别效果[20]。该方法要求需提取正面图像的车牌进行检测，这限制了其应用场景。Bulan和Kozitsky利用连续平均量化变换（SMQT，SuccessiveMeanQuantizationTransform）在几个尺度上提取特征信息，利用固定滑动窗口提取候选框，提高了车牌检测的精准性[21]。2018年，Ying以及Xin提出利用卷积神经网络网络从滑动窗口的候选区域中提取特征，通过支持向量机提取车牌区域[22]。由于固定的滑动窗口会导致最终提取的一些候选框太大或太校基于此，Li和Wang提出了一个统一的框架[23]，在同一流程上共同解决车牌检测和识别两个任务。检测和识别共享卷积特征，与图1-1步骤分离的模型相比，卷积特征的参数较少，网络可以端到端地训练。效果如图1-3所示。同样是2018年，Menon和Omman提出从单个框架中检测和识别多个车牌[24]，且具有复杂背景的车牌也可以检测出来。Dhar和Guha利用边缘检测、距离边界向量（DsBs，DistancetoBorderVectors）的形状验证、卷积神经网路等深度学习模式来自动提取特征，改进了孟加拉国的车牌识别系统[25]。Jagtap以及Holambe开发一种多样式车牌识别（MSLPR，Multi-StyleLicensePlateRecognition）[26]将形态学运算与水平和垂直边缘直方图以及人工神经网络相结合来对印度车牌进行识别。图1-4CNN-RNN方法效果展示5
兰州大学硕士学位论文自然环境大倾角下的自动车牌识别技术研究图1-5WPOD-NET检测车牌示例2019年，Zhang提出一种基于CNN-RNN（RecurrentNeuralNetworks，循环神经网络）的两阶段无约束车牌定位方法[27]。该网络使用LSTM（LongShort-TermMemory，长短期记忆网络）[28]提取上下文信息，并与CNN结合，达到了良好的效果，如图1-4所示。Silva提出的扭曲平面目标检测网络（WPOD-NET，WarpedPlanarObjectDetc-tionNetwork）[1]给出了一套完整的车牌识别系统，并提供了在无约束场景下的识别算法，能够纠正失真车牌的形变，使用现有的OCR方法来对车牌进行识别。该方法的主要贡献是对各种多变的场景下尤其是倾斜场景下的车牌都能较好的检测。示例图像如图1-5所示，拍摄角度倾斜，检测难度较大。通过测试，该方法不能够涵盖拍摄到的所有车牌拍摄情况，并且畸变场景下的车牌识别效果不佳，可对其进行优化处理。1.3本文的主要工作内容本文的主要研究工作和创新内容如下：1.针对已有的无约束方案的特点，修改YOLO网络边界框回归的全连接层的损失函数部分，将车牌相邻三个角点坐标与网络输出的L1范数作为损失来训练。根据三个角点补齐平行四边形得到车牌第四个角点。测试结果表明参与训练的三个车牌角点坐标具有更高的精确度。但是这种方法适用场景与原方法相同，不能很好地匹配失真严重的车牌角点。故不约束车牌的形状为平行四边形，将车牌的四个角点都参与网络训练中。对于网络检测畸变较严重的车牌其测试结果更为准确，因此在各种情况下能更通用的检测车牌，具有更好的鲁棒性。2.分析检错图像的特点，结合检错后OCR识别的结果制定出一层反馈机制。我们对检错的图像区域像素置零处理，使其区域像素不能激活网络，并再次输入进网络检测，提高大
本文编号：2930549
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
端到端效果展示
兰州大学硕士学位论文自然环境大倾角下的自动车牌识别技术研究图1-3端到端效果展示2017年，Silva和Jung使用YOLO（YouOnlyLookOnce）网络并进行微调，对巴西车牌数据集实现了良好的检测和识别效果[20]。该方法要求需提取正面图像的车牌进行检测，这限制了其应用场景。Bulan和Kozitsky利用连续平均量化变换（SMQT，SuccessiveMeanQuantizationTransform）在几个尺度上提取特征信息，利用固定滑动窗口提取候选框，提高了车牌检测的精准性[21]。2018年，Ying以及Xin提出利用卷积神经网络网络从滑动窗口的候选区域中提取特征，通过支持向量机提取车牌区域[22]。由于固定的滑动窗口会导致最终提取的一些候选框太大或太校基于此，Li和Wang提出了一个统一的框架[23]，在同一流程上共同解决车牌检测和识别两个任务。检测和识别共享卷积特征，与图1-1步骤分离的模型相比，卷积特征的参数较少，网络可以端到端地训练。效果如图1-3所示。同样是2018年，Menon和Omman提出从单个框架中检测和识别多个车牌[24]，且具有复杂背景的车牌也可以检测出来。Dhar和Guha利用边缘检测、距离边界向量（DsBs，DistancetoBorderVectors）的形状验证、卷积神经网路等深度学习模式来自动提取特征，改进了孟加拉国的车牌识别系统[25]。Jagtap以及Holambe开发一种多样式车牌识别（MSLPR，Multi-StyleLicensePlateRecognition）[26]将形态学运算与水平和垂直边缘直方图以及人工神经网络相结合来对印度车牌进行识别。图1-4CNN-RNN方法效果展示5
兰州大学硕士学位论文自然环境大倾角下的自动车牌识别技术研究图1-5WPOD-NET检测车牌示例2019年，Zhang提出一种基于CNN-RNN（RecurrentNeuralNetworks，循环神经网络）的两阶段无约束车牌定位方法[27]。该网络使用LSTM（LongShort-TermMemory，长短期记忆网络）[28]提取上下文信息，并与CNN结合，达到了良好的效果，如图1-4所示。Silva提出的扭曲平面目标检测网络（WPOD-NET，WarpedPlanarObjectDetc-tionNetwork）[1]给出了一套完整的车牌识别系统，并提供了在无约束场景下的识别算法，能够纠正失真车牌的形变，使用现有的OCR方法来对车牌进行识别。该方法的主要贡献是对各种多变的场景下尤其是倾斜场景下的车牌都能较好的检测。示例图像如图1-5所示，拍摄角度倾斜，检测难度较大。通过测试，该方法不能够涵盖拍摄到的所有车牌拍摄情况，并且畸变场景下的车牌识别效果不佳，可对其进行优化处理。1.3本文的主要工作内容本文的主要研究工作和创新内容如下：1.针对已有的无约束方案的特点，修改YOLO网络边界框回归的全连接层的损失函数部分，将车牌相邻三个角点坐标与网络输出的L1范数作为损失来训练。根据三个角点补齐平行四边形得到车牌第四个角点。测试结果表明参与训练的三个车牌角点坐标具有更高的精确度。但是这种方法适用场景与原方法相同，不能很好地匹配失真严重的车牌角点。故不约束车牌的形状为平行四边形，将车牌的四个角点都参与网络训练中。对于网络检测畸变较严重的车牌其测试结果更为准确，因此在各种情况下能更通用的检测车牌，具有更好的鲁棒性。2.分析检错图像的特点，结合检错后OCR识别的结果制定出一层反馈机制。我们对检错的图像区域像素置零处理，使其区域像素不能激活网络，并再次输入进网络检测，提高大
本文编号：2930549
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2930549.html
