基于深度学习的车牌识别技术的研究与应用
发布时间：2020-12-23 11:49
随着经济的发展与技术水平的进步,我国的汽车保有量越来越多,我国在道路交通智能管控、停车场管理等场景下存在巨大的车牌自动识别需求。传统的车牌识别把车牌识别分为车牌定位,字符分割,字符识别三个模块。而分散的模块设计方法提高了算法的复杂度,且三个模块之间存在依赖关系会引起误差积累的问题,最后会降低车牌识别的准确率。本文提出了一种基于YOLOv3的车牌识别系统（LPR-YOLO）。该系统分为车牌定位与字符识别两个部分。该系统的优点是提高了车牌定位与分类的准确率,减少了因字符分割引起的识别误差,提高了字符识别的准确率。实验结果表明,本文提出的车牌识别系统（LPRYOLO）自适应性强,经过200000轮的训练后,获得了较快的收敛速度。车牌定位平均的交并比（IoU）占比达到了85.95%,总的损失函数收敛于0.07。本文的主要工作与创新点如下:（1）为了适应车牌的规格和特点,构建了车牌定位系统。基于YOLOv3目标识别模型,本文提出了针对车牌识别的端到端的网络模型（LPR-YOLO）。为了增强模型对车牌大小以及字符大小的敏感度,本文提出的车牌识别系统除了重新设计了特征提取网络外,还对车牌预测阶段的特...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
国内汽车保有量此外，在政府的大力推广下，新能源汽车的数量开始不断增加，新能源汽车
展与技术水平的进步，我国的汽车保有量越的追求，汽车逐渐在各个行业中扮演了重要7 年增加了 2304 万辆，增长 11.85%，汽车保构成主体[1]。图 1-1 展示了国内汽车保有辆图 1-1 国内汽车保有量的大力推广下，新能源汽车的数量开始不断启用。如图 1-2 所示，新能源北京市专用车
牌照从复杂背景中提取出来并识别车牌号码。传统的识别方案步骤上为三步进行。第一步进行车牌定位，第二步对车牌字符进行分割，第三步字符识别。流程图如图1-3所示。图 1-3 传统方法识别车牌的过程车牌识别的传统研究方法主要包括以下方法：有基于颜色的[1]，有基于纹理的[2]，有基于边缘检测的[3]，有基于模板匹配的[4]。1998年赵雪春提出了由彩色分割、目标定位、字符识别及后处理模块组成的采用彩色分割及多级混合集成分类器的车牌自动识别方法[1]。2002年郭捷针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法[5]。除了基于颜色的识别方法外，还有基于模板匹配的识别方法。2001年，魏武在中提出了一种基于模板匹配和神经网络的车牌识别方法[4]。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势。国内外在传统的识别方法上相近，几乎都是这几种方法的组合和变种。本质上没有脱离对颜色边缘
【参考文献】：
期刊论文
[1]基于深度CNN的改进弱监督学习方法设计与验证[J]. 尚重阳,赵东波,陈杰. 重庆邮电大学学报(自然科学版). 2019(02)
[2]一种基于Faster-RCNN的车辆实时检测改进算法[J]. 杨薇,王洪元,张继,张中宝. 南京大学学报(自然科学). 2019(02)
[3]卷积神经网络中激活函数的一种改进[J]. 刘小文,郭大波,李聪. 测试技术学报. 2019(02)
[4]基于深度学习的目标检测框架进展研究[J]. 寇大磊,权冀川,张仲伟. 计算机工程与应用. 2019(11)
[5]基于YOLO算法的多类目标识别[J]. 于秀萍,吕淑平,陈志韬. 实验室研究与探索. 2019(03)
[6]改进YOLO v3的安全帽佩戴检测方法[J]. 施辉,陈先桥,杨英. 计算机工程与应用. 2019(11)
[7]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[8]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[9]基于OpenCV的车牌识别[J]. 毕波,邵永谦,孙冬军,贾思超. 电子设计工程. 2019(01)
[10]基于YOLO v2模型的交通标识检测算法[J]. 王超,付子昂. 计算机应用. 2018(S2)
硕士论文
[1]基于SSD的行人检测与跟踪方法研究[D]. 李海翔.中国科学技术大学 2018
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于深度学习的人脸识别算法与应用研究[D]. 何金洋.西南科技大学 2016
[4]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[5]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：2933666
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
国内汽车保有量此外，在政府的大力推广下，新能源汽车的数量开始不断增加，新能源汽车
展与技术水平的进步，我国的汽车保有量越的追求，汽车逐渐在各个行业中扮演了重要7 年增加了 2304 万辆，增长 11.85%，汽车保构成主体[1]。图 1-1 展示了国内汽车保有辆图 1-1 国内汽车保有量的大力推广下，新能源汽车的数量开始不断启用。如图 1-2 所示，新能源北京市专用车
牌照从复杂背景中提取出来并识别车牌号码。传统的识别方案步骤上为三步进行。第一步进行车牌定位，第二步对车牌字符进行分割，第三步字符识别。流程图如图1-3所示。图 1-3 传统方法识别车牌的过程车牌识别的传统研究方法主要包括以下方法：有基于颜色的[1]，有基于纹理的[2]，有基于边缘检测的[3]，有基于模板匹配的[4]。1998年赵雪春提出了由彩色分割、目标定位、字符识别及后处理模块组成的采用彩色分割及多级混合集成分类器的车牌自动识别方法[1]。2002年郭捷针对复杂背景的车牌定位问题，提出了一种颜色和纹理分析相结合的车牌定位算法[5]。除了基于颜色的识别方法外，还有基于模板匹配的识别方法。2001年，魏武在中提出了一种基于模板匹配和神经网络的车牌识别方法[4]。该方法集成了模板匹配识别车牌字符和神经网络识别车牌字符的各自优势。国内外在传统的识别方法上相近，几乎都是这几种方法的组合和变种。本质上没有脱离对颜色边缘
【参考文献】：
期刊论文
[1]基于深度CNN的改进弱监督学习方法设计与验证[J]. 尚重阳,赵东波,陈杰. 重庆邮电大学学报(自然科学版). 2019(02)
[2]一种基于Faster-RCNN的车辆实时检测改进算法[J]. 杨薇,王洪元,张继,张中宝. 南京大学学报(自然科学). 2019(02)
[3]卷积神经网络中激活函数的一种改进[J]. 刘小文,郭大波,李聪. 测试技术学报. 2019(02)
[4]基于深度学习的目标检测框架进展研究[J]. 寇大磊,权冀川,张仲伟. 计算机工程与应用. 2019(11)
[5]基于YOLO算法的多类目标识别[J]. 于秀萍,吕淑平,陈志韬. 实验室研究与探索. 2019(03)
[6]改进YOLO v3的安全帽佩戴检测方法[J]. 施辉,陈先桥,杨英. 计算机工程与应用. 2019(11)
[7]基于改进损失函数的YOLOv3网络[J]. 吕铄,蔡烜,冯瑞. 计算机系统应用. 2019(02)
[8]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[9]基于OpenCV的车牌识别[J]. 毕波,邵永谦,孙冬军,贾思超. 电子设计工程. 2019(01)
[10]基于YOLO v2模型的交通标识检测算法[J]. 王超,付子昂. 计算机应用. 2018(S2)
硕士论文
[1]基于SSD的行人检测与跟踪方法研究[D]. 李海翔.中国科学技术大学 2018
[2]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[3]基于深度学习的人脸识别算法与应用研究[D]. 何金洋.西南科技大学 2016
[4]基于深度学习的图像识别算法研究[D]. 丰晓霞.太原理工大学 2015
[5]基于深度学习的人脸识别研究[D]. 林妙真.大连理工大学 2013
本文编号：2933666
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2933666.html
