基于监控视频的车牌检测与识别技术研究
发布时间:2021-01-05 19:06
车牌识别是智慧城市、智能交通系统中的关键问题之一。尽管近年来随着计算机硬件的发展和深度学习技术的进步,车牌识别问题已经取得了明显进步,但监控视频下的车牌识别问题仍有很大的进步空间,如训练数据不足、复杂多样的环境因素以及高速运动带来的运动模糊问题。本文围绕监控视频下的车牌识别技术进行探索,主要完成了以下工作内容:一、本文以EasyPR为基础设计并实现了车牌数据标注系统,该系统可以便捷的对图像中车牌的位置和号码进行标注。同时本文还设计了可以定向生成多种类型车牌数据的自动生成和增强方法,该方法不仅保证了各类型车牌训练数据的数量、同时也保证了训练数据的复杂多样性和平衡性。通过使用自动生成的数据可以充分提高车牌识别网络的准确率。二、本文通过对ConvNet-RNN网络的结构和处理过程进行分析,对网络进行改进实现了免字符分割的车牌识别网络AC-RNN。该方法在车牌识别准确率上相对于ConvNet-RNN有显著的提升。AC-RNN相对于ConvNet-RNN主要的改进内容包括车牌字符间相关性的增强、注意力机制的应用以及针对车牌识别进行优化的CTC Decoder。三、从多任务学习的角度出发,本文提出...
【文章来源】:北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】:79 页
【学位级别】:硕士
【部分图文】:
图2-1特征提取展示??Fig.2-1?Sample?of?Feature?Extraction??对于深度学习而言,因为模型最终要部署到没有见过训练数据的生成环境中,所??
?北京化工大学硕士学位论文???i??:::^丨??图2-2爹¥逼知瓦例—…??Fig.2-2?Sample?of?Multi-Layer?Perceptron??让神经网络模型获得更好泛化能力的最好方法是使用更多、更多样性的数据进行??训练。实际场景下,我们拥有的数据量往往是有限的,解决该问题的一种方法便是创??造假数据并添加到训练数据中。图像是高维度的,同时包含各种巨大的变化因素,其??中很多时可以被模拟的,即便在模型中己经使用卷积和池化技术对部分平移保持不??变,沿训练图像的每个方向进行像素平移往往可以很大程度的改善模型的泛化能力,??对于图像识别,图像的旋转、缩放也十分有效。考虑到神经网络对噪声不是十分健壮??[2()],改善网络健壮性的一种方法便是随机的噪声添加到训练数据中并进行训练,该方??法也被看做一种常用的数据增强策略[21]。??在车牌识别问题上,尤其是在监控视频角度下的车牌识别,在训练数据的问题上??存在很多限制。??(1)首先由于车牌数据本身的敏感性以及道路监控视频的保密性,我们很难获??取大量的监控视频角度下的车牌数据;??(2)其次,从监控视频中获取的车牌数据往往集中在某一城市甚至某一路口,??同时对于偏远地区的车牌,如第一位字符是“疆“、”藏“等的车牌,相关地区的监??控视频获取难度更高。这导致训练数据的分布便会缺乏多样性和平衡性;??(3)对新类型的车牌如新能源车牌,在新投入使用时很难获得足量的训练数据。??因此从监控视频中获取的训练数据一方面数据量远远不足,另一方法数据的平衡??性和多样性也远远不能达到要求。??2.2训练数据的生成与数据增强??基于车牌训练数
?北京化工大学硕士学位论文???M—??、?a.本方法生成的数据?b.真实车牌数据?)??g?2-7真实车牌数据与生成车牌数据对比??Fig.2-7?Comparison?Between?Plate?Generated?and?Real?Plate??本课题己经实现对蓝牌、黄牌、新能源车牌、双行黄牌、军车牌、双行军车牌、??武警车牌、双行武警车牌等主流车牌的生成与增强。图2-8给出了通过该方法生成的??列车牌数据样例。??^?r?HI??Iav:2i4^1?雙??__?El^u__??V?)??图2-8自动生成的车牌样例??Fig.2-8?Samples?of?Plate?Generated??2.2.3实验与分析??为了探索生成数据对模型效果的影响,本节将对车牌数据对模型识别能力的影响??进行了实验对比和结果分析。在同一网络结构下,通过改变训练数据集的组成对比模??型的识别效果。实验结果证明,本文提出的车牌生成方法与数据增强策略能够显著提??升模型的识别效果。??实验过程中本节采用了第三章中提出的基于多任务的车牌识别算法,网络输入为??12??
【参考文献】:
期刊论文
[1]腾讯优图亮相“互联网+警务”峰会[J]. 鲁进. 计算机与网络. 2016(15)
[2]车牌识别技术研究[J]. 廖翔云,许锦标,龚仕伟. 微机发展. 2003(S2)
硕士论文
[1]基于核相关滤波的高速目标跟踪算法研究与系统实现[D]. 刘志强.西安电子科技大学 2015
[2]基于OpenCV的ARM嵌入式车牌识别系统的研究[D]. 蓝芸根.中国石油大学(华东) 2015
本文编号:2959142
【文章来源】:北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】:79 页
【学位级别】:硕士
【部分图文】:
图2-1特征提取展示??Fig.2-1?Sample?of?Feature?Extraction??对于深度学习而言,因为模型最终要部署到没有见过训练数据的生成环境中,所??
?北京化工大学硕士学位论文???i??:::^丨??图2-2爹¥逼知瓦例—…??Fig.2-2?Sample?of?Multi-Layer?Perceptron??让神经网络模型获得更好泛化能力的最好方法是使用更多、更多样性的数据进行??训练。实际场景下,我们拥有的数据量往往是有限的,解决该问题的一种方法便是创??造假数据并添加到训练数据中。图像是高维度的,同时包含各种巨大的变化因素,其??中很多时可以被模拟的,即便在模型中己经使用卷积和池化技术对部分平移保持不??变,沿训练图像的每个方向进行像素平移往往可以很大程度的改善模型的泛化能力,??对于图像识别,图像的旋转、缩放也十分有效。考虑到神经网络对噪声不是十分健壮??[2()],改善网络健壮性的一种方法便是随机的噪声添加到训练数据中并进行训练,该方??法也被看做一种常用的数据增强策略[21]。??在车牌识别问题上,尤其是在监控视频角度下的车牌识别,在训练数据的问题上??存在很多限制。??(1)首先由于车牌数据本身的敏感性以及道路监控视频的保密性,我们很难获??取大量的监控视频角度下的车牌数据;??(2)其次,从监控视频中获取的车牌数据往往集中在某一城市甚至某一路口,??同时对于偏远地区的车牌,如第一位字符是“疆“、”藏“等的车牌,相关地区的监??控视频获取难度更高。这导致训练数据的分布便会缺乏多样性和平衡性;??(3)对新类型的车牌如新能源车牌,在新投入使用时很难获得足量的训练数据。??因此从监控视频中获取的训练数据一方面数据量远远不足,另一方法数据的平衡??性和多样性也远远不能达到要求。??2.2训练数据的生成与数据增强??基于车牌训练数
?北京化工大学硕士学位论文???M—??、?a.本方法生成的数据?b.真实车牌数据?)??g?2-7真实车牌数据与生成车牌数据对比??Fig.2-7?Comparison?Between?Plate?Generated?and?Real?Plate??本课题己经实现对蓝牌、黄牌、新能源车牌、双行黄牌、军车牌、双行军车牌、??武警车牌、双行武警车牌等主流车牌的生成与增强。图2-8给出了通过该方法生成的??列车牌数据样例。??^?r?HI??Iav:2i4^1?雙??__?El^u__??V?)??图2-8自动生成的车牌样例??Fig.2-8?Samples?of?Plate?Generated??2.2.3实验与分析??为了探索生成数据对模型效果的影响,本节将对车牌数据对模型识别能力的影响??进行了实验对比和结果分析。在同一网络结构下,通过改变训练数据集的组成对比模??型的识别效果。实验结果证明,本文提出的车牌生成方法与数据增强策略能够显著提??升模型的识别效果。??实验过程中本节采用了第三章中提出的基于多任务的车牌识别算法,网络输入为??12??
【参考文献】:
期刊论文
[1]腾讯优图亮相“互联网+警务”峰会[J]. 鲁进. 计算机与网络. 2016(15)
[2]车牌识别技术研究[J]. 廖翔云,许锦标,龚仕伟. 微机发展. 2003(S2)
硕士论文
[1]基于核相关滤波的高速目标跟踪算法研究与系统实现[D]. 刘志强.西安电子科技大学 2015
[2]基于OpenCV的ARM嵌入式车牌识别系统的研究[D]. 蓝芸根.中国石油大学(华东) 2015
本文编号:2959142
本文链接:https://www.wllwen.com/kejilunwen/daoluqiaoliang/2959142.html