开放式环境下视频车牌检测与识别
发布时间：2021-01-08 13:43
车牌检测与识别有着三十余年的研究历史,并且在一些简单固定场景下已经得到了广泛应用,但是在成像设备不固定、光照不佳等开放式环境下,现有的车牌检测与识别算法的效果会急剧下降。近年来深度学习在计算机视觉领域得到了广泛应用,其算法在鲁棒性、准确度等方面远超传统算法,因此本文尝试将深度学习应用于车牌检测与识别,在开放式环境下达到实时、准确的效果。本文以开放式环境下视频车牌检测与识别为目标,综合考虑实时性与准确性,结合实际应用场景,提出了基于YOLOv3（You Only Look Oncev3）的车牌检测算法 LPDNet（License Plate Detection Network）和基于 CRNN（Convolutional Recurrent Neural Network）的车牌序列识别算法 LPSRNet（License Plate Sequence Recognition Network）。本文主要工作和创新如下:（1）建立车牌检测及识别基准数据集目前中文车牌仅有的大型数据集为中国科学技术大学公开的CCPD,但其拍摄场景固定、车牌相似度高且每张图像仅含一个车牌,不适合作为基准数据集。...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
CTPN算法“微分”示意图
??图２－１场景文字图像?图２－２?ＣＴＰＮ算法“微分”示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｅｎｅ?ｔｅｘｔ?ｉｍａｇｅ?Ｆｉｇｕｒｅ?２－２?“ｄｉｆｆｅｒｅｎｔｉａｌ”?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＣＴＰＮ?ａｌｇｏｒｉｔｈｍ??基于以上两个核心思想，ＣＴＰＮ的网络结构设计如图２－３所示。??１?？?＾?ｗ?２ｋ?ｖｅｒｔｉｃａｌ??１?ｖｖ?ｔｖ－?－－Ｊｒ．＾１?ｎ??／—＂一＂Ｉ——Ｉ一￣「１￣￣Ｉ￣￣ＩＩ?念?ｃｏｏｒｄｉｎａｔｅｓ??｜?｜?｜?１?｜?｜?１??ＩＺ］Ｉ｜ＩＺ￣Ｉ．．－ｉ－－｜－?ｎ??ＥＣ：：：＝＊ｃｃｒ：＝?＾?Ｈ?＾?—？?＊?—？?—？?２ｋ?ｓｃｏｒｅｓ??■??—＾―?Ｉ?？?？?？??ＶＧＧ１６?＼?ｌ』丁?：：．■?ｗ?ｈ??＼?ｍ：孓终ｔ＾ＴＩＩ?ｕ?Ｋ??ｄｉ?ｑｔ＼ａ?ＦＣ?ｓｉｄｅ－ｒｅｆｉｎｅｍｅｎｔ??Ｃｏｎｖ５?ＢＬＳ？??图２－３?ＣＴＰＮ网络结构??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＣＴＰＮ??ＣＴＰＮ算法的具体步骤为：??（１）用?ＶＧＧ１６?网络的前?５?个?ｃｏｎｖ?ｓｔａｇｅ?得到?ｆｅａｔｕｒｅ?ｍａｐ，大小为?Ｗ＊Ｈ＊Ｃ；??（２）用３＊３的滑动窗口在前一步得到的ｆｅａｔｕｒｅ?ｍａｐ上提取特征，利用这些特??征来对多个ａｎｃｈｏｒ进行预测，这里ａｎｃｈｏｒ定义与ＦａｓｔｅｒＲ－ＣＮＮ中的定义相同，也??就是帮我们去界定出目标待选区域；??（３）将上一步得到的特征输入到一个双向的ＬＳＴＭ中
?ＣＴＰＮ算法的最大特点是将ＲＮＮ引入到文本检测中，可以学习到文本序列的??前后文信息，不使用ＲＮＮ与使用ＲＮＮ的结果对比如图２－４所示。另外ＣＴＰＮ使??用了“微分”的思想减小误差，使用固定宽度的ａｎｃｈｏｒ来检测分割为许多块的??ｐｒｏｐｏｓａｌ，最后进行合并即得到检测结果。ＣＮＮ和ＲＮＮ的联合使用极大地提高了??场景文本检测的精度。??國??■臟＿．：Ｍｉ??；．，＾ｌｒ?ｉ［?ＥＳｆｅＭ?．￣§＾??＾?－?麵漏?ＷＩＳ—??图２－４上：不使用ＲＮＮ的ＣＴＰＮ下：使用ＲＮＮ的ＣＴＰＮ??Ｆｉｇｕｒｅ?２－４?Ｔｏｐ：?ＣＴＰＮ?ｗｉｔｈｏｕｔ?ＲＮＮ?Ｂｏｔｔｏｍ：?ＣＴＰＮ?ｗｉｔｈ?ＲＮＮ??２．２目标检测算法研究??目标检测是计算机视觉领域的研究重点，也是各种实际应用如安防、无人驾驶、??机器人、工业检测的核心模块。目标检测是指从一幅图像中获得目标的位置信息和??类别信息，包括定位和识别两个过程，其难点在于如何从待检测图像中提取出可能??含有目标的区域。由于实际场景日趋复杂，光照、遮挡、角度变化等因素均会导致??图像变化，这些都为目标检测带来新的挑战。当前目标检测算法可以分为两大类，??第一类是基于手工设计特征和传统机器学习的检测算法
【参考文献】：
期刊论文
[1]基于HSI颜色空间和行扫描的车牌定位算法[J]. 胡峰松,朱浩. 计算机工程与设计. 2015(04)
硕士论文
[1]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
本文编号：2964699
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
CTPN算法“微分”示意图
??图２－１场景文字图像?图２－２?ＣＴＰＮ算法“微分”示意图??Ｆｉｇｕｒｅ?２－１?Ｓｃｅｎｅ?ｔｅｘｔ?ｉｍａｇｅ?Ｆｉｇｕｒｅ?２－２?“ｄｉｆｆｅｒｅｎｔｉａｌ”?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＣＴＰＮ?ａｌｇｏｒｉｔｈｍ??基于以上两个核心思想，ＣＴＰＮ的网络结构设计如图２－３所示。??１?？?＾?ｗ?２ｋ?ｖｅｒｔｉｃａｌ??１?ｖｖ?ｔｖ－?－－Ｊｒ．＾１?ｎ??／—＂一＂Ｉ——Ｉ一￣「１￣￣Ｉ￣￣ＩＩ?念?ｃｏｏｒｄｉｎａｔｅｓ??｜?｜?｜?１?｜?｜?１??ＩＺ］Ｉ｜ＩＺ￣Ｉ．．－ｉ－－｜－?ｎ??ＥＣ：：：＝＊ｃｃｒ：＝?＾?Ｈ?＾?—？?＊?—？?—？?２ｋ?ｓｃｏｒｅｓ??■??—＾―?Ｉ?？?？?？??ＶＧＧ１６?＼?ｌ』丁?：：．■?ｗ?ｈ??＼?ｍ：孓终ｔ＾ＴＩＩ?ｕ?Ｋ??ｄｉ?ｑｔ＼ａ?ＦＣ?ｓｉｄｅ－ｒｅｆｉｎｅｍｅｎｔ??Ｃｏｎｖ５?ＢＬＳ？??图２－３?ＣＴＰＮ网络结构??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＣＴＰＮ??ＣＴＰＮ算法的具体步骤为：??（１）用?ＶＧＧ１６?网络的前?５?个?ｃｏｎｖ?ｓｔａｇｅ?得到?ｆｅａｔｕｒｅ?ｍａｐ，大小为?Ｗ＊Ｈ＊Ｃ；??（２）用３＊３的滑动窗口在前一步得到的ｆｅａｔｕｒｅ?ｍａｐ上提取特征，利用这些特??征来对多个ａｎｃｈｏｒ进行预测，这里ａｎｃｈｏｒ定义与ＦａｓｔｅｒＲ－ＣＮＮ中的定义相同，也??就是帮我们去界定出目标待选区域；??（３）将上一步得到的特征输入到一个双向的ＬＳＴＭ中
?ＣＴＰＮ算法的最大特点是将ＲＮＮ引入到文本检测中，可以学习到文本序列的??前后文信息，不使用ＲＮＮ与使用ＲＮＮ的结果对比如图２－４所示。另外ＣＴＰＮ使??用了“微分”的思想减小误差，使用固定宽度的ａｎｃｈｏｒ来检测分割为许多块的??ｐｒｏｐｏｓａｌ，最后进行合并即得到检测结果。ＣＮＮ和ＲＮＮ的联合使用极大地提高了??场景文本检测的精度。??國??■臟＿．：Ｍｉ??；．，＾ｌｒ?ｉ［?ＥＳｆｅＭ?．￣§＾??＾?－?麵漏?ＷＩＳ—??图２－４上：不使用ＲＮＮ的ＣＴＰＮ下：使用ＲＮＮ的ＣＴＰＮ??Ｆｉｇｕｒｅ?２－４?Ｔｏｐ：?ＣＴＰＮ?ｗｉｔｈｏｕｔ?ＲＮＮ?Ｂｏｔｔｏｍ：?ＣＴＰＮ?ｗｉｔｈ?ＲＮＮ??２．２目标检测算法研究??目标检测是计算机视觉领域的研究重点，也是各种实际应用如安防、无人驾驶、??机器人、工业检测的核心模块。目标检测是指从一幅图像中获得目标的位置信息和??类别信息，包括定位和识别两个过程，其难点在于如何从待检测图像中提取出可能??含有目标的区域。由于实际场景日趋复杂，光照、遮挡、角度变化等因素均会导致??图像变化，这些都为目标检测带来新的挑战。当前目标检测算法可以分为两大类，??第一类是基于手工设计特征和传统机器学习的检测算法
【参考文献】：
期刊论文
[1]基于HSI颜色空间和行扫描的车牌定位算法[J]. 胡峰松,朱浩. 计算机工程与设计. 2015(04)
硕士论文
[1]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
本文编号：2964699
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2964699.html
