基于深度学习的多场景车牌识别技术研究

发布时间：2021-01-09 08:57

　　车牌识别是车辆识别的关键技术之一,也是智慧交通的重要组成部分。虽然在高清静态交通场景中车牌识别已经较为成熟,但在更广义的场景中,车牌识别问题依然面临挑战。因此,如何在复杂多变的场景下快速准确地获取车牌号码信息具有极大的现实价值与意义。传统的车牌识别基于人工设计的特征,在光照不稳定、拍照角度倾斜等复杂场景下鲁棒性不足,难以实现高精度的识别。近年来,深度学习方法的提出使得计算机视觉中的各项任务都取得了很大的进步,也为多场景的车牌识别研究提供了新思路。因此,本文以深度学习为基础,针对多场景车牌识别问题,设计合理的神经网络结构与策略,提升识别精度与效率,以满足不同场景下的需求。本文的主要工作和取得的研究成果概述如下:（1）基于空间变换网络的倾斜车牌识别。针对传统的车牌识别方法无法有效泛化到倾斜车牌场景下的问题,本文利用空间变换网络对倾斜车牌进行矫正,该网络可以与识别网络进行端到端的训练,不需要额外的标注信息。实验结果表明,所提方法能够有效地矫正倾斜车牌,从而改善识别精度,并且仅增加了 1.52%的计算量。（2）基于合成数据的车牌识别。针对深度学习算法需要大量标注数据驱动来训练模型,但人工收集的... 

【文章来源】：中国科学院大学(中国科学院人工智能学院)北京市

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

图２．１?—维高斯分布??．－ｉｒｉｂｕｉｏｎ??

?基于深度学习的多场景车牌识别技术研究???从图中可以看出其权值分布是有规律的，在中心点处权值最大，距离中心??距离越远的点权值越校一维高斯分布的概率密度函数如公式２．１所示。??］?乂?）２??／（Ｘ）二——Ｔ＝ｅ?２〇＂?（２．１）??＜ＴＶ?２＾??其中，Ａ代表平均值，Ｃ代表标准差。因为图像是二维的，通过计算可以??得到二维的高斯分布如图２．２所示，二维高斯概率密度函数公式如公式２．２所示。??Ｇ（ｘ，ｙ）?＝?—ｌ－－ｅ＾ｘ２＋ｙ２＾２ａ２?（２－２）??２ｔｉｇ??二维高斯分布??＇?１．０??Ｊｋ＇＇?：?＇？?０．８??…＇＇繼?；］??？?”、?Ｉ。６?细??？?＊?－?０?４??５?１０?＾??ｘｔｔ１５?２０?５??３０??图２．２二维高斯分布??Ｆｉｇｕｒｅ２．２?Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ｇａｕｓｓｉａｎ?ｄｉｓｔｒｉｂｕｔｉｏｎ??一般来说，图像中越靠近的像素点它们之间关系越密切，和高斯分布情况很??吻合，因此高斯低通滤波器更加合适用来处理图像，减少噪声对图像特征的干扰。??（２）图像灰度化??图像灰度化就是将原始图像通过灰度变换处理成灰度图，灰度图像中每个像??素点的颜色值也称为灰度值。灰度值的范围是从０到２５５，数值越大表示的颜色??越白，同理数值越小表示的颜色越黑。灰度值２５５表示白色，灰度值０则表示黑??色。进行图像灰度化的操作主要是为了后续进行的操作做图像预处理，因为有些??８??

?基于深度学习的多场景车牌识别技术研宄???２．２深度学习相关理论介绍??深度学习是通过对大量有标记的数据进行训练学习这些样本数据的内在规??律，深度学习发展迅速在语言和图像识别方面得到广泛应用。卷积神经网络是深??度学习中的一种重要算法，它可以直接从图像中提取特征不需要对输入图片数据??进行预处理，因此在图像处理任务中得到了广泛的应用。循环神经网络是另一个??重要的深度学习算法，它主要是针对序列数据，当前时刻的输出除了与当前时刻的??输入有关还与之前时刻输入的数据有关。本节分析了卷积神经网络和循环神经网??络的特点和应用领域，说明了卷积神经网络更适合于基于深度学习的端到端全卷??积多场景车牌识别。??２．?２．１卷积神经网络??卷积神经网络是深度学习中一类重要算法，它独特的网络结构相比全连接网络更适??合做图像识别原因主要有三点。全连接网络结构图如图２．３所示。??續：＞ｖ?一??输ＡＭ?隐含层?输出层??图２．３全连接网络示意图??Ｆｉｇｕｒｅ２．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ?ｎｅｔｗｏｒｋ??（］）局部连接??从上图的全连接神经网络图中可以观察到在全连接神经网络中每两层之间??所有的节点都有边相连。这样的话整个网络需要计算的参数就太多了。而在卷积??１２??

【参考文献】：
期刊论文
[1]基于深度学习的车牌字符识别的设计与实现[J]. 肖秀春,吴伟鹏.  电子技术与软件工程. 2018(16)
[2]融合KL散度和移地距离的高斯混合模型相似性度量方法[J]. 余艳.  计算机应用. 2014(03)
[3]基于OpenCV的机器视觉图像处理技术实现[J]. 王福斌,李迎燕,刘杰,陈至坤.  机械与电子. 2010(06)
[4]基于双线性插值的图像缩放算法的研究与实现[J]. 王森,杨克俭.  自动化技术与应用. 2008(07)
[5]基于图形处理器（GPU）的通用计算[J]. 吴恩华,柳有权.  计算机辅助设计与图形学学报. 2004(05)
[6]利用形态特征的汽车车牌图像分割方法[J]. 胡爱明,周孝宽.  计算机辅助设计与图形学学报. 2003(06)
[7]一种基于车牌特征信息的车牌识别方法[J]. 骆雪超,刘桂雄,冯云庆,申柏华.  华南理工大学学报(自然科学版). 2003(04)
[8]基于模板匹配和神经网络的车牌字符识别方法[J]. 魏武,黄心汉,张起森,王敏,王明俊.  模式识别与人工智能. 2001(01)
[9]基于循环神经网络的语音识别模型[J]. 朱小燕,王昱,徐伟.  计算机学报. 2001(02)
[10]图像分割中的交叉熵和模糊散度算法[J]. 薛景浩,章毓晋,林行刚.  电子学报. 1999(10)

硕士论文
[1]基于深度学习的车牌检测识别研究[D]. 王潇凡.南京邮电大学 2019
[2]车牌图像二值化效果的改进算法研究[D]. 魏诚.浙江大学 2006



本文编号：2966351