面向移动终端的车辆信息采集与管理系统
发布时间：2021-01-22 14:41
2019年7月,公安部交通管理局发布数据,上半年全国机动车保有量达3.4亿辆,其中私家车的数量为1.98亿辆。在其数量日益增长的情况下,如何随时随地的快速完成车辆采集与管理成为交通管理部门的首要任务。因此本文设计了一套面向移动终端的车辆信息采集与管理系统,该系统分为云服务器子系统与智能终端子系统两部分。云服务器子系统主要负责车辆信息管理任务,其中包括:车辆信息添加、单一车辆信息查询、多车辆信息查询和车辆信息删除等。移动终端子系统负责车辆相关信息采集工作,其中采集的车辆信息包括:车牌号码、车辆地理位置、车辆信息被采集时间和车辆信息采集人员ID。其中基于移动终端的车牌号码采集是本文的研究重点,车牌号码采集的获取流程为:车牌检测、车牌矫正、车牌字符分割和车牌字符识别。在面向移动终端的车辆信息采集与管理系统中,本文主要完成的工作如下:在车牌检测任务中,本文采用基于轻量化卷积神经网络的SSD-Mobilenet-v1目标检测算法,并且采用联级检测的思想,通过采用首先检测车辆,随后检测车牌的级联思想有效的降低车牌的漏检率。因为车牌目标是全图占比较小的目标,并且SSD-Mobilenet-v1对小目...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
系统架构图
沈阳工业大学硕士学位论文8图2.2系统模块图Fig.2.2Systemblockdiagram2.3面向智能终端的车辆信息采集子系统设计在移动终端子系统中，主要完成一下以下任务：车辆图像采集、车牌号码采集、车辆地理位置采集、采集时刻、采集人员ID采集、相关信息展示与传输。这些信息是车辆管理的重要依据，所以系统必须具备采集速度快、精度高、信息传输方便快捷等特点。2.3.1车牌号码采集车牌号码是车辆信息采集与管理系统的唯一查询依据，需要识别结果精度高并且速度快，但由于系统搭载于移动终端上，对算法的计算能力与内存等做出了制约。综上多重因素的整合，面向移动终端的车牌采集任务具有一定技术难度。车牌号码采集流程为：车辆检测、车牌检测、车牌矫正、字符分割、字符识别与号码输出，算法整体流程如图2.3所示。车辆检测与车牌检测采用轻量化SSD-Mobilenet-v1目标检测算法，采用该算法主要原因为模型计算量与占据内存空间都很孝更加适合在嵌入式设备中应用。字符分割采用传统机器视觉方法，对分割后的字符进行深度轻量化卷积神经网络图像分类任务，获得最终的车牌号码，完成车牌号码采集任务。
?咏峁梗?进而降低模型整体的参数量，更加接近生物的神经网络，可有效的减少过拟合的现象。局部感知以及权值共享可以有效减少网络参数，提高模型的训练效率，同时卷积层内的多个卷积核提取图像的不同特征，保证算法学习到原始图像中的细节信息[37]。随着卷积神经网络的层数的叠加，越深的卷积层可以获取到的特征就越接近全局特征，通过上述得到结论，增加网络模型的层数是提高性能的一种必要手段。3.3卷积神经网络结构介绍卷积神经网络算法是一种采用监督学习方法的多层神经网络感知器，主要有以下几个大部分构成。具体如图3.1所示[38]，包括是数据输入层，和由n个包含卷积层、池化层以及激活层组合构成的特征提取单元，主要的用途是获取局部信息与特征推理，模型最后为连接层，通常情况下是一个全连接结构的多层感知机分类器，主要用途是将特征提取部分提取的特征融合成全局特征，并对其分类。图3.1卷积神经网路分类结构图Fig.3.1ConvolutionalneuralnetworkclassificationstructurediagramYannLecun最开始将其应用在0到9的手写数字图像分类任务中，并取得了理想的成绩，为神经网络模型在图像领域的发展奠定了基矗3.4卷积神经网络各层介绍3.4.1卷积层在卷积神经网络中，卷积层作为主要的特征提取结构，通常是多个卷积层连续出现，每个卷积层含有多个卷积核，卷积操作如图3.2所示[53]。在普通卷积操作过程中分为以下几个步骤。首先对特征图进行padding操作，即对特征图进行填充，然后在经过填充的特征图上用卷积核矩阵使用固定步长的滑动窗口进行点乘的卷积运算，卷积操作后获得新的特征图，padding存在“SAME”与“VALID”两种方法，“SAME”方
【参考文献】：
期刊论文
[1]基于LeNet-5卷积神经网络的车牌字符识别[J]. 赵艳芹,童朝娣,张恒. 黑龙江科技大学学报. 2019(03)
[2]全球定位系统（GPS）信息采集与处理[J]. 雷洪翔,任爽,吕铎,任天童,朱文頔,吴彦杭. 现代工业经济和信息化. 2018(16)
[3]4G伪基站快速识别与定位分析[J]. 叶林刚. 数字技术与应用. 2018(07)
[4]基于物联网技术的车辆信息采集系统构建[J]. 孟妮. 小型内燃机与车辆技术. 2018(03)
[5]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静. 计算机应用. 2017(07)
[6]基于组合支持向量机的车牌字符识别[J]. 施隆照,强书连. 计算机工程与设计. 2017(06)
[7]卷积神经网络在车牌分类器中的应用[J]. 郭克友,贾海晶,郭晓丽. 计算机工程与应用. 2017(14)
[8]基于4G通信技术的城市智能化停车引导系统的研究[J]. 孙慧婷,杨会玲,王磊,王军. 苏州科技学院学报(工程技术版). 2015(04)
[9]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[10]新一代智能交通系统的技术特点和发展建议[J]. 王笑京. 工程研究-跨学科视野中的工程. 2014(01)
硕士论文
[1]基于深度学习的驾驶员安全带检测[D]. 吴天舒.沈阳工业大学 2019
[2]基于卷积神经网络的车牌识别关键技术的研究与应用[D]. 高攀.北京邮电大学 2019
[3]基于手持车牌识别设备的违停车辆信息管理系统[D]. 姚东卉.山东大学 2018
[4]基于深度学习的车牌字符识别研究[D]. 杨志.安徽大学 2018
[5]基于深度学习的车牌识别关键技术研究[D]. 李朝兵.电子科技大学 2018
[6]基于卷积神经网络的车牌区域检测和车牌字符识别研究[D]. 董峻妃.西华师范大学 2018
[7]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
[8]基于GPS的客运车辆管理系统的设计与实现[D]. 李阳.大连海事大学 2017
[9]基于手持终端的车牌号码识别系统[D]. 赵麒瑞.国防科技大学 2017
[10]车牌识别算法及其在QT平台上的实现[D]. 张庆.北方工业大学 2017
本文编号：2993412
【文章来源】：沈阳工业大学辽宁省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
系统架构图
沈阳工业大学硕士学位论文8图2.2系统模块图Fig.2.2Systemblockdiagram2.3面向智能终端的车辆信息采集子系统设计在移动终端子系统中，主要完成一下以下任务：车辆图像采集、车牌号码采集、车辆地理位置采集、采集时刻、采集人员ID采集、相关信息展示与传输。这些信息是车辆管理的重要依据，所以系统必须具备采集速度快、精度高、信息传输方便快捷等特点。2.3.1车牌号码采集车牌号码是车辆信息采集与管理系统的唯一查询依据，需要识别结果精度高并且速度快，但由于系统搭载于移动终端上，对算法的计算能力与内存等做出了制约。综上多重因素的整合，面向移动终端的车牌采集任务具有一定技术难度。车牌号码采集流程为：车辆检测、车牌检测、车牌矫正、字符分割、字符识别与号码输出，算法整体流程如图2.3所示。车辆检测与车牌检测采用轻量化SSD-Mobilenet-v1目标检测算法，采用该算法主要原因为模型计算量与占据内存空间都很孝更加适合在嵌入式设备中应用。字符分割采用传统机器视觉方法，对分割后的字符进行深度轻量化卷积神经网络图像分类任务，获得最终的车牌号码，完成车牌号码采集任务。
?咏峁梗?进而降低模型整体的参数量，更加接近生物的神经网络，可有效的减少过拟合的现象。局部感知以及权值共享可以有效减少网络参数，提高模型的训练效率，同时卷积层内的多个卷积核提取图像的不同特征，保证算法学习到原始图像中的细节信息[37]。随着卷积神经网络的层数的叠加，越深的卷积层可以获取到的特征就越接近全局特征，通过上述得到结论，增加网络模型的层数是提高性能的一种必要手段。3.3卷积神经网络结构介绍卷积神经网络算法是一种采用监督学习方法的多层神经网络感知器，主要有以下几个大部分构成。具体如图3.1所示[38]，包括是数据输入层，和由n个包含卷积层、池化层以及激活层组合构成的特征提取单元，主要的用途是获取局部信息与特征推理，模型最后为连接层，通常情况下是一个全连接结构的多层感知机分类器，主要用途是将特征提取部分提取的特征融合成全局特征，并对其分类。图3.1卷积神经网路分类结构图Fig.3.1ConvolutionalneuralnetworkclassificationstructurediagramYannLecun最开始将其应用在0到9的手写数字图像分类任务中，并取得了理想的成绩，为神经网络模型在图像领域的发展奠定了基矗3.4卷积神经网络各层介绍3.4.1卷积层在卷积神经网络中，卷积层作为主要的特征提取结构，通常是多个卷积层连续出现，每个卷积层含有多个卷积核，卷积操作如图3.2所示[53]。在普通卷积操作过程中分为以下几个步骤。首先对特征图进行padding操作，即对特征图进行填充，然后在经过填充的特征图上用卷积核矩阵使用固定步长的滑动窗口进行点乘的卷积运算，卷积操作后获得新的特征图，padding存在“SAME”与“VALID”两种方法，“SAME”方
【参考文献】：
期刊论文
[1]基于LeNet-5卷积神经网络的车牌字符识别[J]. 赵艳芹,童朝娣,张恒. 黑龙江科技大学学报. 2019(03)
[2]全球定位系统（GPS）信息采集与处理[J]. 雷洪翔,任爽,吕铎,任天童,朱文頔,吴彦杭. 现代工业经济和信息化. 2018(16)
[3]4G伪基站快速识别与定位分析[J]. 叶林刚. 数字技术与应用. 2018(07)
[4]基于物联网技术的车辆信息采集系统构建[J]. 孟妮. 小型内燃机与车辆技术. 2018(03)
[5]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静. 计算机应用. 2017(07)
[6]基于组合支持向量机的车牌字符识别[J]. 施隆照,强书连. 计算机工程与设计. 2017(06)
[7]卷积神经网络在车牌分类器中的应用[J]. 郭克友,贾海晶,郭晓丽. 计算机工程与应用. 2017(14)
[8]基于4G通信技术的城市智能化停车引导系统的研究[J]. 孙慧婷,杨会玲,王磊,王军. 苏州科技学院学报(工程技术版). 2015(04)
[9]智能交通系统综述[J]. 赵娜,袁家斌,徐晗. 计算机科学. 2014(11)
[10]新一代智能交通系统的技术特点和发展建议[J]. 王笑京. 工程研究-跨学科视野中的工程. 2014(01)
硕士论文
[1]基于深度学习的驾驶员安全带检测[D]. 吴天舒.沈阳工业大学 2019
[2]基于卷积神经网络的车牌识别关键技术的研究与应用[D]. 高攀.北京邮电大学 2019
[3]基于手持车牌识别设备的违停车辆信息管理系统[D]. 姚东卉.山东大学 2018
[4]基于深度学习的车牌字符识别研究[D]. 杨志.安徽大学 2018
[5]基于深度学习的车牌识别关键技术研究[D]. 李朝兵.电子科技大学 2018
[6]基于卷积神经网络的车牌区域检测和车牌字符识别研究[D]. 董峻妃.西华师范大学 2018
[7]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
[8]基于GPS的客运车辆管理系统的设计与实现[D]. 李阳.大连海事大学 2017
[9]基于手持终端的车牌号码识别系统[D]. 赵麒瑞.国防科技大学 2017
[10]车牌识别算法及其在QT平台上的实现[D]. 张庆.北方工业大学 2017
本文编号：2993412
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/2993412.html
