对抗生成训练样本用于复杂环境下车牌端到端识别

发布时间：2021-10-24 09:53

　　车牌ID作为各种智能交通系统建设需求的关键信息之一。目前,绝大多数车牌识别算法仅在确定的常规场景下有效,对于实际环境中一些不确定因素影响,如雾霾、雨雪等恶劣天气,车辆高速运动导致采集车牌模糊,车牌拍摄环境光线黑暗或强光,监控设备像素低、位置倾斜等导致车牌模糊、倾斜以及人为车牌字符涂抹或部分遮挡等涉车犯罪活动等,车牌识别系统识别准确度较低。同时车牌类型多,如:新能源车牌（8位字符）、港澳车牌等,大部分算法仅支持特定类别的车牌识别,难以满足实际应用需求。虽然近年来基于深度学习的车牌识别系统在一定程度上提高了车牌识别性能,但目前该类算法仍存在一些缺点,如:依赖大量标记数据、需字符分割或标签对齐等。因此,针对上述问题,本文以深度学习方法为基础,研究内容主要包括以下三点:（1）良好的深度模型依赖大量真实标记样本而人工标记成本高,本文提出一种新的样本生成及增强策略,仅采用少量的标记数据,在CycleGAN的基础上改进,引入“特征一致性”损失函数,模型GAN-Plate可生成大量逼真的车牌样本。（2）为提高复杂环境下的车牌识别的鲁棒性,本文设计了一种新的端到端车牌识别模型Incep-PlateNet... 

【文章来源】：广东工业大学广东省

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

平均池化过程

| | 图 2-4 平均池化过程Fig. 2-4 Average pooling process，一般取区域内所有神经元的最大值，计算公式（2.3），其神经元的激活值。如下图 2-5 所示所示，对于红、绿、黄、蓝池化即选择其中最大的值保留作为输出，参数量减少为原来 =

图 2-6 CNN 典型结构Fig. 2-6 The architecture of classical CNN.2 循环神经网络循环神经网络（Recurrent Neural Network, RNN）可以建模时间序列数据之间的性，同时对于具有一定时间间隔的序列具有短期记忆功能。RNN 通过使用带自的神经元，即神经元不但可以接受其它神经元的信息，也可接受自身的信息具有回路的网络结构，可以处理任意长度的时序数据。如图 2-7 为一个简单的循环神经网络，假设在时刻¨时，网络的输入为 ，隐藏态为 ，不仅和当前时刻的输入 有关也和上一个时刻的隐层状态 有关，即（2.10），其中 ( )为非线性激活函数，通常为 tanh 函数或 logistic 函数， 为-状态权重矩阵， 为状态-输入权重矩阵， 为偏置。 = ( ) (2.10

【参考文献】：
期刊论文
[1]基于深度学习神经网络的车牌字符识别技术的研究[J]. 王晶.  工业控制计算机. 2017(03)
[2]基于多尺度模板匹配和部件模型的车牌字符分割方法[J]. 裴明涛,王永杰,贾云得,郭志强.  北京理工大学学报. 2014(09)
[3]基于连通域提取的车牌字符分割算法[J]. 甘玲,林小晶.  计算机仿真. 2011(04)
[4]基于投影特征值的车牌字符分割算法[J]. 迟晓君,孟庆春.  计算机应用研究. 2006(07)
[5]利用Hough变换和先验知识的车牌字符分割算法[J]. 张云刚,张长水.  计算机学报. 2004(01)
[6]一种模板匹配和神经网络的车牌字符识别方法[J]. 王敏,黄心汉,魏武,李炜.  华中科技大学学报. 2001(03)

硕士论文
[1]低质量监控视频中的车牌识别技术研究与实现[D]. 李宇琦.南京邮电大学 2018
[2]基于深度信念网络的车牌字符识别算法研究与实现[D]. 朱宏吉.浙江大学 2015



本文编号：3455068