复杂背景下车牌识别算法研究与实现

发布时间：2022-01-19 22:07

　　随着经济的迅速发展,人民的物质需求与生活水平逐年提升,这促使交通需求也不断提高。机动车作为重要的出行工具,其保有量更是逐年上升。随之而来的交通管理压力也日益增大,智能交通系统的研究迫在眉睫,而车牌识别系统作为其核心部分,更是研究的重点。目前为止,国内外研究的车牌识别技术在高清静止的场景中已经较为成熟,能解决一般自然场景下的车牌识别问题,如停车场进出系统、高速公路收费系统等。但在复杂场景中,如雨雾天气、光照不均等情况下,现有的技术在整体识别率不高,适用性不强。因此,复杂背景下的车牌识别技术仍然面临着巨大的挑战。本论文为了解决这一问题,结合复杂场景的特点,应用近年来大热的深度学习理论,设计了基于深度学习的端到端车牌识别模型,该模型由若干卷积层、候选区域提取网络、感兴趣区域池化层以及用于车牌识别的RNN网络组成。在一次端到端的传输过程中能同时完成车牌定位和车牌字符识别两项工作,简化了系统工作流程,提高了车牌识别的速度。首先,对传统车牌识别技术进行了深入研究,传统车牌识别系统由车牌定位、字符分割和字符识别组成,目前为止,每一部分的准确率都能做到很高,但是复杂的流程与各个算法之间不够紧密的衔接导... 

【文章来源】：成都理工大学四川省

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

车牌识别技术实际应用

(c) 模糊车牌 (d) 脏车牌图 1-2 复杂背景图1.4 论文主要内容及工作1.4.1 主要内容根据对复杂背景特征的分析结果，首先对复杂背景下的车辆图像进行清晰化预处理，提高夜晚或雨雾天气的亮度以及对比度，对运动模糊图像进行去模糊处理；然后基于深度学习端到端的思想设计车牌识别系统模型，直接进行车牌检测，在检测到的车牌提案上进行字符识别；最后将模型封装成一个软件。车牌识别系统主要由两个核心算法组成，分别是车牌检测和车牌识别。车牌检测问题通常是车牌识别问题的第一步，该部分利用卷积神经网络（ConvolutionNeural Network，CNN）对图像中的车牌部分进行底层特征提取，得到候选区域提案，接着从所有的车牌候选区域提案中标记出真正的车牌区域。然后利用时序

车牌尺寸与比例

【参考文献】：
期刊论文
[1]基于形态学与颜色信息的车牌定位新方法[J]. 罗山,李玉莲.  山西电子技术. 2018(05)
[2]基于数学形态学和颜色统计的车牌定位方法[J]. 李忠海,梁书浩,杨超.  科技风. 2018(07)
[3]基于垂直投影法的涉车案件车牌字符分割研究[J]. 叶超,王震,王震.  内蒙古公路与运输. 2018(01)
[4]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)
[5]基于多特征组合的车牌识别算法[J]. 王洪元,刘忠杰,刘爱萍.  常州大学学报(自然科学版). 2010(04)
[6]基于投影和固有特征结合的车牌字符分割方法[J]. 陈涛,杨晨晖,青波.  计算机技术与发展. 2009(05)
[7]基于彩色分割的车牌自动识别技术[J]. 赵雪春,戚飞虎.  上海交通大学学报. 1998(10)

硕士论文
[1]复杂背景下车牌识别算法的研究与实现[D]. 徐凯.电子科技大学 2017
[2]基于同态滤波的图像增强算法研究[D]. 程新.西安邮电大学 2016
[3]车牌定位及字符分割算法的研究与实现[D]. 谢伟生.西南交通大学 2010



本文编号：3597643