卷积神经网络在多路网络视频流车牌识别中的研究及应用
发布时间：2022-01-27 11:13
随着社会的快速发展与人们生活水平的显著提高,汽车拥有量日益剧增,为保障公民的安全出行以及方便对道路车流的监管,市场上已经构建了强大的视频监控系统。然而对于能直接应用于现存监控视频的车牌识别系统的研究相对较少,因此对于视频流的车牌实时识别的研究具有一定的发展前景。本文应用基于卷积神经网络的目标识别算法YOLO9000,设计了一套多路网络视频流的车牌智能识别系统,可直接应用于现有的城市监控视频中,对于收费系统、交通监控、停车场管理等实际应用有重大的实用价值。与传统的车牌识别算法相比,本研究采用深度学习的方法减少了输入图像的预处理、字符特征提取等步骤,并且允许样本数据存在一定程度的缺损,实现了多尺度图像、小目标以及多目标的检测。运用改进YOLO9000网络模型可以同时实现车牌检测与字符分割,具有良好的容错、并行处理和自学习能力,对于应用环境复杂多变的车牌识别问题更具优势,解决了传统方法速度慢的问题。经过测试,对于车牌检测、字符分割以及字符识别的精度分别达到了98.9%、97.16%与97%,具有较好的识别效果。本文设计的车牌识别系统,首先应用VLC播放IP摄像头分发的多路网络视频流,进行实时...
【文章来源】：深圳大学广东省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
典型卷积神经网络图
卷积神经网络在多路网络视频流车牌识别中的研究与应用10图2-3Softmax函数图2.2.2R-CNN算法随着基于卷积神经网络的目标识别算法的不断发展优化，目前运用最广泛的目标识别算法为R-CNN、FasterR-CNN、SSD和YOLO四种。R-CNN[39][40][41]算法是进行目标检测的第一个深度学习模型，是卷积神经网络在目标检测领域开创式的应用，在公开数据集VOC2012的应用中将平均精度（meanaverageprecision，mAP）[42]提升了23.3%。R-CNN的实现分为候选区域分割（RegionProposals）、特征提取和分类三个阶段。第一阶段对每一张输入图片采用SelectiveSearch算法生成2000个左右的候选区域，采用合并超像素生成候选区域，降低了算法的复杂度；第二阶段利用卷积神经网络提取目标图像卷积特征，将上一阶段生成的2000个左右候选区域归一化处理为227*227像数的特征图谱，再对每一个候选区域进行复杂的卷积计算，计算完毕之后将全连接层的输出结果作为候选区域的特征信息；第三阶段采用基于支持向量机的分类方法，根据特征将原始数据进行最大间隔的划分，最终达到分类的预期效果。R-CNN对于每帧图像的处理需要47s，处理速度无法满足实时识别的需求。2.2.3FasterR-CNN算法FasterR-CNN[43][44][45]是基于R-CNN与FastR-CNN的优化版，将原来的候选区域的支持向量机分类器改为Softmax分类器，把候选区域的提取集成到统一的网络中，形成
卷积神经网络在多路网络视频流车牌识别中的研究与应用11了特征提取与分类联合训练的端到端的检测模型。FasterR-CNN还采用SelectiveSearch算法生成候补区域，与R-CNN相比无需对每个候选区域进行同样的卷积计算，每一帧图像只完成一次卷积过程，通过特殊的映射方法将所有的候选区域映射为特征图谱，减少了计算量。FasterR-CNN的输出为分类结果与预测框的位置，这种端到端联合训练模式不仅仅共享了输入与参数而且加快了训练速度，并且FasterR-CNN避免了支持向量机分类器训练后产生的图像形变，具有比R-CNN与FastR-CNN更好的识别效果。如果仅仅考虑识别的最终效果与准确度，FasterR-CNN完全满足目标检测精度的要求，但由于存在全连接层而导致检测速度相对较慢，为了满足交通监管中对车牌实时检测的需求，SSD与YOLO[46]在实时性上有更大的优势。2.2.4SSD算法SSD使用的VGG-16[47]的基础网络模型,其网络框架设计是FasterR-CNN和YOLO两框架的结合，SSD去掉了全连接层，与FasterR-CNN相比去掉比较耗时的RPN阶段，处理速度获得极大的提升。如图2-4所示，SSD网络结构在conv8_2,conv9_2,conv_10_2,pool_11，conv4_3,conv_7上添加特征图谱的检测过程，将选取的特征图谱分为m×n块，利用AnchorBox机制在选取的特征图谱上生成B个不同尺寸的候选区域，将不同层次的候选区域进行分类与回归，最后通过非极大值抑制输出最后的目标检测区域。SSD算法的识别效果极度依赖BoundingBox的大小，导致在小物体目标检测上精度不够，究其原因是因为小物体在经过多层卷积之后所保留的信息量很少。在实际应用中，由于车牌信息的采集角度问题，导致分割后的字符尺度很小，所以SSD模型在车牌识别中处理此类现象效果不佳。图2-4SSD网络结构图
【参考文献】：
期刊论文
[1]智慧城市要有自主成长性[J]. 仇保兴. 建设科技. 2018(03)
[2]一种基于深度学习的新型小目标检测方法[J]. 陈江昀. 计算机应用与软件. 2017(10)
[3]大数据背景下智能交通系统发展综述[J]. 庄家荣. 农家参谋. 2017(12)
[4]基于背景减除法的视频序列运动目标检测[J]. 刘仲民,何胜皎,胡文瑾,李战明. 计算机应用. 2017(06)
[5]车牌识别技术在智能交通中的应用与发展趋势[J]. 陈佳浩. 电子测试. 2017(04)
[6]基于模板匹配和局部HOG特征的车牌识别算法[J]. 高聪,王福龙. 计算机系统应用. 2017(01)
[7]基于区域特征融合的RGBD显著目标检测[J]. 杜杰,吴谨,朱磊. 液晶与显示. 2016(01)
[8]复杂背景中基于颜色及边缘分布特征的车牌定位算法[J]. 马明祥. 黑龙江科技信息. 2015(21)
[9]基于联合直方图的运动目标检测算法[J]. 贾建英,董安国. 计算机工程与应用. 2016(05)
[10]基于背景和帧间差分法的运动目标提取[J]. 熊英. 计算机时代. 2014(03)
硕士论文
[1]基于PCA和网格特征的车牌识别算法研究[D]. 王瑜.西安电子科技大学 2013
[2]车牌识别系统的相关算法研究与实现[D]. 刘同焰.华南理工大学 2012
[3]车牌自动识别系统中字符分割算法的研究与实现[D]. 殷松松.南京邮电大学 2012
[4]车牌识别系统设计及基于改进SVM的字符识别研究[D]. 郑彬彬.厦门大学 2008
本文编号：3612378
【文章来源】：深圳大学广东省
【文章页数】：59 页
【学位级别】：硕士
【部分图文】：
典型卷积神经网络图
卷积神经网络在多路网络视频流车牌识别中的研究与应用10图2-3Softmax函数图2.2.2R-CNN算法随着基于卷积神经网络的目标识别算法的不断发展优化，目前运用最广泛的目标识别算法为R-CNN、FasterR-CNN、SSD和YOLO四种。R-CNN[39][40][41]算法是进行目标检测的第一个深度学习模型，是卷积神经网络在目标检测领域开创式的应用，在公开数据集VOC2012的应用中将平均精度（meanaverageprecision，mAP）[42]提升了23.3%。R-CNN的实现分为候选区域分割（RegionProposals）、特征提取和分类三个阶段。第一阶段对每一张输入图片采用SelectiveSearch算法生成2000个左右的候选区域，采用合并超像素生成候选区域，降低了算法的复杂度；第二阶段利用卷积神经网络提取目标图像卷积特征，将上一阶段生成的2000个左右候选区域归一化处理为227*227像数的特征图谱，再对每一个候选区域进行复杂的卷积计算，计算完毕之后将全连接层的输出结果作为候选区域的特征信息；第三阶段采用基于支持向量机的分类方法，根据特征将原始数据进行最大间隔的划分，最终达到分类的预期效果。R-CNN对于每帧图像的处理需要47s，处理速度无法满足实时识别的需求。2.2.3FasterR-CNN算法FasterR-CNN[43][44][45]是基于R-CNN与FastR-CNN的优化版，将原来的候选区域的支持向量机分类器改为Softmax分类器，把候选区域的提取集成到统一的网络中，形成
卷积神经网络在多路网络视频流车牌识别中的研究与应用11了特征提取与分类联合训练的端到端的检测模型。FasterR-CNN还采用SelectiveSearch算法生成候补区域，与R-CNN相比无需对每个候选区域进行同样的卷积计算，每一帧图像只完成一次卷积过程，通过特殊的映射方法将所有的候选区域映射为特征图谱，减少了计算量。FasterR-CNN的输出为分类结果与预测框的位置，这种端到端联合训练模式不仅仅共享了输入与参数而且加快了训练速度，并且FasterR-CNN避免了支持向量机分类器训练后产生的图像形变，具有比R-CNN与FastR-CNN更好的识别效果。如果仅仅考虑识别的最终效果与准确度，FasterR-CNN完全满足目标检测精度的要求，但由于存在全连接层而导致检测速度相对较慢，为了满足交通监管中对车牌实时检测的需求，SSD与YOLO[46]在实时性上有更大的优势。2.2.4SSD算法SSD使用的VGG-16[47]的基础网络模型,其网络框架设计是FasterR-CNN和YOLO两框架的结合，SSD去掉了全连接层，与FasterR-CNN相比去掉比较耗时的RPN阶段，处理速度获得极大的提升。如图2-4所示，SSD网络结构在conv8_2,conv9_2,conv_10_2,pool_11，conv4_3,conv_7上添加特征图谱的检测过程，将选取的特征图谱分为m×n块，利用AnchorBox机制在选取的特征图谱上生成B个不同尺寸的候选区域，将不同层次的候选区域进行分类与回归，最后通过非极大值抑制输出最后的目标检测区域。SSD算法的识别效果极度依赖BoundingBox的大小，导致在小物体目标检测上精度不够，究其原因是因为小物体在经过多层卷积之后所保留的信息量很少。在实际应用中，由于车牌信息的采集角度问题，导致分割后的字符尺度很小，所以SSD模型在车牌识别中处理此类现象效果不佳。图2-4SSD网络结构图
【参考文献】：
期刊论文
[1]智慧城市要有自主成长性[J]. 仇保兴. 建设科技. 2018(03)
[2]一种基于深度学习的新型小目标检测方法[J]. 陈江昀. 计算机应用与软件. 2017(10)
[3]大数据背景下智能交通系统发展综述[J]. 庄家荣. 农家参谋. 2017(12)
[4]基于背景减除法的视频序列运动目标检测[J]. 刘仲民,何胜皎,胡文瑾,李战明. 计算机应用. 2017(06)
[5]车牌识别技术在智能交通中的应用与发展趋势[J]. 陈佳浩. 电子测试. 2017(04)
[6]基于模板匹配和局部HOG特征的车牌识别算法[J]. 高聪,王福龙. 计算机系统应用. 2017(01)
[7]基于区域特征融合的RGBD显著目标检测[J]. 杜杰,吴谨,朱磊. 液晶与显示. 2016(01)
[8]复杂背景中基于颜色及边缘分布特征的车牌定位算法[J]. 马明祥. 黑龙江科技信息. 2015(21)
[9]基于联合直方图的运动目标检测算法[J]. 贾建英,董安国. 计算机工程与应用. 2016(05)
[10]基于背景和帧间差分法的运动目标提取[J]. 熊英. 计算机时代. 2014(03)
硕士论文
[1]基于PCA和网格特征的车牌识别算法研究[D]. 王瑜.西安电子科技大学 2013
[2]车牌识别系统的相关算法研究与实现[D]. 刘同焰.华南理工大学 2012
[3]车牌自动识别系统中字符分割算法的研究与实现[D]. 殷松松.南京邮电大学 2012
[4]车牌识别系统设计及基于改进SVM的字符识别研究[D]. 郑彬彬.厦门大学 2008
本文编号：3612378
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3612378.html
