基于深度学习的车牌精准定位研究

发布时间：2022-02-10 02:53

　　车牌识别技术是构建智能交通管理系统中重要的组成部分,其中车牌定位的研究是实现车牌识别的关键一步。传统的车牌定位算法受周围环境因素影响较大,比如含有遮挡的车牌、阴干天气、不同颜色的车牌等都会对车牌定位的准确度产生很大影响。本文提出了一种深度学习的方法来实现车牌的精准定位,与传统车牌识别算法相比,在光照、遮挡、非车牌区域噪音等方面,具有较好的鲁棒性和准确性,为后续车牌字符的分割与识别奠定了良好的基础。本文对车牌识别的研究主要包含以下内容:传统车牌定位算法的深入研究,分析了各个算法在车牌定位时的流程以及各自的优缺点。基于边缘特征定位方法对图像中噪音方面较为敏感,特别是遇到相似纹理特征或图像中其他干扰因素时,其车牌的定位错误率较高;基于颜色特征定位方法能简单的描述车牌图像中颜色的分布,对图像区域的大小和方向变化不太敏感,所以不能很好的提取车牌局部特征;基于数学形态学的多特征定位方法是对传统的数学形态学算法的改进,可以与颜色、边缘特征等车牌定位算法相结合,使得该算法具有多特征性,有效的提高了车牌定位的运算速度和准确度。本文重点研究了基于深度学习的车牌定位算法,阐述了深度学习框架,介绍了实验环境搭... 

【文章来源】：新疆大学新疆维吾尔自治区211工程院校

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

一个简单的卷积神经网络

图 2-3 池化层的操作数络中我们使用激化函数主要目的是提高建模能力一个神经网络都是通过线性来进行卷积操作和全用线性映射来表达，模型的有效性很难都到保证函数后，卷积神经网络才能够通过这种非线性数在卷积神经网络中具有重要的作用。以下是深——它将实数值压缩至 0 到 1 之间，可以在预测为：1( )1xxe

图 2-4 Sigmoid 函数—当 x<0 时，输出为 0，当 x>0 时，输出为 x。相函数能够使网络更快速的收敛，而不会饱和。其f ( x ) max(0, x)

【参考文献】：
期刊论文
[1]颜色与边缘纹理相结合的车牌定位方法[J]. 陈宏照,谢正光,卢海伦.  现代电子技术. 2018(21)
[2]一种基于GMP-LeNet网络的车牌识别方法[J]. 林哲聪,张江鑫.  计算机科学. 2018(S1)
[3]基于相邻像素差异值的车牌定位算法[J]. 韦玉科,欧阳发.  计算机工程与设计. 2018(05)
[4]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[5]基于复杂天气条件的车牌图像定位方法研究[J]. 张晶,吕少胜,卢智嘉,王现彬,姜海洋.  电视技术. 2017(06)
[6]基于连通区域的复杂车牌的字符分割算法[J]. 施隆照,王凯.  计算机工程与设计. 2016(08)
[7]多特征融合的车牌定位算法[J]. 杨硕,张波,张志杰.  计算机应用. 2016(06)
[8]结合视觉特性与灰度拉伸的直方图均衡化红外图像算法[J]. 万智萍.  计算机工程与设计. 2016(03)
[9]车牌识别技术在智能交通中的应用[J]. 张建雄.  中国公共安全. 2013(09)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)

硕士论文
[1]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
[2]适用于智能停车场的车牌识别系统的研究[D]. 陈元正.浙江工业大学 2015
[3]基于SVM的车牌字符识别算法研究与实现[D]. 杨旭.南京邮电大学 2012
[4]车牌识别系统中车牌定位与字符分割技术的研究[D]. 冯慧娜.中北大学 2011



本文编号：3618121