基于深度学习的非限定视角下车牌检测方法研究

发布时间：2023-02-25 23:03

　　车牌检测与识别在智能交通系统中有很重要的作用,是车辆精细化识别、车牌识别等处理的必要前提。所以研究复杂非限定场景下的车牌检测与定位具有重要的意义。近年来,车牌检测受到社会各界的关注,而且也在实际应用中取得了很好的效果。但是由于各种恶劣的条件影响,在实际场景应用中仍然很难满足实际应用的各种要求。因此,如何有效改善车牌检测算法的精度和速度,对于智能交通系统的发展有着非常重要的意义。本文针从提升车牌检测算法的精度和速度两个方面进行了研究,主要工作如下:(1)目前的车牌检测模型都是对光照条件比较好,视角单一的场景应用比较好,对于非限定视角下的车牌检测仍然存在许多问题。为了解决这一问题,本文提出一种基于扩张卷积注意力模块。该模块首先将基础特征提取网络输出的特征图做三个不同大小扩张率的卷积操作,并将产生的特征图融合后输出;然后再对基础特征提取网络输出的特征图做通道和空间双重关注,最后再将产生特征图融合。同时,由于目前公开的数据集大多类型单一、数量太少且视角固定,不具有普适性。因此本文又提出了一种基于三维场景渲染合成车牌数据的方法。该算法利用三维场景建模模拟车牌在现实环境中光照强度、角度以及距离的变...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 研究的现状
    1.3 本文主要研究内容
    1.4 论文内容与章节安排
第二章 相关算法与理论介绍
    2.1 深度学习介绍
        2.1.1 深度学习概念介绍
        2.1.2 前向与反向传播
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 池化层
    2.3 基于区域候选框的目标检测方法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
    2.4 基于回归的目标检测方法
        2.4.1 YOLO
        2.4.2 SSD
    2.5 车牌检测的相关方法
    2.6 本章小结
第三章 基于扩张卷积注意力模块的车牌检测
    3.1 引言
    3.2 相关工作
        3.2.1 数据合成方法
        3.2.2 多尺度扩张卷积特征融合与注意力机制
    3.3 车牌数据集合成方法
        3.3.1 数据集渲染
        3.3.2 车牌合成算法流程
        3.3.3 车牌视点分布
        3.3.4 光照强度与角度
        3.3.5 车牌数据自动标注
    3.4 基于扩张卷积注意力机制的车牌检测
        3.4.1 网络模型整体结构
        3.4.2 多尺度扩张卷积特征融合模块
        3.4.3 注意力机制模块
        3.4.4 损失函数
    3.5 实验结果与分析
        3.5.1 实验环境
        3.5.2 实验数据集
        3.5.3 对比实验
        3.5.4 消融实验结果分析
    3.6 本章小结
第四章 基于深度可分离卷积MobileNetv2 的车牌检测
    4.1 引言
    4.2 相关工作
    4.3 MobileNetv2 网络
        4.3.1 倒置残差结构
        4.3.2 MobileNetv2 网络结构
    4.4 SSD目标检测算法
        4.4.1 使用多尺度特征图
        4.4.2 先验框策略
    4.5 基于MobileNetv2 网络的车牌检测
        4.5.1 网络结构介绍
        4.5.2 损失函数
        4.5.3 算法流程
    4.6 实验结果及分析
        4.6.1 实验环境配置
        4.6.2 实验数据集组建
        4.6.3 对比实验分析
        4.6.4 实验结果
    4.7 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文
致谢



本文编号：3749358