基于深度学习的复杂环境下车牌及轮毂图像识别算法研究

发布时间：2024-07-06 22:45

　　自21世纪以来,社会科技发展迅速,越来越多的行业正在使用计算机来替代人类进行复杂或者困难的工作。交通行业中的汽车牌照因可以查阅车主和车辆的登记信息,在行驶过程中经常会被检测和记录。计算机检测车牌方法能够从拍摄的包含汽车的照片中提取出车牌图像,之后再根据该图像得出具体的数字和文字信息。而不同的车辆轮毂的样式往往不同,在较小的限制区域可以将轮毂的纹理等特点看成该车辆的唯一特征来区别其他机动车辆。传统的方法主要使用图像处理的方法进行车牌轮毂的定位和分割,最后进行识别,因该方法定位易受环境影响产生误差、不易检测较小尺度目标。故本文使用新型的深度学习方法,利用改进过的Faster RCNN网络对车牌和轮毂进行定位检测。本文首先对传统的车牌轮毂的检测算法进行整理和分析,实验分析其结论以得出该类算法的优缺点。之后研究深度学习的Faster RCNN网络,使用该网络针对目标及道路行驶的特点对网络进行优化和改进。原有的Faster RCNN首先运用CNN卷积神经网络提取特征图、接下来用RPN网络提取region proposals锚区域、之后的roi pooling操作对所有的锚区域重新定义大小、最后送...

【文章页数】：76 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题的选题背景和意义
    1.2 本课题国内外研究现状
    1.3 深度学习技术简析
        1.3.1 深度学习技术发展及现状
        1.3.2 深度学习技术主要应用
    1.4 本文主要研究内容及内容安排
        1.4.1 本文内容安排
        1.4.2 研究重点及难点
    1.5 本章的组织结构
第2章 传统车牌轮毂识别算法
    2.1 引言
    2.2 传统车牌识别方法
        2.2.1 图像灰度化
        2.2.2 基于Canny算子边缘检测
        2.2.3 图像腐蚀处理
        2.2.4 聚类填充图像
        2.2.5 根据行列像素和标记车牌
    2.3 传统轮毂识别方法
        2.3.1 YCbCr色彩空间
        2.3.2 形态学闭运算
        2.3.3 k-means聚类算法
        2.3.4 基于形状特点过滤
    2.4 传统车牌轮毂方法优缺点
    2.5 本章小结
第3章 Faster RCNN概述
    3.1 Faster RCNN定义
    3.2 Faster R-CNN基本框架
        3.2.1 卷积神经网络中各层主要作用
        3.2.2 区域建议网络RPN
        3.2.3 VGG卷积神经网络
        3.2.4 Anchors
        3.2.5 ROI池化层的作用与原理
    3.3 本章小结
第4章 基于Faster RCNN的车牌检测算法
    4.1 锚框anchor优化
    4.2 分类回归优化
    4.3 损失函数
        4.3.1 分类损失
        4.3.2 回归损失
    4.4 本章小结
第5章 实验检测结果及算法性能
    5.1 数据集VOC19
    5.2 实验环境准备
    5.3 实验结果与深度学习网络对比分析
    5.4 实验结果与传统算法对比分析
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢



本文编号：4002746