面向非卡口的多车牌定位与识别技术的研究与实现

发布时间：2025-01-17 11:21

　　近年来,智能交通应用越来越广泛。车牌作为车辆的唯一标识,车牌的定位和识别是智能交通系统的主要内容。传统的面向卡口场景的车牌定位和识别技术难以适用新的需求。非卡口的多车通行场景下,场景多样性和成像质量低的问题,使得车牌的定位和识别面临更多的困难与挑战。随着深度学习的发展,车牌的定位与识别技术取得了长足的进步。本文旨在解决非卡口多车通行场景下的车牌定位和识别问题。对于车牌定位,本文使用基于深度卷积神经网络的两阶段检测算法。首先本文设计的面向车牌的候选框生成网络,通过深度卷积神经网络计算的特征图,在特征图上生成面向车牌的高质量和多尺度候选框。然后再通过回归网络,计算候选框的分类和位置回归。对于双排字符的车牌识别,本文提出了一种基于深度学习的端到端的序列识别网络。该网络通过重组深度卷积神经网络计算的特征图,使得特征图具有时序特性,通过循环层和转录层对序列特征图进行识别。对于车牌识别训练集中汉字字符与英文数字字符严重失衡问题,本文设计了一种双循环转录网络。对于序列特征图,网络通过两个分支分别计算汉字字符和英文数字字符。最终,通过车牌设计的先验知识,得到最终的识别结果。实验结果表明,与现有的算法相比...

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

图2.2图像视为数字数组

２．１．２网络构建块??ＣＮＮ架构包括若干构建块，例如卷积层，池化层和全连接层等。典型的体系??结构包括重复堆叠的若干卷积层和池化层，然后是一个或多个完全连接的层。输??入数据通过这些层转换为输出的步骤称为前向传播。本节中描述的卷积和合并操??作是针对２Ｄ－ＣＮＮ的，但是也可以针....

图２－３?ＲｅＬｕ激活函数??

ｆ（ｘ）?＝?ｍａｘ（ｘ，?０）?（２－２）??ＲｅＬＵ激活函数如图２－３所示：??Ｒｅｌｕ?Ｆｕｎｃｔｉｏｎ??１４?－??１２?－??〇－？?’??－１００?－７．５?－５－０?－２．５?０．０?２．５?５．０?７．５?１０．０??图２－３?ＲｅＬｕ激活函数??（２）池化层?....

图２－４?ＬｅＮｅｔ－５网络结构［２０］??

由几家银行应用于识别支票上的手写数字。处理更大尺寸图像的能力需要更复杂??的卷积层，因此该技术受到可用计算资源的限制。ＬｅＮｅｔ－５网络结构为之后的网??络发展提供了基础，如图２－４所示是ＬｅＮｅｔ－Ｓ的网络结构图。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠１０ｘ１０??ＩＮＰＵＴ?Ｃ１....

图２－５?ＡｌｅｘＮｅｔ网络结构【２３１??

的ＬｅＮｅｔ版本，并赢得了?ＩｍａｇｅＮｅｔ竞争。ＡｌｅｘＮｅｔ明显优于所有的竞争对手，??并通过将错误率从２６％减少到１５．３％来赢得挑战，排名第二名的错误率约为??２６．２％，远低于ＡｌｅｘＮｅｔ的表现。如图２－５所示是ＡｌｅｘＮｅｔ的网络结构。??Ｔｔ：炉‘?＼?１３?ｄｅ....

本文编号：4027993