基于深度学习的污损车牌检测与识别关键技术研究

发布时间：2020-07-14 11:51

【摘要】：车牌识别技术作为智能交通系统的一个重要环节,在道路信息监控、停车场管理和高速公路管理等场景中得到了广泛应用。目前正常环境下的车牌识别已经达到了较高的准确率,但在一些环境恶劣的区域(如港口),容易造成车牌污损(如车牌附着污泥,字符断连等情况),此时车牌识别率会受到较大影响。本文研究污损车牌检测与识别的关键技术,将车牌识别过程分为车牌定位、车牌修复和车牌识别,并在结合深度学习理论的基础上,采用端到端的方法(即去除车牌字符分割操作,直接将车牌输入进行识别)来解决污损车牌识别率低的问题。本文主要工作如下:(1)针对传统方法在检测车牌形变及背景复杂情况下定位率低的问题,本文采用基于改进的最大极值稳定区域(Maximally Stable Extremal Regions,MSER)和车牌定位卷积神经网络(License Plate Location-Convolutional Neural Network,LPL-CNN)结合的车牌定位方法。首先利用改进的MSER文字提取算法进行车牌粗定位,该方法能较好地保留图像中的字符区域,剔除非字符区域;然后设计车牌筛选网络LPL-CNN进行车牌精定位,该网络接收全像素输入,多维度获取车牌特征。实验结果表明,车牌定位的准确率达到了99.1%,改进后的定位算法准确率得到了提升。(2)针对目前图像修复算法在处理污损车牌图像时存在边缘修复不连续和效率不高问题,本文提出一种纹理块与梯度特征相结合的改进算法。新算法从两个方面进行改进:针对最优匹配块,加入梯度计算,优化匹配块的选择及预编辑,提高与环境的融合效果;采用了一种新的更新填充前端方案,提高修复效率。实验结果表明,PSNR和SSIM指标均有所提升,所提出的算法具有较好的计算效率,视觉感知方面具有更好的边缘连续性。(3)针对车牌分割带来的不准确问题,本文采用基于车牌识别卷积神经网络(License Plate Recognition-Convolutional Neural Network,LPR-CNN)和双向循环神经网络(Bi-directional Recurrent Neural Networks,BiRNN)的车牌端到端识别方法。首先采用LPR-CNN提取车牌字符的静态局部特征和全局特征,建立高层特征和底层像素的位置关系;然后采用BiRNN捕获图像上下文信息,得到概率估计序列;最后通过基于连接时序分类(Connectionist Temporal Classification,CTC)的文字解码方法,将概率估计序列变换成字符串。实验结果表明,车牌识别准确率达到了95.4%,本文提出的方法能提升污损车牌的识别率。(4)论文最后对每个模块进行实验及分析,并将模块进行整合,实现污损车牌识别原型系统。该原型系统平均定位准确率为98.7%,平均识别准确率为97.0%,平均整体识别准确率为95.8%,表明本文污损车牌识别方法在准确率上有一定的提升,达到实用化效果。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TP183;U495
【图文】：

车牌,示例,车辆号牌,半挂牵引车

（a）单字符部分遮挡（b）字符断裂图 1-1 车牌污损示例研究的主要应用场景，是港口区域内地磅采集处的车辆号牌型及以上载货汽车、半挂牵引车、专项作业车和一般小型汽

网络结构图,网络结构,加速计,过拟合

图 1-2 LeNet 网络结构AlexNet 是 Geoffrey 和他学生 Alex 在 2012 年 ImageNet 的竞赛中提出的较于 LeNet，AlexNet 主要的优点有：a) 通过对网络进行扩展（其中包括卷和全连接层）；b) 同时采用 Dropout 等方法解决过拟合问题；c) GPU 加速计

网络结构图,网络结构,结合特征,图象识别

图 1-3 AlexNet 网络结构N 网络在图像识别中应用最为广泛，CNN 将图像直接作为网络复杂的人工特征提取和数据构建过程，该网络充分结合特征学对图象识别更具有效性[6]。

【相似文献】