基于卷积神经网络的污损遮挡号牌分类

发布时间：2021-03-10 13:32

　　作为智能交通的重要组成部分之一,车牌识别在人们的日常生活中发挥着不可替代的作用,例如,生活中违规车辆常常因号牌污损或者故意遮挡等来躲避处罚,进一步加大了执法的难度,因此提高污损或遮挡车牌的识别效率依然是当今自动识别系统中的一项至关重要的任务。文中主要集中解决遮挡号牌的识别问题,其主要分为正常号牌、部分遮挡号牌、完全遮挡号牌以及未悬挂4种情况。传统的OCR算法在汉字、字符以及数字之间的识别上具有很高的准确性,当将其运用到识别车牌上后,虽然在正常号牌和部分遮挡号牌的检测上也都体现出了很好的识别效果,但对全部遮挡和未悬挂车牌的识别效果依然很差,随着人工智能的发展,使得其在全部遮挡和未悬挂号牌的识别上也能有更好的效果。因此,结合传统算法的优点,采用OCR技术并结合现今的深度学习算法,优化对污损车牌的识别效果。 

【文章来源】：计算机科学. 2020,47(S1)北大核心

【文章页数】：7 页

【部分图文】：

系统框图

算法部分主要实现违法遮挡号牌的识别。违法遮挡号牌分为部分遮挡号牌、全部遮挡号牌和未悬挂号牌3种。实验采用传统OCR算法和卷积神经网络算法相结合的方法,实现对违法遮挡号牌的分类,具体实现流程如图2所示。整个系统的数据主要来自网络,实验中车辆号牌一共分为4类:正常号牌、部分遮挡号牌、未悬挂车牌和完全遮挡号牌。该系统分为如下两个部分:

首先,采用Docker技术将模型算法打包成镜像。在宿主机上安装和部署Docker以及调用CUDA和显卡的驱动程序,从镜像仓库中拉取所要部署环境的基础运行环境系统镜像Ubuntu16.04,在镜像层上创建可读写文件层即容器,利用容器的映射功能和网络共享功能,可在容器中快速部署算法、安装环境依赖等。其次,在Jetson Tx2上安装和部署Doc-ker,将宿主机上打包的镜像移植到Tx2上,最终完成模型在Tx2的部署和安装。3 基于OCR的正常与部分遮挡号牌识别

【参考文献】：
期刊论文
[1]基于深度学习的图片中商品参数识别方法[J]. 丁明宇,牛玉磊,卢志武,文继荣.  软件学报. 2018(04)
[2]卷积神经网络分类模型在模式识别中的新进展[J]. 胡正平,陈俊岭,王蒙,赵淑欢.  燕山大学学报. 2015(04)



本文编号：3074742