基于深度学习的智能交通元素检测与识别
发布时间：2021-11-08 01:53
智能交通是智慧城市不可或缺的一部分,是未来交通系统的首要发展方向。本文研究智能交通中最为重要的三大元素——车牌、车型和交通标志在真实场景下的检测与识别,并针对这些智能交通元素在检测与识别过程中鲁棒性不够、模型对不均衡训练数据效果不佳、模型选择困难、小目标检测与识别效果较差等问题,在视觉特征、模型理论和目标检测框架等方面提出了多个解决办法,本文的主要工作包括:(1)针对高分辨率视频下车牌识别存在实时性较差和在监控场景下车牌检测与识别鲁棒性不高等问题,本文提出了基于Epanechikov核和帧自适应的运动检测方法,在运动区域进行车牌检测,并在此基础上提出了基于AFRD的帧滑动算法,在不降低准确率的前提下提升车牌检测算法对视频流的处理速度。为了提高车牌检测的鲁棒性,本文在充分利用车牌颜色特性和几何特征的同时,利用最大稳定极值区域的车牌检测法对其进行有效的补充,得到了准确的结果。针对车牌字符识别特征单一问题,本文提出了基于显式特征分类器与隐式特征分类器融合的方法,并在此模型的基础上提出了一种基于显示特征和隐式特征融合的模型,提高了字符识别的鲁棒性。(2)针对车型识别数据集中数据不均衡,不同类别...
【文章来源】： 福州大学福建省 211工程院校
【文章页数】：75 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 论文的主要内容
1.4 章节安排
第二章 监控场景下的鲁棒车牌检测与识别算法
2.1 车牌检测与识别算法总体工作原理
2.2 基于Epanechikov核和帧滑动的车辆快速检测
2.2.1 Epanechikov核密度估计自适应快速车辆检测方法
2.2.2 基于AFRD的帧滑动算法
2.3 基于形态学、颜色和MSER的车牌检测方法
2.3.1 图像预处理
2.3.2 基于形态学的车牌检测方法
2.3.3 基于颜色的车牌检测方法
2.3.4 基于MSER的车牌文字检测方法
2.3.5 基于形态学和连通域的车牌筛选
2.3.6 基于SVM的车牌二元分类
2.3.7 多方法检测融合
2.4 基于隐式特征和显式特征融合的字符识别方法
2.4.1 问题定义
2.4.2 投影分割法和连通域法相结合的字符分割方法
2.4.3 卷积神经网络
2.4.4 多层次特征分类器融合
2.4.5 多层次特征融合
2.5 实验
2.5.1 实验设置
2.5.2 实验结果
2.5.3 实验结果分析
2.6 小结
第三章 基于数据均衡和鲁棒策略的车型检测与识别
3.1 R-FCN
3.2 基于目标检测的数据集自动获取与标注
3.2.1 数据获取策略
3.2.2 数据标注自动策略
3.3 基于数据均衡和鲁棒策略的R-FCN
3.3.1 数据均衡的R-FCN
3.3.2 鲁棒均衡策略的R-FCN
3.4 实验
3.4.1 实验设置
3.4.2 实验结果
3.4.3 结果展示
3.5 小结
第四章 基于图像和特征金字塔的Faster-RCNN的交通标志检测与识别
4.1 Faster-RCNN
4.2 基于特征金字塔的Faster-RCNN
4.3 基于图像金字塔的Faster-RCNN
4.4 实验
4.4.1 实验设置
4.4.2 实验结果
4.4.3 结果展示
4.5 小结
第五章 结论与展望
5.1 总结
5.2 展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]Faster-RCNN的车型识别分析 [J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[2]基于PSO-BP神经网络的车牌号码识别技术 [J]. 吴志攀,赵跃龙,罗中良,杜华英. 中山大学学报(自然科学版). 2017(01)
[3]基于Haar特性的LBP纹理特征 [J]. 周书仁,殷建平. 软件学报. 2013(08)
[4]基于最近邻链的车牌检测算法 [J]. 苗立刚. 自动化学报. 2011(10)
[5]基于AdaBoost和帧间特征的人数统计 [J]. 文嘉俊,徐勇,战荫伟. 中国图象图形学报. 2011(09)
[6]视觉跟踪技术综述 [J]. 侯志强,韩崇昭. 自动化学报. 2006(04)
[7]高性能的车牌识别系统(英文) [J]. 刘济林,宋加涛,丁莉雅,马洪庆,李培弘. 自动化学报. 2003(03)
[8]关于统计学习理论与支持向量机 [J]. 张学工. 自动化学报. 2000(01)
本文编号：3482764
【文章来源】： 福州大学福建省 211工程院校
【文章页数】：75 页
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.3 论文的主要内容
1.4 章节安排
第二章 监控场景下的鲁棒车牌检测与识别算法
2.1 车牌检测与识别算法总体工作原理
2.2 基于Epanechikov核和帧滑动的车辆快速检测
2.2.1 Epanechikov核密度估计自适应快速车辆检测方法
2.2.2 基于AFRD的帧滑动算法
2.3 基于形态学、颜色和MSER的车牌检测方法
2.3.1 图像预处理
2.3.2 基于形态学的车牌检测方法
2.3.3 基于颜色的车牌检测方法
2.3.4 基于MSER的车牌文字检测方法
2.3.5 基于形态学和连通域的车牌筛选
2.3.6 基于SVM的车牌二元分类
2.3.7 多方法检测融合
2.4 基于隐式特征和显式特征融合的字符识别方法
2.4.1 问题定义
2.4.2 投影分割法和连通域法相结合的字符分割方法
2.4.3 卷积神经网络
2.4.4 多层次特征分类器融合
2.4.5 多层次特征融合
2.5 实验
2.5.1 实验设置
2.5.2 实验结果
2.5.3 实验结果分析
2.6 小结
第三章 基于数据均衡和鲁棒策略的车型检测与识别
3.1 R-FCN
3.2 基于目标检测的数据集自动获取与标注
3.2.1 数据获取策略
3.2.2 数据标注自动策略
3.3 基于数据均衡和鲁棒策略的R-FCN
3.3.1 数据均衡的R-FCN
3.3.2 鲁棒均衡策略的R-FCN
3.4 实验
3.4.1 实验设置
3.4.2 实验结果
3.4.3 结果展示
3.5 小结
第四章 基于图像和特征金字塔的Faster-RCNN的交通标志检测与识别
4.1 Faster-RCNN
4.2 基于特征金字塔的Faster-RCNN
4.3 基于图像金字塔的Faster-RCNN
4.4 实验
4.4.1 实验设置
4.4.2 实验结果
4.4.3 结果展示
4.5 小结
第五章 结论与展望
5.1 总结
5.2 展望
参考文献
致谢
个人简历、在学期间的研究成果及发表的学术论文
【参考文献】：
期刊论文
[1]Faster-RCNN的车型识别分析 [J]. 桑军,郭沛,项志立,罗红玲,陈欣. 重庆大学学报. 2017(07)
[2]基于PSO-BP神经网络的车牌号码识别技术 [J]. 吴志攀,赵跃龙,罗中良,杜华英. 中山大学学报(自然科学版). 2017(01)
[3]基于Haar特性的LBP纹理特征 [J]. 周书仁,殷建平. 软件学报. 2013(08)
[4]基于最近邻链的车牌检测算法 [J]. 苗立刚. 自动化学报. 2011(10)
[5]基于AdaBoost和帧间特征的人数统计 [J]. 文嘉俊,徐勇,战荫伟. 中国图象图形学报. 2011(09)
[6]视觉跟踪技术综述 [J]. 侯志强,韩崇昭. 自动化学报. 2006(04)
[7]高性能的车牌识别系统(英文) [J]. 刘济林,宋加涛,丁莉雅,马洪庆,李培弘. 自动化学报. 2003(03)
[8]关于统计学习理论与支持向量机 [J]. 张学工. 自动化学报. 2000(01)
本文编号：3482764
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3482764.html
