复杂环境下车牌定位的研究与应用

发布时间：2017-04-11 14:06

  本文关键词：复杂环境下车牌定位的研究与应用，由笔耕文化传播整理发布。

【摘要】：车牌定位是车牌识别系统中核心部分,具有较高的研究价值和应用价值。尽管近些年来取得了很大的进展,能够解决特定场景下的车牌定位问题,如交通固定卡口、车库入口和门禁等场景,但仍无法很好地解决低亮度、低分辨率和车辆倾斜等复杂环境下的定位问题。针对这些问题,本文分成了三个部分进行探究：首先对传统的基于灰度二值化图像的车牌定位方法进行了修改和实现,该算法通过将灰度化图像分成网格分块,对每一网格块进行阈值计算并完成二值化操作,获得的二值化图像中车牌字符较为清晰,利用笔画跳变和连通区域检索方法获得初步车牌候选区域,最后基于神经网络对车牌候选区域进行分类,将候选区域中非车牌进行剔除,利用该方法漏检率较高,无法完成在复杂场景下车牌定位问题,仅利用专家系统进行复杂场景下车牌定位工作行不通。为了解决这个问题,本文提出了基于卷积神经网络来进行车牌定位的方法,设计并实现了一种新的全卷积神经网络模型,通过回归车牌角点的方式准确地进行车牌定位。主要过程为将车牌区域两角点作为卷积神经网络模型回归的目标对象。由于本文设计的模型不含全连接层,保证了本模型能够处理任意尺度的图像。为了保证模型训练的有效性,本文设计了车牌和车辆标注系统,并对45,000幅图像进行人工标注。在模型训练前对标注的图像随机进行平移、缩放、旋转和加噪,以增加训练样本的数量和多样性。在本文构建的卡口图像数据集和复杂环境数据集上与灰度二值化车牌定位和基于边缘检测车牌定位算法方法进行了比较,验证了基于角点回归的全卷积神经网络车牌定位方法在复杂环境下的有效性。基于回归角点的车牌定位模型的方法存在较多误检情况,本文提出了基于车辆定位和车牌空间信息的方法辅助进行车牌定位,车辆定位方法同样基于全卷积神经网络,以车辆为前景的二值化图像作为模型回归目标对象,根据车辆位置来进行过滤车牌候选区域。同时基于同一辆车上车牌空间信息和车牌定位模型计算出的角点置信值大小对非车牌区域进行过滤。通过实验证明,采用了辅助定位方式的车牌定位算法精度更高,误检率更低,适合作为车牌定位辅助策略。总之,本文通过对传统方法改进实验总结出该方法并不能解决复杂场景下车牌定位问题后,主要采用了基于深度卷积神经网络方式,设计并实现了基于角点回归全卷积神经网路偶的车牌定位系统,并利用基于车辆定位和车牌空间信息作为辅助策略进行车牌精确定位,通过实验证明本文提出方法在复杂场景下效果良好,鲁棒性较高,且在时间复杂度上达到实时效果。
【关键词】：卷积神经网络 车牌定位 深度学习 角点回归 复杂环境 车辆定位 数据增强 灰度二值化
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• Abstract5-14
• 第一章 绪论14-20
• 1.1 研究目的和意义14-15
• 1.2 国内外研究现状15-16
• 1.3 主要研究方法和复杂环境概述16-17
• 1.4 相关工作17-18
• 1.5 本文章节安排18-20
• 第二章 基于灰度二值化车牌定位算法20-33
• 2.1 车牌定位研究背景20
• 2.2 灰度二值化定位算法20-32
• 2.2.1 网格二值化和水平跳变计数21-23
• 2.2.3 连通区域检测算法和车牌字符区域合并23-29
• 2.2.4 基于神经网络模型车牌进行分类29-32
• 2.3 实验结果与分析32
• 2.4 本章小结32-33
• 第三章 基于角点回归车牌定位算法33-47
• 3.1 基于传统方法车牌定位存在的问题与分析33-34
• 3.2 基于角点回归的全卷积神经网络模型设计34-37
• 3.2.1 基本概念34-35
• 3.2.2 模型结构说明35-37
• 3.3 模型训练解析37-38
• 3.4 实验结果与分析38-45
• 3.4.1 标注系统设计与实现38-41
• 3.4.2 数据集41
• 3.4.3 实验设置41-42
• 3.4.4 实验42-45
• 3.5 本章小结45-47
• 第四章 多策略融合的车牌定位算法实现47-65
• 4.1 基于角点回归全卷积神经网络的车牌定位问题解析47
• 4.2 基于卷积神经网络的车辆定位方法47-61
• 4.2.1 车辆定位模型设计47-52
• 4.2.2 数据采集与增强52-55
• 4.2.3 训练与测试55-61
• 4.3 基于置信值和空间信息滤除误检车牌算法61-63
• 4.3.1 基于空间关系与置信值判别车牌候选区域方法62-63
• 4.4 多策略融合车牌定位算法设计与实现63-64
• 4.5 本章小结64-65
• 第五章 总结与展望65-67
• 参考文献67-70
• 致谢70-72
• 攻读硕士学位期间发表的论文72-73
• 攻读硕士学位期间参加的科研项目73

【相似文献】

中国期刊全文数据库 前10条

1 刘泉,谢鸣,钟珞;灰色理论的改良种子算法在车牌定位中的应用[J];武汉理工大学学报;2002年02期

2 袁宝民,金一粟,于万波,魏小鹏;基于移差扫描和窗口搜索的车牌定位方法[J];计算机工程;2003年14期

3 郭大波,陈礼民,卢朝阳,韩丽萍;基于车牌底色识别的车牌定位方法[J];计算机工程与设计;2003年05期

4 曹华,张宏,童勤业;复杂性算法在汽车车牌定位中的应用研究[J];工业控制计算机;2004年04期

5 王润民;钱盛友;;一种基于能量滤波和小波的车牌定位方法[J];光电子·激光;2006年09期

6 勾丽杰;郑玉兴;兰静;;基于粒子群的车牌定位识别的神经网络方法[J];辽宁省交通高等专科学校学报;2007年02期

7 高翠云;江朝晖;薛明;;一种改进的车牌定位算法[J];计算机技术与发展;2007年11期

8 赵全友;潘保昌;郑胜林;陈箫枫;;一种由粗到精的快速车牌定位算法[J];电视技术;2007年11期

9 陈昌涛;张玲;何伟;李刚;;基于车牌色彩变化特征的车牌定位方法[J];计算机应用研究;2008年12期

10 马玺;胡泽;;车牌定位关键技术的研究[J];仪器仪表用户;2008年01期

中国重要会议论文全文数据库 前10条

1 李孟歆;吴成东;曹阳;;基于旋转差分投影的混合车牌定位方法[A];2008’“先进集成技术”院士论坛暨第二届仪表、自动化与先进集成技术大会论文集[C];2008年

2 许礼武;许伦辉;;基于小波分解的车牌定位算法[A];第一届中国智能交通年会论文集[C];2005年

3 黄文楷;孙季丰;;基于灰度图像的车牌定位算法的研究[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 毕思娟;吴晓娟;尚峰;亓磊;;基于色彩分割及信息融合的车牌定位方法[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

5 古智超;孙季丰;;复杂背景下的车牌定位与快速分割算法[A];第十三届全国图象图形学学术会议论文集[C];2006年

6 韩立明;王波涛;;一种改进的灰度跳变车牌定位方法[A];2009全国虚拟仪器大会论文集（二）[C];2009年

7 李艳洪;邹俊忠;张见;雷江震;;基于小波特征提取的车牌定位方法[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年

8 侯培国;赵静;刘明;;基于小波变换和行扫描的车牌定位方法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

9 徐文宇;白廷柱;蒋晓瑜;;一种基于字符纹理分析的车牌定位方法[A];中国光学学会2010年光学大会论文集[C];2010年

10 曹陆军;;一种基于灰度差阈值的快速车牌定位方法[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

中国博士学位论文全文数据库 前1条

1 李波;基于图像分析的车辆识别与跟踪若干关键技术研究[D];华中科技大学;2011年

中国硕士学位论文全文数据库 前10条

1 杨松;一种实用的车牌定位系统的研究[D];昆明理工大学;2015年

2 史忠翰;车标自动精确定位算法研究[D];北京理工大学;2015年

3 陈佳;基于形态学的车牌定位方法的研究与应用[D];南华大学;2015年

4 蒋婧婧;车辆视频信息采集及身份识别系统设计[D];南京邮电大学;2015年

5 周霖;智能停车场系统及管理的研究[D];武汉工程大学;2015年

6 刁丽芳;基于ZedBoard的车牌定位与字符识别系统设计与实现[D];东北大学;2014年

7 郜伟;复杂环境下车牌定位的研究与应用[D];安徽大学;2016年

8 许远昂;车牌定位算法与车尾灯定位研究[D];西安电子科技大学;2008年

9 张晓;复杂背景下的车牌定位系统设计[D];西安电子科技大学;2009年

10 国庆;车牌定位算法的研究[D];重庆大学;2010年

  本文关键词：复杂环境下车牌定位的研究与应用，由笔耕文化传播整理发布。

，

本文编号：299239