自然场景下基于深度学习的车牌识别方法研究
发布时间：2021-06-27 10:15
作为智能交通系统的重要组成部分,自动车牌识别技术一直是计算机视觉领域的研究热点。随着深度学习技术的发展,平安城市、无人驾驶等领域对车牌识别技术新需求的提出,以及智能手机、移动终端设备拍摄得到的复杂车牌图像所带来挑战的升级,车牌识别面临着新的挑战,同时也带来了新的研究契机。近年来,针对车牌识别的研究层出不穷,但大多数方法未能全面细致地分析自然场景下车牌图像的特点。基于传统特征的方法识别速度较快,但多用于受控条件下的车牌图像,对于场景变化因素鲁棒性不强;基于深度学习的方法通过对大量样本进行训练学习,能够在多变的自然环境中表现出更好的效果,但很少考虑到自然场景下车牌变形不规则的问题,存在很大的改进空间。自然场景下复杂环境的干扰、车牌图像质量参差不齐、车牌形状变形不规则和不同国家的设计规则等影响因素的存在,使得车牌识别具有非常大的挑战性。为了提升自然场景下车牌识别的整体识别效果,本文充分考虑车牌的形状特征,提出了一种自然场景下变形车牌检测模型DLPD-Net,并在此基础上提出了一个完整的车牌检测与识别系统。本文的主要工作如下:（1）针对车牌识别方法进行了总结与分析。详细描述并分析了近年来的车牌...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
车辆的基本信息Figure1.1Basicinformationofavehicle
第一章绪论3升使得人们生活的各方各面都变得越来越便利，如远程沟通、移动支付和图像拍摄等，同时也使得人们不再局限于摄像头这一单一的拍摄设备，导致图像拍摄场景将变得更加广泛，角度更加多样，拍摄到的图像也会随之变得更加复杂。无人驾驶的发展与车牌图像采集设备的多样化势必将对车牌识别提出更多的需求与更高的挑战，在这些因素的推动下，ALPR技术的研究工作面临着以下的困难与挑战：（1）图像质量参差不齐。由于拍摄设备不同，不同的相机、手机拍摄得到的车牌图像分辨率或高或低，如图1.2(a)所示。（2）复杂环境影响。图像中存在诸如建筑标志、商铺招牌和广告语等复杂背景干扰因素；强光条件下会导致车牌图像对比度较差，弱光条件下无法保证有可借助的辅助光源，导致车牌图像细节丢失，难以确定车牌颜色；车牌图像易受雨雪等恶劣天气的影响，如图1.2(b)所示。（3）拍摄距离与视角不固定。现实ALPR应用中采集设备的多样性，如利用手机或移动交通执法终端进行车牌识别时，其拍摄距离与视角并不确定，因此导致车牌在图像中的占比与角度不固定，甚至会发生扭曲，导致车牌图像存在各种不规则的变形，如图1.2(c)所示。（4）不同国家间车牌设计规则不同。不同国家或地区的车牌其底色、尺寸、文字及文字排列规则有所不同，如图1.2(d)所示。图1.2自动车牌检测与识别技术难点Figure1.2Thedifficultiesinautomaticlicenseplatedetectionandrecognitiontechnology综上所述，自动车牌识别技术在智能交通系统、平安城市中均发挥着重要作用，而无人驾驶的发展与车牌图像采集设备的多样化对车牌识别提出了更高的挑
合肥工业大学学术硕士研究生学位论文4战，这些挑战都需要自动车牌识别技术的进一步发展，为车牌识别技术带来了新的研究契机。1.2国内外研究现状ALPR的任务是在图像中寻找和识别车牌，通常分为三个子任务：车辆检测、车牌检测和车牌字符识别。首先通过车辆检测子任务获取图像中的车辆区域，然后利用车牌检测子任务将车牌区域图像从车辆区域中抓取出来，再通过车牌字符识别子任务识别车牌区域图像中的字符，最后排列得到最终的车牌号码，如图1.3所示，出于保护个人隐私考虑，图中车辆与车牌并不对应。下面将从车辆检测、车牌检测和车牌字符识别三个方面来分析ALPR技术的国内外研究现状。图1.3自动车牌检测与识别技术通用流程Figure1.3Generalprocedureofautomaticlicenseplatedetectionandrecognitiontechnology1.2.1车辆检测车辆检测是自动车牌识别的第一步，利用车牌均悬挂于车辆前侧或后侧这一先验知识，在检测车牌前首先定位车辆所在位置能够有效降低车牌检测的难度、提升车牌检测的准确率。车辆常常作为目标检测任务中的基础目标，因此利用现有的目标检测模型实现对车辆的检测是简单且有效的。传统目标检测算法中，研究人员大都通过三个阶段实现对目标的检测：区域选择、特征提取和分类。由于目标可能存在于图像中任意位置，且目标大小与长宽比也不固定，因此传统算法常采用滑动窗口的策略穷举出所有目标可能出现的位置，再使用LBP[1]、HOG[2]或SIFT[3]等手工描述子提取特征，最后使用SVM[4]或AdaBoost[5]分类器对提取到的特征进行分类。但是这种策略时间复杂度太高，容易产生大量的冗余窗口，严重影响算法的速度和性能，使得目标检测的发展一度陷入瓶颈。2012年，AlexKrizhevsky提出的AlexNet[6]在ImageNet[7]赛事?
【参考文献】：
期刊论文
[1]计算机多尺度辅助定位车牌算法[J]. 魏亭,邱实,李晨,王锐. 电子学报. 2018(09)
[2]多信息融合的快速车牌定位[J]. 王永杰,裴明涛,贾云得. 中国图象图形学报. 2014(03)
博士论文
[1]深度学习模型的高效训练算法研究[D]. 陈凯.中国科学技术大学 2016
本文编号：3252656
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
车辆的基本信息Figure1.1Basicinformationofavehicle
第一章绪论3升使得人们生活的各方各面都变得越来越便利，如远程沟通、移动支付和图像拍摄等，同时也使得人们不再局限于摄像头这一单一的拍摄设备，导致图像拍摄场景将变得更加广泛，角度更加多样，拍摄到的图像也会随之变得更加复杂。无人驾驶的发展与车牌图像采集设备的多样化势必将对车牌识别提出更多的需求与更高的挑战，在这些因素的推动下，ALPR技术的研究工作面临着以下的困难与挑战：（1）图像质量参差不齐。由于拍摄设备不同，不同的相机、手机拍摄得到的车牌图像分辨率或高或低，如图1.2(a)所示。（2）复杂环境影响。图像中存在诸如建筑标志、商铺招牌和广告语等复杂背景干扰因素；强光条件下会导致车牌图像对比度较差，弱光条件下无法保证有可借助的辅助光源，导致车牌图像细节丢失，难以确定车牌颜色；车牌图像易受雨雪等恶劣天气的影响，如图1.2(b)所示。（3）拍摄距离与视角不固定。现实ALPR应用中采集设备的多样性，如利用手机或移动交通执法终端进行车牌识别时，其拍摄距离与视角并不确定，因此导致车牌在图像中的占比与角度不固定，甚至会发生扭曲，导致车牌图像存在各种不规则的变形，如图1.2(c)所示。（4）不同国家间车牌设计规则不同。不同国家或地区的车牌其底色、尺寸、文字及文字排列规则有所不同，如图1.2(d)所示。图1.2自动车牌检测与识别技术难点Figure1.2Thedifficultiesinautomaticlicenseplatedetectionandrecognitiontechnology综上所述，自动车牌识别技术在智能交通系统、平安城市中均发挥着重要作用，而无人驾驶的发展与车牌图像采集设备的多样化对车牌识别提出了更高的挑
合肥工业大学学术硕士研究生学位论文4战，这些挑战都需要自动车牌识别技术的进一步发展，为车牌识别技术带来了新的研究契机。1.2国内外研究现状ALPR的任务是在图像中寻找和识别车牌，通常分为三个子任务：车辆检测、车牌检测和车牌字符识别。首先通过车辆检测子任务获取图像中的车辆区域，然后利用车牌检测子任务将车牌区域图像从车辆区域中抓取出来，再通过车牌字符识别子任务识别车牌区域图像中的字符，最后排列得到最终的车牌号码，如图1.3所示，出于保护个人隐私考虑，图中车辆与车牌并不对应。下面将从车辆检测、车牌检测和车牌字符识别三个方面来分析ALPR技术的国内外研究现状。图1.3自动车牌检测与识别技术通用流程Figure1.3Generalprocedureofautomaticlicenseplatedetectionandrecognitiontechnology1.2.1车辆检测车辆检测是自动车牌识别的第一步，利用车牌均悬挂于车辆前侧或后侧这一先验知识，在检测车牌前首先定位车辆所在位置能够有效降低车牌检测的难度、提升车牌检测的准确率。车辆常常作为目标检测任务中的基础目标，因此利用现有的目标检测模型实现对车辆的检测是简单且有效的。传统目标检测算法中，研究人员大都通过三个阶段实现对目标的检测：区域选择、特征提取和分类。由于目标可能存在于图像中任意位置，且目标大小与长宽比也不固定，因此传统算法常采用滑动窗口的策略穷举出所有目标可能出现的位置，再使用LBP[1]、HOG[2]或SIFT[3]等手工描述子提取特征，最后使用SVM[4]或AdaBoost[5]分类器对提取到的特征进行分类。但是这种策略时间复杂度太高，容易产生大量的冗余窗口，严重影响算法的速度和性能，使得目标检测的发展一度陷入瓶颈。2012年，AlexKrizhevsky提出的AlexNet[6]在ImageNet[7]赛事?
【参考文献】：
期刊论文
[1]计算机多尺度辅助定位车牌算法[J]. 魏亭,邱实,李晨,王锐. 电子学报. 2018(09)
[2]多信息融合的快速车牌定位[J]. 王永杰,裴明涛,贾云得. 中国图象图形学报. 2014(03)
博士论文
[1]深度学习模型的高效训练算法研究[D]. 陈凯.中国科学技术大学 2016
本文编号：3252656
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3252656.html
最近更新
教材专著
