基于深度学习的车牌检测识别研究

发布时间：2021-08-19 18:55

　　在监控场景下的车牌自动检测识别技术是智能交通系统中的关键技术,新能源车辆车牌的出现带来了新的车牌检测识别问题,此外,因自然环境以及监控设备等因素的影响,采集到的车牌图像既有清晰的高质量图像,也有模糊的低质量图像,因此对于不同质量的车牌图像,都需要设计出能够正确提取车牌信息的检测算法。本文着眼于此,针对不同质量监控视频下车牌检测识别问题,以及现有车牌检测识别技术所存在的不足,对监控场景下的传统车牌和新能源车牌检测识别问题进行深入研究与实现,主要工作如下:（1）提出了一种基于监控视频的新能源车牌检测方法,建立新能源车辆车牌样本库。通过构建的全卷积神经网络自上而下逐层提取车牌不同“粒度”特征,再自下而上进行上采样融合每层的特征,然后根据融合的特征产生基于不同置信度的候选框,并根据不同置信度分配不同权重值给对应的候选框,最后合并得到在监控场景中定位率较高的新能源车牌检测模型。实验结果表明,采用全卷积神经网络的车牌检测方法,相比于其他使用单一特征的方法准确率更高,漏检率明显较低,同时对传统车牌的检测定位准确率也有很大程度的提升。（2）实现了一阶段式的不定长车牌号码识别技术。本文的车牌识别模型无需... 

【文章来源】：南京邮电大学江苏省

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

论文结构图

现有车牌检测定位技术车牌检测定位的目的，在于在一张车辆图片中找出车牌的位置，通常来说是指在图片上利用大小合适的矩形框来框选出车牌图像区域，如图2.1所示。现有的车牌检测定位算法大致可分为基于颜色、几何形状、边缘、字符等传统特征的车牌检测算法和基于学习特征的车牌检测算法。(a)新能源车牌检测定位(b)传统蓝色车牌检测定位图2.1车牌检测定位示意图

[52]。最大稳定极值区域算法的基本原理如图2.6所示，图2.6中的曲线幅度值表示灰度值，不同的颜色表示不同的区域，在某一区域中，当灰度值从最小的灰度值h0慢慢增大到hr，该区域的面积 变化幅度(dA1dr，A1为二值图像图中封闭区域的面积，r为灰度阈值)不大。当灰度阈值超过hr时，A1区域将和A2区域融合在一起

【参考文献】：
期刊论文
[1]图像识别技术在城市交通管理中的应用研究[J]. 张明生,高微子.  信息与电脑(理论版). 2018(06)
[2]深度学习在车牌定位中的研究[J]. 赵莉,白猛猛,雷松泽,计雪薇.  计算机应用研究. 2018(10)
[3]卷积神经网络在车牌分类器中的应用[J]. 郭克友,贾海晶,郭晓丽.  计算机工程与应用. 2017(14)
[4]基于神经网络的分阶车牌字符识别算法研究[J]. 李珊珊,李一民,郭真真.  工业仪表与自动化装置. 2016(02)
[5]基于SVM和BP神经网络的车牌识别系统[J]. 曾泉,谭北海.  电子科技. 2016(01)
[6]基于卷积神经网络SLeNet5的车牌识别方法[J]. 张立,朱玉全,陈耿.  信息技术. 2015(11)
[7]HSV空间和形态学处理相结合的车牌定位方法[J]. 苗姣姣,徐望明.  电视技术. 2015(05)
[8]基于小波核LS-SVM的车牌字符识别算法研究[J]. 方承志,周品,付世清.  计算机技术与发展. 2015(03)
[9]基于BP神经网络的车牌字符识别算法研究[J]. 欧阳俊,刘平.  光学与光电技术. 2012(05)
[10]基于CNN彩色图像边缘检测的车牌定位方法[J]. 刘万军,姜庆玲,张闯.  自动化学报. 2009(12)

硕士论文
[1]深度学习算法在车牌识别系统中的应用[D]. 刘峥强.电子科技大学 2016



本文编号：3351959