基于深度学习的车牌定位与识别方法研究与实现

发布时间：2022-01-08 17:06

　　随着城市交通流量的不断增加和城市的快速发展,车牌定位与识别系统被广泛用于车辆监控、违法犯罪行为打击、交通车辆管制等民用和军用领域。传统的车牌定位与识别算法由于需要人为设计图像特征和调节分类器参数,因而难以适应不同应用场景下的车牌定位与识别需求。近年来随着深度学习技术的发展,基于深度学习的目标检测与识别算法具有抗干扰能力强、能够同时适应多种场景需求的优点。为了实现车牌精确高效率的定位与识别,本文基于深度学习技术对车牌定位与识别做了以下研究,具体工作如下:（1）为了实现图像中车牌目标的实时精确定位,本文设计了一个深度可分离卷积多尺度车牌定位模型。具体地,为了提高模型的检测速度,采用深度可分离卷积,设计了一个深度可分离卷积特征提取网络,用于提取图像的特征。此外,为了使模型对车牌目标具有一定的针对性,根据车牌的特点设计了12个不同宽高的锚点框,并在4个不同尺度的特征图上对车牌目标进行定位。实验结果表明,该模型不仅能够准确定位图像中的车牌目标,还在一定程度上解决了现有深度目标检测模型的实时性差以及小目标错检漏检等问题。（2）为了实现车牌字符的准确识别,本文将车牌字符识别看作字符序列识别任务,设计... 

【文章来源】：河南大学河南省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

车牌定位效果

基于深度学习的车牌定位与识别方法研究与实现28（e）过度曝光下车牌定位效果图3-8车牌定位效果由图3-8可以看出，本文设计的深度可分离卷积多尺度车牌定位模型能够定位出有一定倾斜角度、目标车牌颜色与车身颜色接近、光线不足的夜晚、过度曝光等多种条件下的车牌，从而说明了其在复杂场景中具有较好的鲁棒性，证明了模型的有效性。为了定量说明本文设计的深度可分离卷积多尺度车牌定位模型的有效性，在测试集上将本文车牌定位模型与FasterR-CNN、SSD、YOLOv3进行对比实验。四种模型的P-R曲线图如3-9所示。其中，绿色实线为本文设计的车牌定位模型的P-R曲线，蓝色虚线为YOLOv3的P-R曲线，红色虚线为SSD的P-R曲线，黄色实线为FasterR-CNN的P-R曲线。从图3-9可以看出，本文车牌定位模型P-R曲线包围的面积，明显大于FasterR-CNN、SSD和YOLOv3模型P-R曲线包围的面积，从而证明了本文车牌定位模型的有效性。图3-9FasterR-CNN、SSD、YOLOv3和本文车牌定位模型的P-R曲线

【参考文献】：
期刊论文
[1]车牌号码松弛模板匹配方法[J]. 陈斌,游志胜.  计算机应用. 2001(S1)
[2]基于连通域的模板匹配法用于字符识别的算法研究[J]. 郭晓松,孔祥玉,杨必武.  计算机工程与应用. 2000(12)
[3]基于样本线搜索和霍夫变换的区域定位算法[J]. 王昱,赵正校,杨硕.  红外与激光工程. 1999(04)

硕士论文
[1]多场景交通视频目标检测系统设计与实现[D]. 李嘉宸.河南大学 2019
[2]基于Matlab的车牌识别系统的研究[D]. 陈鼎.南昌大学 2018



本文编号：3576945