复杂条件下基于CNN的车牌识别方法研究

发布时间：2023-03-30 01:24

　　随着社会的进步和科技的发展,汽车的保有量也在不断增加。过多的汽车使城市的交通拥堵现象日益严重,因此城市中的智能交通管理越来越重要,而车牌识别作为智能交通管理的重要组成部分,一直都是研究热点。目前,在正常条件下,车牌的识别准确率较高,但是在强弱光照、旋转畸变、运动模糊等复杂条件下车牌识别准确率偏低,针对以上复杂条件下的车牌识别问题,本文将卷积神经网络(Convolution Neural Networks,CNN)应用于车牌的识别,并通过调整网络参数,训练产生适合复杂条件下车牌识别的卷积神经网络。之后,对具体的各种复杂条件,采用不同的图像增强方法,进一步提高识别的准确率。主要工作如下:针对车牌图像在复杂条件下定位不准确的问题,提出一种多特征融合的车牌定位方法。将处理后的图像分别采用基于HSV二值化的行定位和基于OTSU二值化的列定位进行车牌定位处理,解决了普通定位算法中,定位不准确、定位边界模糊不清的问题,为之后的车牌字符识别提供良好的基础。针对传统车牌识别算法存在字符分割过程中产生大量误差,影响车牌字符识别准确率的问题,将卷积神经网络应用于车牌字符识别。该过程直接将车牌整体输入到卷积神...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 选题背景与意义
    1.2 车牌识别的研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 中国车牌特点和识别难点
    1.3 本文的主要工作
    1.4 本文的组织结构
    1.5 本章小结
第二章 卷积神经网络相关研究
    2.1 人工神经网络
        2.1.1 神经元的结构
        2.1.2 前馈神经网络
        2.1.3 前馈神经网络的训练方法
    2.2 卷积神经网络
        2.2.1 典型结构
        2.2.2 训练算法
        2.2.3 实现框架
    2.3 本章小结
第三章 车牌定位方法研究
    3.1 引言
    3.2 常见的车牌定位算法
        3.2.1 基于纹理特征的车牌定位
        3.2.2 基于颜色特征的车牌定位
        3.2.3 基于神经网络的车牌定位
    3.3 本文的车牌定位算法
        3.3.1 彩色图像降噪处理
        3.3.2 灰度化处理
        3.3.3 颜色空间转换
        3.3.4 二值化处理
        3.3.5 形态学处理
        3.3.6 基于HSV二值化的行定位
        3.3.7 基于OTSU二值化的列定位
    3.4 实验结果
    3.5 本章小结
第四章 基于卷积神经网络的车牌识别
    4.1 引言
    4.2 常见的车牌字符识别算法
        4.2.1 基于模板匹配的识别算法
        4.2.2 基于支持向量机的识别算法
        4.2.3 基于传统人工神经网络的识别算法
    4.3 本文的车牌字符识别算法
    4.4 实验与结果分析
        4.4.1 数据集与实验环境
        4.4.2 CNN网络深度对车牌识别精度的影响
        4.4.3 卷积核大小对车牌识别精度的影响
        4.4.4 卷积核个数对车牌识别精度的影响
        4.4.5 批量训练样本数对车牌识别精度的影响
        4.4.6 与传统方法进行比较
    4.5 本章小结
第五章 复杂条件下的车牌识别研究
    5.1 引言
    5.2 强弱光照条件下的车牌识别
    5.3 畸变旋转条件下的车牌识别
    5.4 运动模糊条件下的车牌识别
    5.5 实验结果与分析
    5.6 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 后续工作
参考文献
读研期间所取得的相关科研成果
致谢



本文编号：3774894