基于卷积神经网络的复杂条件车牌识别

发布时间：2021-01-19 02:18

　　车牌的自动检测和识别技术在智能交通中起着重要的作用,利用车牌自动识别技术,可以使城市小区、停车场等各种情景下的车辆实现智能化管理。近年来由于车牌自动检测和识别技术巨大的潜在应用引起了研究人员的广泛关注和探索。现行的车牌识别技术大多是在受控的条件下进行的比如常见的小区车牌识别就是在特定的位置和光照下获取较好的图片已达到较好的识别效果,交通道路上的车牌识别技术往往是通过强光灯获取较好的可视条件从而进行定位识别的。由于识别条件的苛刻,导致在复杂的环境下利用现行的车牌识别技术往往不能取得很好的识别效果,因而复杂环境下对车牌进行识别仍是一项艰巨的挑战。在复杂环境下对车牌识别的困难主要是对距离较远的车牌进行识别,或者是大角度车牌进行识别。早期车牌识别过程分为两个部分进行,首先将车牌检测并分割出来,其次对分割出来的图片上的字符进行逐一识别。由于车牌的检测和车牌的识别具有相当大的关联度,在车牌检测阶段获得比较精准的定位可以提升车牌的字符识别精度,反之则会降低车牌字符的识别精度。本文主要是对拍摄距离较远和发生旋转这况下的车牌进行定位和识别这两部分展开相关研究的,为了方便描述将上述两种情况定义为复杂车牌,... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

复杂环境下的车牌

手写字识别[25]

电子科技大学硕士学位论文10图2-3Sigmoid函数从图2-3中可以看到Sigmoid函数具有很好的对称性，并且输出始终控制在0-1之间。在输入趋近无穷大和无穷小时Sigmoid函数趋于平滑状态，当函数的输入超出范围后输出变化不明显容易造成梯度缺失[27]，对于深层的神经网络来说这是相当不利的因素。从图2-3可以看出当输入大于10或者输入小于-10后函数的输出变化很不明显这将导致梯度的缺失，不利于层数较多的神经网络进行反馈传播。同样的在Sigmoid函数在输入为0的前后梯度的变化单一，在输入值为0的前后梯度将出现大于0和小于0两种情况，导致反向运算将朝一个方向持续更新。Tanh函数的计算公式如式2-2所示：o=+(22)图2-4Tanh函数

【参考文献】：
期刊论文
[1]基于Faster R-CNN的交通标志检测方法[J]. 王铭杰.  无线互联科技. 2019(24)
[2]一种逻辑回归学习率自适应调整方法[J]. 严晓明.  福建师范大学学报(自然科学版). 2019(03)
[3]基于注意力机制的双向长短时记忆网络模型突发事件演化关系抽取[J]. 闻畅,刘宇,顾进广.  计算机应用. 2019(06)
[4]深层网络中的梯度消失现象[J]. 周祥全,张津.  科技展望. 2017(27)
[5]改进卷积神经网络在分类与推荐中的实例应用[J]. 杨天祺,黄双喜.  计算机应用研究. 2018(04)
[6]最大稳定极值区域与笔画宽度变换的自然场景文本提取方法[J]. 张国和,黄凯,张斌,符欢欢,赵季中.  西安交通大学学报. 2017(01)
[7]基于人工神经网络的车牌识别[J]. 吴聪,殷浩,黄中勇,刘罡.  计算机技术与发展. 2016(12)
[8]相关向量机超参数优化的网络安全态势预测[J]. 肖汉杰,桑秀丽.  计算机应用. 2015(07)
[9]广义隐马尔可夫模型的快速前向后向算法[J]. 陈海洋,高晓光,梅军峰.  系统工程与电子技术. 2012(10)
[10]Canny色彩边缘检测及分类新方法[J]. 丁文,李勃,陈启美.  北京邮电大学学报. 2012(01)



本文编号：2986137