基于深度学习的复杂场景车牌识别研究

发布时间：2021-04-17 01:10

　　车牌识别技术在实际生活中的重要性不言而喻,传统的机动车牌照识别算法基于对车牌位置进行定位、车牌字符进行分割、字符识别三步,对于特定场景可以实现有效应用,但面对复杂场景的车牌图像难以表现出可靠性能。近年来,深度学习伴随着显卡性能的大幅提升实现复兴,基于神经网络的车牌识别算法成为学术界的主要研究方向。本文利用深度学习中的Faster R-CNN和LSTM等模型实现了有效的车牌识别系统。该系统分为两个级联的部分,第一部分是车牌检测系统,主要功能是完成对图像中的车牌进行定位;第二部分是字符识别系统,根据第一部分裁剪出的车牌区域对其中文字进行识别输出。在车牌检测算法中,RPN网络的引入大幅提高了模型的定位准确率,在字符识别算法中,LSTM网络使字符识别问题转化为序列标注问题,更好地实现了识别效果。相比于传统的车牌识别方法,本文设计的算法充分发挥了深度神经网络的优势,其应用场景不限于现有大部分类似系统所要求的固定场合,如车库或停车场入口等,而是可以扩展到各类复杂场景,面对较不理想的拍摄条件,如图像模糊、光照不足等,均表现出了较高的鲁棒性和准确性。最后,本文还对CCPD数据集进行了大量的整理、筛选和... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

中国车牌样例[15]

车牌识别相关算法8图2-2.文献[14]算法流程图表2-1列举了包含传统车牌检测和使用神经网络的车牌检测在内的算法召回率和准确率。表2-1算法召回率准确率CMSER&Sobel79.43%42.31%Color&Sobel77.01%41.60%CMSER&Color82.05%69.34%FasterR-CNN+ZF92.72%89.17%FasterR-CNN+YGG_CNN_M_102491.87%86.98%FasterR-CNN+VGG1692.32%89.01%Ref81.23%79.89%YOLO-finetunning88.30%85.04%SSD-finetunning83.73%81.36%文献[14]99.10%98.68%文献[23]采用了主成分分析网络（PCANet）作为车牌检测的主要算法。PCANet可以理解为一种精简版的CNN，将哈希算法应用在非线性层，使用逐块直方图实现特征生成层。与典型的卷积神经网络相比，此网络的优势在于其参数调整相对容易，且训练效率高、识别效果好。[23]提出的方法首先通过PCA网络进行特征提取，再利用提取到的特征和SVM算法对车牌区域进行识别，其整体流程框

中国地质大学（北京）硕士学位论文133.神经网络原理3.1神经网络基础神经网络主要包含以下四个方面：一，层。所谓网络（或称模型）就是由多个层堆叠而成；二，输入数据和相应的目标；三，损失函数，即用于学习的反馈信号；四，优化器，根据损失函数对权重进行调整，从而控制着学习进程。网络由多个级联的层组成，通过逐层提取特征，将输入数据映射为预测值。损失函数的作用是，将这些预测值与目标函数进行比较，进而得到损失值。而损失值是判断预测值与目标结果之间匹配程度的关键。优化器利用这个损失值对网络的权重进行更新[24]。这些要素的关系如图3-1所示：图3-1.网络、层、损失函数和优化器之间的关系


本文编号：3142519