基于神经网络的车牌识别算法研究
发布时间：2021-08-06 14:42
随着中国经济的快速发展,汽车的保有量在逐年增加。智能交通管理系统在交通管控中的重要地位越发地凸显出来,而车牌识别是智能交通管理系统的核心,所以研究车牌识别具有举足轻重的意义。本文研究了车牌识别算法,将卷积神经网络LeNet-5应用到车牌字符的识别中,着重改进了车牌字符识别算法。定位车牌,分割车牌字符和识别字符是车牌识别常规处理的“三部曲”。首先对采集到的车牌图像进行灰度化和平滑滤波等预处理,接着采用基于边缘检测和数学形态学算法实现车牌定位;然后结合车牌具体特征改进垂直投影算法,分割出车牌字符;分割好的车牌字符作为下一步字符识别的数据集,最后在深入研究了卷积神经网络的工作原理以及优势的基础上,将具有权值共享和局部感受野特点的网络应用到车牌字符识别当中。在LeNet-5经典网络结构的基础上,改进了输入层、隐含层和输出层的结构,优化卷积层和下采样层参数,构建了DLeNet-5网络,相比于原始网络,改进的网络应用于车牌字符识别具有更高的识别率。车牌识别不仅在公共安全管理体系和各种交通场合发挥着不可或缺的作用,而且在未来的无人驾驶和无人汽车等领域,也将扮演重要的角色,将为城市的健康发展带来诸多便...
【文章来源】：江西财经大学江西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
原图像
2车牌定位9F(i,j)floor((R(i,j)G(i,j)B(i,j))/3)(2-2)（3）分量值法，选取某个分量作为灰度图像的值，有三种选择方式，公式如下：F(i,j)R(i,j),F(i,j)G(i,j),F(i,j)B(i,j)(2-3)（4）加权平均值法，根据人眼识别颜色的特征，给R、G、B加权值，分配不同的比重，计算公式如下：(,)rgbFijWRWGWB(2-4)由于人眼对绿色比较容易辨识，其次是红色，最后是蓝色，通常rgbW、W、W设置为0.299、0.587、0.114。上述四种灰度化处理方法中，分量值法不适用于车牌识别，采集到的图像由不同的颜色组成，不可以用其中的一种分量去表示整幅图片。文章对其余的三种方式进行实验。实验结果如下图。图2.1原图像图2.2平均值法
基于神经网络的车牌识别算法研究10图2.3加权平均值法图2.4最大值法由图2.1至图2.4的结果可知，平均值法会使得图像变模糊。最大值法处理的图像比较平滑，但是丢失了一些图片细节。而加权平均值法处理的效果最好，并且字符与背景对比度最明显，能够较好地体现图片的亮度内容，所以文中采用加权平均值法实现灰度化处理。2.1.2图像的平滑滤波摄像机获取到的车牌图像中会有噪声污染，这些噪声会覆盖在车牌字符或者车牌的边缘信息上，车牌的边缘信息对车牌的定位有很重要的作用，为抑制这些噪声污染，可以对图像采取平滑滤波处理，以便提取有用的信息，使车牌识别更加准确。常用的图像平滑处理有线性滤波和中值滤波。线性滤波是空间域的平滑滤波技术，邻域平均法是常用的一种线性滤波技术，它取邻域内像素的平均值作为邻域内中心点的像素值，所以滤波效果与所选取邻域的大小有一定关系，它可以减少图像灰度的尖锐化。该方法去噪效果较好，容易实现，但可能会使图像边缘信息细节模糊甚至丢失[16]。中值滤波是一种基于排序数理统计的非线性滤波技术，将某一点的值用该点邻域内所有像素点的中值替代，一般可以为方形邻域，
【参考文献】：
期刊论文
[1]车辆牌照识别技术现状[J]. 邓嘉诚,黄贺声,杨林,魏亚东. 现代信息科技. 2019(16)
[2]基于卷积神经网络的双行车牌分割算法[J]. 赵汉理,刘俊如,姜磊,沈建冰,胡明晓. 计算机辅助设计与图形学学报. 2019(08)
[3]卷积神经网络在车牌识别中的应用研究[J]. 刘华春. 计算机技术与发展. 2019(04)
[4]基于卷积神经网络的车牌识别技术[J]. 刘建国,代芳,詹涛. 物流技术. 2018(10)
[5]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing. Journal of Systems Engineering and Electronics. 2018(05)
[6]基于模板匹配方法的不均匀照度车牌图像识别[J]. 凌翔,赖锟,王昔鹏. 重庆交通大学学报(自然科学版). 2018(08)
[7]一种基于GMP-LeNet网络的车牌识别方法[J]. 林哲聪,张江鑫. 计算机科学. 2018(S1)
[8]基于颜色分割与Sobel算子相结合的车牌定位[J]. 侯向宁,刘华春. 计算机技术与发展. 2018(08)
[9]基于机器学习的多车牌识别算法应用研究[J]. 郑顾平,闫勃勃,李刚. 计算机技术与发展. 2018(06)
[10]基于自适应数学形态学的车牌定位研究[J]. 王晓群,刘宏志. 图学学报. 2017(06)
本文编号：3325963
【文章来源】：江西财经大学江西省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
原图像
2车牌定位9F(i,j)floor((R(i,j)G(i,j)B(i,j))/3)(2-2)（3）分量值法，选取某个分量作为灰度图像的值，有三种选择方式，公式如下：F(i,j)R(i,j),F(i,j)G(i,j),F(i,j)B(i,j)(2-3)（4）加权平均值法，根据人眼识别颜色的特征，给R、G、B加权值，分配不同的比重，计算公式如下：(,)rgbFijWRWGWB(2-4)由于人眼对绿色比较容易辨识，其次是红色，最后是蓝色，通常rgbW、W、W设置为0.299、0.587、0.114。上述四种灰度化处理方法中，分量值法不适用于车牌识别，采集到的图像由不同的颜色组成，不可以用其中的一种分量去表示整幅图片。文章对其余的三种方式进行实验。实验结果如下图。图2.1原图像图2.2平均值法
基于神经网络的车牌识别算法研究10图2.3加权平均值法图2.4最大值法由图2.1至图2.4的结果可知，平均值法会使得图像变模糊。最大值法处理的图像比较平滑，但是丢失了一些图片细节。而加权平均值法处理的效果最好，并且字符与背景对比度最明显，能够较好地体现图片的亮度内容，所以文中采用加权平均值法实现灰度化处理。2.1.2图像的平滑滤波摄像机获取到的车牌图像中会有噪声污染，这些噪声会覆盖在车牌字符或者车牌的边缘信息上，车牌的边缘信息对车牌的定位有很重要的作用，为抑制这些噪声污染，可以对图像采取平滑滤波处理，以便提取有用的信息，使车牌识别更加准确。常用的图像平滑处理有线性滤波和中值滤波。线性滤波是空间域的平滑滤波技术，邻域平均法是常用的一种线性滤波技术，它取邻域内像素的平均值作为邻域内中心点的像素值，所以滤波效果与所选取邻域的大小有一定关系，它可以减少图像灰度的尖锐化。该方法去噪效果较好，容易实现，但可能会使图像边缘信息细节模糊甚至丢失[16]。中值滤波是一种基于排序数理统计的非线性滤波技术，将某一点的值用该点邻域内所有像素点的中值替代，一般可以为方形邻域，
【参考文献】：
期刊论文
[1]车辆牌照识别技术现状[J]. 邓嘉诚,黄贺声,杨林,魏亚东. 现代信息科技. 2019(16)
[2]基于卷积神经网络的双行车牌分割算法[J]. 赵汉理,刘俊如,姜磊,沈建冰,胡明晓. 计算机辅助设计与图形学学报. 2019(08)
[3]卷积神经网络在车牌识别中的应用研究[J]. 刘华春. 计算机技术与发展. 2019(04)
[4]基于卷积神经网络的车牌识别技术[J]. 刘建国,代芳,詹涛. 物流技术. 2018(10)
[5]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing. Journal of Systems Engineering and Electronics. 2018(05)
[6]基于模板匹配方法的不均匀照度车牌图像识别[J]. 凌翔,赖锟,王昔鹏. 重庆交通大学学报(自然科学版). 2018(08)
[7]一种基于GMP-LeNet网络的车牌识别方法[J]. 林哲聪,张江鑫. 计算机科学. 2018(S1)
[8]基于颜色分割与Sobel算子相结合的车牌定位[J]. 侯向宁,刘华春. 计算机技术与发展. 2018(08)
[9]基于机器学习的多车牌识别算法应用研究[J]. 郑顾平,闫勃勃,李刚. 计算机技术与发展. 2018(06)
[10]基于自适应数学形态学的车牌定位研究[J]. 王晓群,刘宏志. 图学学报. 2017(06)
本文编号：3325963
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3325963.html
