雾霾环境下民航车牌识别算法研究及应用
发布时间：2021-09-17 16:17
随着我国国民经济的发展,车辆数量爆发式增长,对车牌识别技术提出了更高的要求。当前国内已经有很多车牌识别系统投入商用,但是目前的车牌识别技术存在两个问题:雾霾环境下车牌识别准确率低和不能识别民航特种车辆车牌。一方面,随着雾霾问题的日益严峻,雾霾环境下车牌识别准确率低成了车牌识别技术需要解决的迫切问题。另一方面,近年来相关政策允许部分悬挂民航车牌的车辆在机场外道路上行驶。但是,由于民航特种车辆车牌规格与普通民用车牌规格不同,经过调研发现,目前尚无能够识别民航特种车牌的车牌识别方法。基于上述情况,本文提出了一种能够识别普通车牌和民航车牌的车牌识别方法,并提高了雾霾环境下车牌识别的准确率。论文的主要研究内容如下:首先,用去雾算法对车牌图片进行去雾处理,以提高雾霾环境下车牌识别的准确率。本文选用了一种基于门控融合的图像去雾算法对图片做去雾预处理。该去雾算法具有自动适应不同雾霾浓度的特点,不会对无雾霾图片造成负面影响。其次,设计并训练了一个基于深度学习的车牌检测算法。该车牌检测算法是本文针对车牌检测的特点,对目标检测算法YOLOv3做了修改和优化后,得到的适用于车牌检测的网络。主要改进点有两处:第...
【文章来源】：中国民航大学天津市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
Labelimg标注工具界面
中国民航大学硕士学位论文14络，测试集用于评比网络性能。数据集采用可扩展标记语言XML记录标签内容，具体标注格式如表2-2所示。本文使用标记工具Labelimg[29]对图片进行标注。Labelimg是一款开源的数据标注工具，它支持包括PASCALVOC格式在内的多种数据集标注格式。用鼠标标识目标边界框后可以自动生产XML标签文件。其标注界面如图2-3所示。2.2.2字符识别数据集生成车牌字符识别数据集用于训练字符识别模型，要求其能覆盖所有车牌包含的字符。但是如表2-1所示，我国车牌中包含盛自治区、直辖市简称，由于车辆分布具有区域性，难以搜集完整的覆盖所有车牌字符的字符识别数据集。所以本文采用人工合成的方法生成车牌字符识别数据集。《中华人民共和国机动车号牌》[3]标准和《民用机场航空器活动区机动车车牌样式》[4]中规定了我国车牌字符内容和规格，例如小型车辆车牌如图2-4所示。字体采用公安部制作的特殊字体，该字体基于简体汉字黑体制作，具有笔画均匀容易识别的特点。由于车牌中含有各个盛自治区、直辖市简称，难以收集到大量完整覆盖上述简称的真实车牌，且字符标注工作量巨大难以实现，本文车牌字符识别所用的数据集是根据上述标准生成的仿真图片。图2-4标准车牌规格图例本文用Python脚本调用OpenCV库制作了仿真车牌图片，图片中字符颜色及字符顺序均按照《中华人民共和国机动车号牌》和《民用机场航空器活动区机动车车牌样式》中规定制作，图例如图2-5所示。一共用程序自动生成了27万张不同种类的车牌图片，每张图片中都随机加入噪声、透视扭曲、模糊、明暗变化效果，且图片长宽比在标准车牌15%范围内随机变化，以模拟实际采集车牌效果。数据集标签格式为：采
中国民航大学硕士学位论文15用车牌字符内容和六位序号，以下划线分隔，并以标签命名图片文件名。图2-5生成车牌图例2.3去雾预处理本文采用去雾预处理方法来提高雾霾环境下车牌识别准确率，而不是用大量雾霾图片来训练神经网络方法。其原因主要是人工合成有雾霾的车牌图片困难，而能够搜集到的有雾霾车牌图片过少。去雾预处理模块接在车牌检测算法前端，待检测的图片经过去雾预处理后，再做后续的车牌位置检测和车牌字符识别。下面详细介绍本文的去雾预处理方法。2.3.1数据集中的雾霾问题在最初的实验过程中，车牌检测准确率较低。经过对检测错误的图片样本的检查发现，错误样本中多数为有雾霾图片。经过分析发现数据集中雾霾图片过少，本文搜集到的数据集中雾霾图片的数量仅有371张。由于雾霾图片样例太少的数据不均衡问题，导致车牌检测算法不能充分地学习雾霾环境下车牌的特征，因此对含有雾霾的图片检测准确率降低。而通过图像处理技术，用无雾霾图片人工合成有雾霾图片的方法，需要每张图片对应的景深数据才能模拟真实环境中的雾霾[30]。后续实验中发现，如果在车牌检测前对有雾霾的图片做去雾处理，可以提高雾霾图片检测的准确率。因此，在车牌检测算法前端加入了去雾预处理模块，图片通过去雾预处理后，再进行后续的检测和识别。为了充分利用真实图片数据，数据集实用方面，将所有371张有雾霾的图片挑出组成雾霾图片测试集，另外随机抽取的513张无雾霾图片组成了无雾霾测试集。测试集一共884张图片，占总数据集的10%，用来检测去雾处理后的车牌检测效果。图2-6中（a）
【参考文献】：
期刊论文
[1]基于Faster-RCNN的车牌检测[J]. 艾曼. 计算机与数字工程. 2020(01)
[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]基于深度学习的车牌定位和识别方法[J]. 李祥鹏,闵卫东,韩清,刘瑞康. 计算机辅助设计与图形学学报. 2019(06)
[4]车牌识别系统研究综述[J]. 陈政. 现代信息科技. 2019(11)
[5]一种基于MSER和SWT的新型车牌检测识别方法研究[J]. 王艳,谢广苏,沈晓宇. 计量学报. 2019(01)
[6]基于MSER与边缘投影的车牌定位算法[J]. 郑贵林,吴黄子桑. 计算机工程与设计. 2019(01)
[7]基于深度SE-DenseNet的航班延误预测模型[J]. 吴仁彪,赵婷,屈景怡. 电子与信息学报. 2019(06)
[8]计算机多尺度辅助定位车牌算法[J]. 魏亭,邱实,李晨,王锐. 电子学报. 2018(09)
[9]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[10]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
博士论文
[1]基于特征共享的高效物体检测[D]. 任少卿.中国科学技术大学 2016
硕士论文
[1]基于深度学习的车牌精准定位研究[D]. 丁潘.新疆大学 2019
[2]基于区域不变矩的形状匹配技术的研究及应用[D]. 雷晨光.大连理工大学 2014
本文编号：3399078
【文章来源】：中国民航大学天津市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
Labelimg标注工具界面
中国民航大学硕士学位论文14络，测试集用于评比网络性能。数据集采用可扩展标记语言XML记录标签内容，具体标注格式如表2-2所示。本文使用标记工具Labelimg[29]对图片进行标注。Labelimg是一款开源的数据标注工具，它支持包括PASCALVOC格式在内的多种数据集标注格式。用鼠标标识目标边界框后可以自动生产XML标签文件。其标注界面如图2-3所示。2.2.2字符识别数据集生成车牌字符识别数据集用于训练字符识别模型，要求其能覆盖所有车牌包含的字符。但是如表2-1所示，我国车牌中包含盛自治区、直辖市简称，由于车辆分布具有区域性，难以搜集完整的覆盖所有车牌字符的字符识别数据集。所以本文采用人工合成的方法生成车牌字符识别数据集。《中华人民共和国机动车号牌》[3]标准和《民用机场航空器活动区机动车车牌样式》[4]中规定了我国车牌字符内容和规格，例如小型车辆车牌如图2-4所示。字体采用公安部制作的特殊字体，该字体基于简体汉字黑体制作，具有笔画均匀容易识别的特点。由于车牌中含有各个盛自治区、直辖市简称，难以收集到大量完整覆盖上述简称的真实车牌，且字符标注工作量巨大难以实现，本文车牌字符识别所用的数据集是根据上述标准生成的仿真图片。图2-4标准车牌规格图例本文用Python脚本调用OpenCV库制作了仿真车牌图片，图片中字符颜色及字符顺序均按照《中华人民共和国机动车号牌》和《民用机场航空器活动区机动车车牌样式》中规定制作，图例如图2-5所示。一共用程序自动生成了27万张不同种类的车牌图片，每张图片中都随机加入噪声、透视扭曲、模糊、明暗变化效果，且图片长宽比在标准车牌15%范围内随机变化，以模拟实际采集车牌效果。数据集标签格式为：采
中国民航大学硕士学位论文15用车牌字符内容和六位序号，以下划线分隔，并以标签命名图片文件名。图2-5生成车牌图例2.3去雾预处理本文采用去雾预处理方法来提高雾霾环境下车牌识别准确率，而不是用大量雾霾图片来训练神经网络方法。其原因主要是人工合成有雾霾的车牌图片困难，而能够搜集到的有雾霾车牌图片过少。去雾预处理模块接在车牌检测算法前端，待检测的图片经过去雾预处理后，再做后续的车牌位置检测和车牌字符识别。下面详细介绍本文的去雾预处理方法。2.3.1数据集中的雾霾问题在最初的实验过程中，车牌检测准确率较低。经过对检测错误的图片样本的检查发现，错误样本中多数为有雾霾图片。经过分析发现数据集中雾霾图片过少，本文搜集到的数据集中雾霾图片的数量仅有371张。由于雾霾图片样例太少的数据不均衡问题，导致车牌检测算法不能充分地学习雾霾环境下车牌的特征，因此对含有雾霾的图片检测准确率降低。而通过图像处理技术，用无雾霾图片人工合成有雾霾图片的方法，需要每张图片对应的景深数据才能模拟真实环境中的雾霾[30]。后续实验中发现，如果在车牌检测前对有雾霾的图片做去雾处理，可以提高雾霾图片检测的准确率。因此，在车牌检测算法前端加入了去雾预处理模块，图片通过去雾预处理后，再进行后续的检测和识别。为了充分利用真实图片数据，数据集实用方面，将所有371张有雾霾的图片挑出组成雾霾图片测试集，另外随机抽取的513张无雾霾图片组成了无雾霾测试集。测试集一共884张图片，占总数据集的10%，用来检测去雾处理后的车牌检测效果。图2-6中（a）
【参考文献】：
期刊论文
[1]基于Faster-RCNN的车牌检测[J]. 艾曼. 计算机与数字工程. 2020(01)
[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]基于深度学习的车牌定位和识别方法[J]. 李祥鹏,闵卫东,韩清,刘瑞康. 计算机辅助设计与图形学学报. 2019(06)
[4]车牌识别系统研究综述[J]. 陈政. 现代信息科技. 2019(11)
[5]一种基于MSER和SWT的新型车牌检测识别方法研究[J]. 王艳,谢广苏,沈晓宇. 计量学报. 2019(01)
[6]基于MSER与边缘投影的车牌定位算法[J]. 郑贵林,吴黄子桑. 计算机工程与设计. 2019(01)
[7]基于深度SE-DenseNet的航班延误预测模型[J]. 吴仁彪,赵婷,屈景怡. 电子与信息学报. 2019(06)
[8]计算机多尺度辅助定位车牌算法[J]. 魏亭,邱实,李晨,王锐. 电子学报. 2018(09)
[9]基于改进SSD的交通大场景多目标检测[J]. 华夏,王新晴,王东,马昭烨,邵发明. 光学学报. 2018(12)
[10]基于Caffe深度学习框架的车牌数字字符识别算法研究[J]. 欧先锋,向灿群,郭龙源,涂兵,吴健辉,张国云. 四川大学学报(自然科学版). 2017(05)
博士论文
[1]基于特征共享的高效物体检测[D]. 任少卿.中国科学技术大学 2016
硕士论文
[1]基于深度学习的车牌精准定位研究[D]. 丁潘.新疆大学 2019
[2]基于区域不变矩的形状匹配技术的研究及应用[D]. 雷晨光.大连理工大学 2014
本文编号：3399078
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3399078.html
