立法規(guī)范非機(jī)動(dòng)車的管理是我省近年來交通管理的中心方向,而在人工智能和智能交通領(lǐng)域中,對(duì)非機(jī)動(dòng)車的檢測(cè)、車牌檢測(cè)與識(shí)別以及非機(jī)動(dòng)車的違法行為自動(dòng)判別等技術(shù)比較少見,且相較于現(xiàn)有的機(jī)動(dòng)車檢測(cè)與車牌識(shí)別等技術(shù)來說,非機(jī)動(dòng)車檢測(cè)與車牌識(shí)別的環(huán)境復(fù)雜,難度較大。本文提出了一種非機(jī)動(dòng)車檢測(cè)方法,先利用基于Canny算子的分?jǐn)?shù)階微分法結(jié)合差分后的圖像,提取視頻中運(yùn)動(dòng)的非機(jī)動(dòng)車車輛輪廓,并利用膚色過濾檢測(cè)、幾何特征判別等方法,將提取到的非機(jī)動(dòng)車車輛輪廓進(jìn)行了過濾,利用這些提取到的非機(jī)動(dòng)車車輛圖片輔助訓(xùn)練級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò),以有效提升算法的性能。實(shí)踐表明,這種方法在保持深度學(xué)習(xí)技術(shù)在目標(biāo)檢測(cè)方面的優(yōu)勢(shì)的基礎(chǔ)之上,提升了深度神經(jīng)網(wǎng)絡(luò)的檢測(cè)性能,降低了非機(jī)動(dòng)車檢測(cè)的殘差錯(cuò)誤率,還克服了采集目標(biāo)樣本的困難。以非機(jī)動(dòng)車檢測(cè)為鋪墊,提出了一種非機(jī)動(dòng)車車牌檢測(cè)方法,在提取到的非機(jī)動(dòng)車車輛輪廓圖中利用非機(jī)動(dòng)車車牌底色顏色聚類、車牌外接矩形比例判別等方法檢測(cè)非機(jī)動(dòng)車車牌圖像,該方法提升了非機(jī)動(dòng)車車牌圖像檢測(cè)的速度,提升了其檢測(cè)的速度和準(zhǔn)確度。對(duì)基于上述提取到的非機(jī)動(dòng)車車牌的車牌圖像,提出了一種非機(jī)動(dòng)車車牌識(shí)別方法,針對(duì)...

【文章頁數(shù)】：86 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景
    1.2 課題研究的目的和意義
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 國外研究現(xiàn)狀
        1.3.2 國內(nèi)研究現(xiàn)狀
    1.4 非機(jī)動(dòng)車違法行為自動(dòng)判別關(guān)鍵技術(shù)的難點(diǎn)
    1.5 主要研究內(nèi)容
    1.6 論文主要章節(jié)安排
第2章 BP神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)
    2.1 BP神經(jīng)網(wǎng)絡(luò)
        2.1.1 BP神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
        2.1.2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 Faster R-CNN的概述
    2.4 R-CNN檢測(cè)感興趣目標(biāo)檢測(cè)
        2.4.1 R-CNN候選區(qū)域的生成
        2.4.2 邊框回歸
    2.5 Softmax函數(shù)代替SVM
    2.6 RPN區(qū)域建議網(wǎng)絡(luò)
        2.6.1 RPN區(qū)域建議網(wǎng)絡(luò)的平移不變性
        2.6.2 RPN區(qū)域建議網(wǎng)絡(luò)的訓(xùn)練
    2.7 本章小結(jié)
第3章 非機(jī)動(dòng)車檢測(cè)技術(shù)研究
    3.1 運(yùn)動(dòng)目標(biāo)檢測(cè)方法
        3.1.1 幀間差分法
        3.1.2 兩幀差法
        3.1.3 多幀差法
    3.2 非機(jī)動(dòng)車檢測(cè)方法
    3.3 非機(jī)動(dòng)車檢測(cè)方法算法步驟
    3.4 級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)非機(jī)動(dòng)車
    3.5 實(shí)驗(yàn)過程及結(jié)果分析
        3.5.1 非機(jī)動(dòng)車檢測(cè)方法的主要算法步驟的實(shí)驗(yàn)及對(duì)比
        3.5.2 非機(jī)動(dòng)車檢測(cè)方法與Faster R-CNN網(wǎng)絡(luò)、SVM+MOG以及非機(jī)動(dòng)車檢測(cè)方法的綜合對(duì)比
        3.5.3 檢測(cè)非機(jī)動(dòng)車的平均殘差錯(cuò)誤率對(duì)比
        3.5.4 實(shí)驗(yàn)小結(jié)
    3.6 本章小結(jié)
第4章 非機(jī)動(dòng)車車牌檢測(cè)與識(shí)別技術(shù)研究
    4.1 不同顏色格式的車牌
    4.2 非機(jī)動(dòng)車車牌檢測(cè)方法
        4.2.1 選取車牌候選輪廓
        4.2.2 聚類提取車牌顏色的底色
    4.3 非機(jī)動(dòng)車車牌檢測(cè)方法算法步驟
    4.4 非機(jī)動(dòng)車車牌檢測(cè)實(shí)驗(yàn)結(jié)果與分析
    4.5 非機(jī)動(dòng)車車牌識(shí)別方法
        4.5.1 車牌的黑白翻轉(zhuǎn)
        4.5.2 BP神經(jīng)網(wǎng)絡(luò)識(shí)別數(shù)字和中文字符并獲取數(shù)字邊框
        4.5.3 判別位數(shù)并進(jìn)行邊界搜索
    4.6 非機(jī)動(dòng)車車牌識(shí)別方法算法步驟
    4.7 非機(jī)動(dòng)車車牌識(shí)別方法的實(shí)驗(yàn)結(jié)果與對(duì)比分析
        4.7.1 非機(jī)動(dòng)車車牌識(shí)別方法中的關(guān)鍵過程實(shí)驗(yàn)結(jié)果與對(duì)比分析
        4.7.2 非機(jī)動(dòng)車車牌識(shí)別方法與Riesz分?jǐn)?shù)模型的方法[4]對(duì)非機(jī)動(dòng)車車牌目標(biāo)區(qū)域檢測(cè)的對(duì)比
        4.7.3 非機(jī)動(dòng)車完整車牌與非機(jī)動(dòng)車車牌目標(biāo)區(qū)域的數(shù)字、字符識(shí)別的對(duì)比
        4.7.4 實(shí)驗(yàn)小結(jié)
    4.8 本章小結(jié)
第5章 非機(jī)動(dòng)車闖紅燈行為自動(dòng)判別技術(shù)研究
    5.1 軌跡提取法的非機(jī)動(dòng)車闖紅燈行為判別模型
        5.1.1 自適應(yīng)均值漂移跟蹤非機(jī)動(dòng)車
        5.1.2 軌跡提取
    5.2 軌跡提取法的算法步驟
    5.3 軌跡提取法實(shí)驗(yàn)結(jié)果與對(duì)比分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
參考文獻(xiàn)
本文作者碩士期間參加的科研項(xiàng)目及科研成果
致謝



本文編號(hào)：3787232