【摘要】：隨著人工智能的快速發(fā)展,如何更有效獲取車牌信息成為交通管理的一個重要課題,因此,基于圖像識別技術(shù)找出一種魯棒性強且識別精度高的算法是車牌檢測算法的重要改進方向。這項技術(shù)主要對提取的特征進行處理進而分類識別。相對而言傳統(tǒng)的檢測方法自適應(yīng)效果不佳,檢測速度難以滿足實際要求,而且檢測算法開發(fā)難度大,開發(fā)時間長,在實際應(yīng)用中對特征的更有效提取已經(jīng)嚴重制約了傳統(tǒng)方法的發(fā)展。而使用深度學(xué)習(xí)技術(shù)能很好解決以上問題。這項技術(shù)主要以數(shù)據(jù)為基礎(chǔ),通過大量圖像的訓(xùn)練來提取相關(guān)特征生成深度學(xué)習(xí)模型。本文的研究內(nèi)容主要包括以下幾個部分:首先,本文的寫作思路是先從整體架構(gòu)入手,采用了基于深度學(xué)習(xí)的CNN模型進行車牌角點檢測與區(qū)域定位。對檢測模型來說,本文構(gòu)建的各種狀態(tài)數(shù)據(jù)集上訓(xùn)練生成的模型與傳統(tǒng)的邊緣定位算法、顏色定位算法、邊緣顏色定位算法進行比較,驗證了該模型的優(yōu)越性。其次,本文以射影幾何理論作為根據(jù)研究車牌矯正中存在的傾斜圖像矯正問題,研究表明傾斜嚴重的車牌大多以像素插值轉(zhuǎn)化為生成的標準圖像從而出現(xiàn)部分插值區(qū)域較為模糊的現(xiàn)象,故本文從減少插值比例的思路出發(fā)將透視傾斜的車牌轉(zhuǎn)化為仿射傾斜的車牌,故提高了原圖像中真實像素的數(shù)量,然后通過視窗變換增大車牌區(qū)域的IoU值。最后通過圖像像素的平移操作矯正為正交車牌從而大大增加了圖像像素的清晰度和定位車牌的IoU值為后續(xù)的識別工作打下良好的基礎(chǔ),通過和ROI選取算法的實驗對比更加驗證了本文矯正效果的優(yōu)越性。再次,使用CRNN網(wǎng)絡(luò)訓(xùn)練的識別模型來對檢測出來的車牌區(qū)域進行字符識別。該識別技術(shù)在傳統(tǒng)識別技術(shù)的基礎(chǔ)上,衍生出端到端的方法,不用分割處理車牌上的字符,它將車牌識別為一幅圖像,將上面的字符進行排序,并將它們作為一個整體進行分析學(xué)習(xí),最后給出結(jié)果。文中說明了基于CRNN模型的車牌識別整體框架,對其進行矯正之后的車牌則可以考慮利用CRNN模型加以識別。然后,闡述了所利用的訓(xùn)練方法、CRNN網(wǎng)絡(luò)模型結(jié)構(gòu)和具體的實現(xiàn)過程。最后是獲得了實驗結(jié)果和對結(jié)果展開分析。實驗表明:CRNN模型是圖像序列進行識別的有效方法。經(jīng)過多種實驗結(jié)果的驗證,我們可以看出傳統(tǒng)的識別技術(shù)有很大的弊端,過于依賴字符分割,一旦分割不準確就會出現(xiàn)嚴重錯誤,極大的縮減了算法的魯棒性。相比之下本文聯(lián)合使用深度學(xué)習(xí)模型的各種功能于車牌定位、車牌矯正、車牌識別三個方面并進行優(yōu)化改進使算法的魯棒性和準確性逐步提高,更加顯示智慧城市、智能交通的理念。
【圖文】：

本文算法流程圖

圖 2-1 神經(jīng)網(wǎng)絡(luò)模型為多層神經(jīng)網(wǎng)絡(luò)僅包含輸入層、隱藏層以及輸多層神經(jīng)網(wǎng)絡(luò)內(nèi)，，其中隱藏層的層數(shù)根據(jù)需要層合適。眾所周知，在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)的多層神經(jīng)網(wǎng)絡(luò)為依托，加之以特征學(xué)習(xí)，而技術(shù)上主要就是在全部層級之間加入一個層級層，之后是卷積層，然后還是降維層 …， 網(wǎng)絡(luò)的主要程序為：特征映射直接轉(zhuǎn)移到值。為：信號 >特征 >值。 特征則往往是通過可以顯著降低圖像識別錯誤率，如圖 2-2 所示%25.80%8層神經(jīng)網(wǎng)絡(luò)16.40%8層神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)量增加大幅度降低了圖像識別錯誤率
【學(xué)位授予單位】：天津職業(yè)技術(shù)師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：U495;TP18;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 何巖;樓蕾蕭;;從圖像的角度淺析古建筑動畫復(fù)原的關(guān)鍵技術(shù)[J];明日風(fēng)尚;2017年03期

2 王公月;;談地理圖像投影導(dǎo)學(xué)法[J];電化教育;1995年11期

3 羅山;;激光在娛樂設(shè)施上的應(yīng)用[J];激光與光電子學(xué)進展;1988年09期

4 孫佳憶;曹芳;唐振軍;姚恒;秦川;;基于圖像拼接的可信圖像修補方法[J];上海理工大學(xué)學(xué)報;2018年02期

5 屈周凡;;地理圖像投影在教學(xué)中的運用[J];考試周刊;2009年31期

6 黎奎,劉智明,周激流,宋宇;一種新的數(shù)字圖像投影濾波器的研究[J];計算機工程與應(yīng)用;2004年36期

7 岳小龍;劉一清;顧曉麗;;亮度自適應(yīng)增強的圖像投影系統(tǒng)設(shè)計[J];電視技術(shù);2014年11期

8 ;DERKSEN未來之光[J];廣告人;2003年09期

9 徐鳳英 ,谷淑萍;初中地理運用圖像投影導(dǎo)學(xué)的嘗試[J];山東教育;2001年29期

10 陳勇;林穎;;基于特征臉的主成分分析人臉識別[J];計算技術(shù)與自動化;2017年02期

相關(guān)會議論文 前3條

1 曹陽;李林;李卓;;紅外動態(tài)圖像投影隨動系統(tǒng)設(shè)計[A];光電技術(shù)與系統(tǒng)文選——中國光學(xué)學(xué)會光電技術(shù)專業(yè)委員會成立二十周年暨第十一屆全國光電技術(shù)與系統(tǒng)學(xué)術(shù)會議論文集[C];2005年

2 孫靜;田建東;唐延?xùn)|;;靜態(tài)室內(nèi)圖像投影邊緣檢測方法研究[A];2010中國儀器儀表學(xué)術(shù)、產(chǎn)業(yè)大會（論文集1）[C];2010年

3 楊宏鑫;;船目標逆合成孔徑雷達圖像的方位維定標問題研究[A];第十六屆沈陽科學(xué)學(xué)術(shù)年會論文集（理工農(nóng)醫(yī)）[C];2019年

相關(guān)博士學(xué)位論文 前3條

1 董建鋒;跨模態(tài)檢索中的相關(guān)度計算研究[D];浙江大學(xué);2018年

2 貴鹿穎;基于變分偏微分方程的醫(yī)學(xué)圖像病灶的檢測和分割[D];南京理工大學(xué);2018年

3 李明;內(nèi)源光學(xué)功能成像數(shù)據(jù)的時空分析研究[D];國防科學(xué)技術(shù)大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 畢淞澤;銑削刀具磨損識別關(guān)鍵技術(shù)研究[D];哈爾濱理工大學(xué);2019年

2 李曉燃;基于深度學(xué)習(xí)的傾斜車牌矯正與識別研究[D];天津職業(yè)技術(shù)師范大學(xué);2019年

3 胡良田;基于NSCT的醫(yī)學(xué)圖像特征提取及分類算法研究[D];哈爾濱工程大學(xué);2018年

4 班如霞;基于人臉圖像的年齡估計算法的性能增強研究[D];安徽大學(xué);2018年

5 柳絮;視頻流中人臉圖像識別算法研究及DSP實現(xiàn)[D];東北大學(xué);2015年

6 胡坤;基于云平臺的圖像發(fā)送與播報終端的研究[D];吉林大學(xué);2017年

7 張變蘭;單顆粒冷凍電鏡重構(gòu)中圖像投影方向的估計[D];蘭州大學(xué);2017年

8 戴杰超;基于人臉圖像的年齡估計方法研究[D];華僑大學(xué);2016年

9 陳詩禮;防瞌睡與疲勞駕駛檢測技術(shù)研究[D];西華大學(xué);2014年

10 李瑋;智慧課堂管理系統(tǒng)中人臉識別考勤技術(shù)的研究與實現(xiàn)[D];華中師范大學(xué);2017年

本文編號：2642365