【摘要】：近年來,隨著交通系統(tǒng)的快速發(fā)展,智能交通系統(tǒng)越發(fā)受到人們的重視。作為智能交通系統(tǒng)的重要組成部分,車牌定位和車牌識別能有效協(xié)助交通管理部門進行監(jiān)管。同時,深度學(xué)習(xí)在目標(biāo)檢測和圖像識別領(lǐng)域取得了令人矚目的成績。如何有效利用深度學(xué)習(xí)技術(shù)改進現(xiàn)有的車牌定位和車牌識別方法,提高車牌定位的精度、速度以及車牌識別的準(zhǔn)確率,對于降低交通管理的復(fù)雜度、建設(shè)更完善的道路監(jiān)控系統(tǒng)以及電子警察系統(tǒng)等均具有重要意義。本文圍繞基于深度學(xué)習(xí)的機動車車牌定位和車牌字符識別問題展開研究,具體研究內(nèi)容如下:(1)為了提高車牌定位的精度和速度,提出一種基于改進SSD模型的車牌定位方法。該方法使用殘差結(jié)構(gòu)和多層感知器重新設(shè)計SSD模型的基礎(chǔ)網(wǎng)絡(luò),并采用不同于原始SSD模型的優(yōu)化方法。在公開數(shù)據(jù)集AOLP的三個子數(shù)據(jù)集中的測試和實驗結(jié)果表明,與基于邊緣信息的車牌定位方法相比,該方法的平均定位精度提高了8.33%;與基于傳統(tǒng)CNN的車牌定位方法相比,該方法的平均定位精度提高了2.14%;與基于原始SSD模型的車牌定位方法相比,該方法的平均定位精度提高了0.45%,定位速度提高到原始SSD模型的2.54倍,并且模型參數(shù)壓縮為原始SSD模型的43%。(2)為了提高車牌字符識別的準(zhǔn)確率,提出一種基于CRNN的端到端車牌字符識別方法。該方法基于CNN和RNN,通過卷積層提取輸入圖像的特征序列,循環(huán)層預(yù)測特征序列中每個特征向量的標(biāo)簽分布,轉(zhuǎn)錄層找出概率最高的標(biāo)簽序列,生成整張車牌最終的字符識別結(jié)果。該方法避免了傳統(tǒng)車牌識別方法中的傾斜車牌校正和車牌字符分割等中間過程,實現(xiàn)了端到端車牌字符識別。在公開數(shù)據(jù)集AOLP的三個子數(shù)據(jù)集中的測試和實驗結(jié)果表明,與基于字符分割和LDA分類器的車牌字符識別方法相比,該方法的平均字符識別準(zhǔn)確率提高了4.33%;與基于字符分割和傳統(tǒng)CNN的車牌字符識別方法相比,該方法的平均字符識別準(zhǔn)確率提高了1.62%,平均車牌識別準(zhǔn)確率提高了6.05%。綜上所述,本文對車牌定位和車牌字符識別問題進行深入研究,所提出的方法提高了車牌定位的精度、速度以及車牌識別的準(zhǔn)確率,同時有效降低了車牌定位模型的參數(shù)規(guī)模。達到精確且快速的車牌定位以及端到端車牌字符準(zhǔn)確識別的目標(biāo)。
【圖文】：

逑１１２邐１００邐２５邐１２逡逑圖２．２最大池化逡逑（３）全連接層（Ｆｕｌｌｙ邋Ｃｏｎｎｅｃｔｅｄ邋Ｌａｙｅｒ，邋ＦＣ）逡逑全連接層是指采用全連接方式將輸入層和輸出層兩層間的節(jié)點全部進行連逡逑接的一種網(wǎng)絡(luò)層。它把輸入層的特征圖轉(zhuǎn)化成一維輸出向量，其核心操作是矩陣逡逑向量乘積。全連接層通常出現(xiàn)于網(wǎng)絡(luò)末端，主要目的是抽象和整合全連接層之前逡逑的網(wǎng)絡(luò)層輸出的特征圖。通常情況下，，ＣＮＮ網(wǎng)絡(luò)最終提取的特征圖由最后一個逡逑ＦＣ層輸入到分類器，實現(xiàn)對輸入樣本進行分類的目標(biāo)。一個簡單的全連接層如逡逑圖２．３所示。逡逑１２逡逑

圖２．２最大池化逡逑
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;U495

【相似文獻】

相關(guān)期刊論文 前10條

1 張杰;張兢;馮欣;徐玲;張雅潔;;復(fù)雜環(huán)境的車牌定位方法設(shè)計與實現(xiàn)[J];通信技術(shù);2017年06期

2 王濤;趙磊;;基于邊緣檢測和色彩空間的混合車牌定位算法[J];科技視界;2016年03期

3 楊麗萍;;基于數(shù)學(xué)形態(tài)學(xué)的車牌定位研究[J];信息通信;2016年02期

4 楊冬衛(wèi);;汽車車牌定位技術(shù)方法的探討[J];南方農(nóng)機;2015年03期

5 王娜;;基于數(shù)學(xué)形態(tài)學(xué)和行掃描相結(jié)合的車牌定位的研究[J];電子制作;2015年10期

6 曾毅;;遺傳算法在車牌定位中的應(yīng)用[J];福建電腦;2015年07期

7 丁亞男;;基于圖像分解的車牌定位算法[J];電子科技;2014年01期

8 于明;路倩倩;劉玉菲;王妃;;自適應(yīng)復(fù)雜天氣的車牌定位方法[J];計算機工程與科學(xué);2014年02期

9 王莉莉;;監(jiān)控圖像中車牌定位技術(shù)的研究與仿真[J];淮北職業(yè)技術(shù)學(xué)院學(xué)報;2014年03期

10 呂嵐;;常見的車牌定位處理過程[J];信息與電腦(理論版);2014年07期

相關(guān)會議論文 前10條

1 曹陸軍;;一種基于灰度差閾值的快速車牌定位方法[A];全國第20屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議（CACIS·2009）暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（上冊）[C];2009年

2 李英;汪航;;車牌定位與字符分割方法研究與實現(xiàn)[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

3 李孟歆;吳成東;曹陽;;基于旋轉(zhuǎn)差分投影的混合車牌定位方法[A];2008’“先進集成技術(shù)”院士論壇暨第二屆儀表、自動化與先進集成技術(shù)大會論文集[C];2008年

4 段震;趙姝;;基于商空間理論的車牌定位[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

5 黃文楷;孫季豐;;基于灰度圖像的車牌定位算法的研究[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

6 楊恒;楊文幫;張儒良;王林;;一種基于視頻分析的快速車牌定位方法[A];系統(tǒng)工程理論與應(yīng)用——貴州省系統(tǒng)工程學(xué)會第五屆學(xué)術(shù)年會論文集[C];2014年

7 韓立明;王波濤;;一種改進的灰度跳變車牌定位方法[A];2009全國虛擬儀器大會論文集（二）[C];2009年

8 徐文宇;白廷柱;蔣曉瑜;;一種基于字符紋理分析的車牌定位方法[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

9 許禮武;許倫輝;;基于小波分解的車牌定位算法[A];第一屆中國智能交通年會論文集[C];2005年

10 古智超;孫季豐;;復(fù)雜背景下的車牌定位與快速分割算法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

相關(guān)博士學(xué)位論文 前3條

1 王昱心;基于指數(shù)矩的車牌識別研究[D];北京郵電大學(xué);2017年

2 李波;基于圖像分析的車輛識別與跟蹤若干關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2011年

3 陳振學(xué);基于特征顯著性的目標(biāo)識別方法及其應(yīng)用研究[D];華中科技大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 曹雨;面向非卡口的多車牌定位與識別技術(shù)的研究與實現(xiàn)[D];北京郵電大學(xué);2019年

2 浦丹;機動車的車牌定位與識別問題研究[D];中國科學(xué)技術(shù)大學(xué);2019年

3 楊鼎鼎;汽車牌照自動化識別若干關(guān)鍵技術(shù)研究[D];湖北民族學(xué)院;2018年

4 周潔;基于車牌定位的車臉檢測與識別方法研究[D];長沙理工大學(xué);2017年

5 謝光俊;車牌識別系統(tǒng)中車牌定位與字符分割算法的研究[D];湖南大學(xué);2015年

6 周滿滿;弱光照度環(huán)境下車牌定位算法的研究[D];湖南大學(xué);2014年

7 付卓棟;圖像分割的車牌定位算法的應(yīng)用研究[D];大連交通大學(xué);2016年

8 李龍;不確定環(huán)境下車牌照定位技術(shù)研究[D];華南理工大學(xué);2018年

9 許世龍;車輛違停自動抓拍系統(tǒng)的研究與設(shè)計[D];長春工業(yè)大學(xué);2018年

10 曹云鳳;低質(zhì)量監(jiān)控視頻中車牌定位技術(shù)研究及實現(xiàn)[D];南京郵電大學(xué);2018年

本文編號：2685395