伴隨著計(jì)算機(jī)、通信技術(shù)的高速發(fā)展,自動(dòng)處理信息功能越來(lái)越廣泛地應(yīng)用到人們生活的方方面面。自動(dòng)車牌識(shí)別系統(tǒng)的使用解放了人力,提高車輛管理的效率�，F(xiàn)如今無(wú)人駕駛、智能交通等各種場(chǎng)景的需求,科技智能化的日益發(fā)展急需自動(dòng)車牌識(shí)別技術(shù)在速度與精確度上不斷提升。自動(dòng)車牌識(shí)別技術(shù)有很重要的應(yīng)用價(jià)值和研究意義。現(xiàn)今商業(yè)和學(xué)術(shù)領(lǐng)域都在深入研究可用于自動(dòng)車牌識(shí)別系統(tǒng)的各種方法。然而目前大多數(shù)的方法所提取的數(shù)據(jù)集圖像都集中在特定車牌區(qū)域,即大部分是幾乎正面的車牌圖像,以此檢測(cè)車牌。此種情況下會(huì)導(dǎo)致若需要檢測(cè)的圖像中車牌位置為傾斜、畸變等情形,則檢測(cè)及識(shí)別結(jié)果均不準(zhǔn)確。在WPOD-NET^[1]中,提出在無(wú)約束場(chǎng)景下,對(duì)拍攝角度傾斜的圖像進(jìn)行矯正并識(shí)別。通過(guò)測(cè)試此方法,其不能夠涵蓋所有拍攝到的車牌圖像情況,尤其是極端場(chǎng)景下采集到的畸變車牌圖像不能夠被識(shí)別。本文針對(duì)上述無(wú)約束方案的特點(diǎn),增加了在極端條件下采取到的車牌圖像（圖像極端傾斜甚至畸變不為平行四邊形）進(jìn)行檢測(cè)的功能。在網(wǎng)絡(luò)中添加了一層反饋機(jī)制,使一些特定場(chǎng)合錯(cuò)檢的車牌圖像重新輸入網(wǎng)絡(luò)中排除錯(cuò)誤答案重新檢測(cè),從而有效的提高了網(wǎng)絡(luò)的魯棒性... 

【文章來(lái)源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

端到端效果展示

蘭州大學(xué)碩士學(xué)位論文自然環(huán)境大傾角下的自動(dòng)車牌識(shí)別技術(shù)研究圖1-3端到端效果展示2017年，Silva和Jung使用YOLO（YouOnlyLookOnce）網(wǎng)絡(luò)并進(jìn)行微調(diào)，對(duì)巴西車牌數(shù)據(jù)集實(shí)現(xiàn)了良好的檢測(cè)和識(shí)別效果[20]。該方法要求需提取正面圖像的車牌進(jìn)行檢測(cè)，這限制了其應(yīng)用場(chǎng)景。Bulan和Kozitsky利用連續(xù)平均量化變換（SMQT，SuccessiveMeanQuantizationTransform）在幾個(gè)尺度上提取特征信息，利用固定滑動(dòng)窗口提取候選框，提高了車牌檢測(cè)的精準(zhǔn)性[21]。2018年，Ying以及Xin提出利用卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)從滑動(dòng)窗口的候選區(qū)域中提取特征，通過(guò)支持向量機(jī)提取車牌區(qū)域[22]。由于固定的滑動(dòng)窗口會(huì)導(dǎo)致最終提取的一些候選框太大或太�；诖�，Li和Wang提出了一個(gè)統(tǒng)一的框架[23]，在同一流程上共同解決車牌檢測(cè)和識(shí)別兩個(gè)任務(wù)。檢測(cè)和識(shí)別共享卷積特征，與圖1-1步驟分離的模型相比，卷積特征的參數(shù)較少，網(wǎng)絡(luò)可以端到端地訓(xùn)練。效果如圖1-3所示。同樣是2018年，Menon和Omman提出從單個(gè)框架中檢測(cè)和識(shí)別多個(gè)車牌[24]，且具有復(fù)雜背景的車牌也可以檢測(cè)出來(lái)。Dhar和Guha利用邊緣檢測(cè)、距離邊界向量（DsBs，DistancetoBorderVectors）的形狀驗(yàn)證、卷積神經(jīng)網(wǎng)路等深度學(xué)習(xí)模式來(lái)自動(dòng)提取特征，改進(jìn)了孟加拉國(guó)的車牌識(shí)別系統(tǒng)[25]。Jagtap以及Holambe開(kāi)發(fā)一種多樣式車牌識(shí)別（MSLPR，Multi-StyleLicensePlateRecognition）[26]將形態(tài)學(xué)運(yùn)算與水平和垂直邊緣直方圖以及人工神經(jīng)網(wǎng)絡(luò)相結(jié)合來(lái)對(duì)印度車牌進(jìn)行識(shí)別。圖1-4CNN-RNN方法效果展示5

蘭州大學(xué)碩士學(xué)位論文自然環(huán)境大傾角下的自動(dòng)車牌識(shí)別技術(shù)研究圖1-5WPOD-NET檢測(cè)車牌示例2019年，Zhang提出一種基于CNN-RNN（RecurrentNeuralNetworks，循環(huán)神經(jīng)網(wǎng)絡(luò)）的兩階段無(wú)約束車牌定位方法[27]。該網(wǎng)絡(luò)使用LSTM（LongShort-TermMemory，長(zhǎng)短期記憶網(wǎng)絡(luò)）[28]提取上下文信息，并與CNN結(jié)合，達(dá)到了良好的效果，如圖1-4所示。Silva提出的扭曲平面目標(biāo)檢測(cè)網(wǎng)絡(luò)（WPOD-NET，WarpedPlanarObjectDetc-tionNetwork）[1]給出了一套完整的車牌識(shí)別系統(tǒng)，并提供了在無(wú)約束場(chǎng)景下的識(shí)別算法，能夠糾正失真車牌的形變，使用現(xiàn)有的OCR方法來(lái)對(duì)車牌進(jìn)行識(shí)別。該方法的主要貢獻(xiàn)是對(duì)各種多變的場(chǎng)景下尤其是傾斜場(chǎng)景下的車牌都能較好的檢測(cè)。示例圖像如圖1-5所示，拍攝角度傾斜，檢測(cè)難度較大。通過(guò)測(cè)試，該方法不能夠涵蓋拍攝到的所有車牌拍攝情況，并且畸變場(chǎng)景下的車牌識(shí)別效果不佳，可對(duì)其進(jìn)行優(yōu)化處理。1.3本文的主要工作內(nèi)容本文的主要研究工作和創(chuàng)新內(nèi)容如下：1.針對(duì)已有的無(wú)約束方案的特點(diǎn)，修改YOLO網(wǎng)絡(luò)邊界框回歸的全連接層的損失函數(shù)部分，將車牌相鄰三個(gè)角點(diǎn)坐標(biāo)與網(wǎng)絡(luò)輸出的L1范數(shù)作為損失來(lái)訓(xùn)練。根據(jù)三個(gè)角點(diǎn)補(bǔ)齊平行四邊形得到車牌第四個(gè)角點(diǎn)。測(cè)試結(jié)果表明參與訓(xùn)練的三個(gè)車牌角點(diǎn)坐標(biāo)具有更高的精確度。但是這種方法適用場(chǎng)景與原方法相同，不能很好地匹配失真嚴(yán)重的車牌角點(diǎn)。故不約束車牌的形狀為平行四邊形，將車牌的四個(gè)角點(diǎn)都參與網(wǎng)絡(luò)訓(xùn)練中。對(duì)于網(wǎng)絡(luò)檢測(cè)畸變較嚴(yán)重的車牌其測(cè)試結(jié)果更為準(zhǔn)確，因此在各種情況下能更通用的檢測(cè)車牌，具有更好的魯棒性。2.分析檢錯(cuò)圖像的特點(diǎn)，結(jié)合檢錯(cuò)后OCR識(shí)別的結(jié)果制定出一層反饋機(jī)制。我們對(duì)檢錯(cuò)的圖像區(qū)域像素置零處理，使其區(qū)域像素不能激活網(wǎng)絡(luò)，并再次輸入進(jìn)網(wǎng)絡(luò)檢測(cè)，提高大


本文編號(hào)：2930549