發(fā)布時間：2020-12-23 11:49

　　隨著經(jīng)濟(jì)的發(fā)展與技術(shù)水平的進(jìn)步,我國的汽車保有量越來越多,我國在道路交通智能管控、停車場管理等場景下存在巨大的車牌自動識別需求。傳統(tǒng)的車牌識別把車牌識別分為車牌定位,字符分割,字符識別三個模塊。而分散的模塊設(shè)計方法提高了算法的復(fù)雜度,且三個模塊之間存在依賴關(guān)系會引起誤差積累的問題,最后會降低車牌識別的準(zhǔn)確率。本文提出了一種基于YOLOv3的車牌識別系統(tǒng)（LPR-YOLO）。該系統(tǒng)分為車牌定位與字符識別兩個部分。該系統(tǒng)的優(yōu)點是提高了車牌定位與分類的準(zhǔn)確率,減少了因字符分割引起的識別誤差,提高了字符識別的準(zhǔn)確率。實驗結(jié)果表明,本文提出的車牌識別系統(tǒng)（LPRYOLO）自適應(yīng)性強(qiáng),經(jīng)過200000輪的訓(xùn)練后,獲得了較快的收斂速度。車牌定位平均的交并比（IoU）占比達(dá)到了85.95%,總的損失函數(shù)收斂于0.07。本文的主要工作與創(chuàng)新點如下:（1）為了適應(yīng)車牌的規(guī)格和特點,構(gòu)建了車牌定位系統(tǒng)�；赮OLOv3目標(biāo)識別模型,本文提出了針對車牌識別的端到端的網(wǎng)絡(luò)模型（LPR-YOLO）。為了增強(qiáng)模型對車牌大小以及字符大小的敏感度,本文提出的車牌識別系統(tǒng)除了重新設(shè)計了特征提取網(wǎng)絡(luò)外,還對車牌預(yù)測階段的特... 

【文章來源】：東華大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

國內(nèi)汽車保有量此外，在政府的大力推廣下，新能源汽車的數(shù)量開始不斷增加，新能源汽車

展與技術(shù)水平的進(jìn)步，我國的汽車保有量越的追求，汽車逐漸在各個行業(yè)中扮演了重要7 年增加了 2304 萬輛，增長 11.85%，汽車保構(gòu)成主體[1]。圖 1-1 展示了國內(nèi)汽車保有輛圖 1-1 國內(nèi)汽車保有量的大力推廣下，新能源汽車的數(shù)量開始不斷啟用。如圖 1-2 所示，新能源北京市專用車

牌照從復(fù)雜背景中提取出來并識別車牌號碼。傳統(tǒng)的識別方案步驟上為三步進(jìn)行。第一步進(jìn)行車牌定位，第二步對車牌字符進(jìn)行分割，第三步字符識別。流程圖如圖1-3所示。圖 1-3 傳統(tǒng)方法識別車牌的過程車牌識別的傳統(tǒng)研究方法主要包括以下方法：有基于顏色的[1]，有基于紋理的[2]，有基于邊緣檢測的[3]，有基于模板匹配的[4]。1998年趙雪春提出了由彩色分割、目標(biāo)定位、字符識別及后處理模塊組成的采用彩色分割及多級混合集成分類器的車牌自動識別方法[1]。2002年郭捷針對復(fù)雜背景的車牌定位問題，提出了一種顏色和紋理分析相結(jié)合的車牌定位算法[5]。除了基于顏色的識別方法外，還有基于模板匹配的識別方法。2001年，魏武在中提出了一種基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌識別方法[4]。該方法集成了模板匹配識別車牌字符和神經(jīng)網(wǎng)絡(luò)識別車牌字符的各自優(yōu)勢。國內(nèi)外在傳統(tǒng)的識別方法上相近，幾乎都是這幾種方法的組合和變種。本質(zhì)上沒有脫離對顏色邊緣

【參考文獻(xiàn)】：
期刊論文
[1]基于深度CNN的改進(jìn)弱監(jiān)督學(xué)習(xí)方法設(shè)計與驗證[J]. 尚重陽,趙東波,陳杰.  重慶郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[2]一種基于Faster-RCNN的車輛實時檢測改進(jìn)算法[J]. 楊薇,王洪元,張繼,張中寶.  南京大學(xué)學(xué)報(自然科學(xué)). 2019(02)
[3]卷積神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的一種改進(jìn)[J]. 劉小文,郭大波,李聰.  測試技術(shù)學(xué)報. 2019(02)
[4]基于深度學(xué)習(xí)的目標(biāo)檢測框架進(jìn)展研究[J]. 寇大磊,權(quán)冀川,張仲偉.  計算機(jī)工程與應(yīng)用. 2019(11)
[5]基于YOLO算法的多類目標(biāo)識別[J]. 于秀萍,呂淑平,陳志韜.  實驗室研究與探索. 2019(03)
[6]改進(jìn)YOLO v3的安全帽佩戴檢測方法[J]. 施輝,陳先橋,楊英.  計算機(jī)工程與應(yīng)用. 2019(11)
[7]基于改進(jìn)損失函數(shù)的YOLOv3網(wǎng)絡(luò)[J]. 呂鑠,蔡烜,馮瑞.  計算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[8]基于改進(jìn)YOLOv3的快速車輛檢測方法[J]. 張富凱,楊峰,李策.  計算機(jī)工程與應(yīng)用. 2019(02)
[9]基于OpenCV的車牌識別[J]. 畢波,邵永謙,孫冬軍,賈思超.  電子設(shè)計工程. 2019(01)
[10]基于YOLO v2模型的交通標(biāo)識檢測算法[J]. 王超,付子昂.  計算機(jī)應(yīng)用. 2018(S2)

碩士論文
[1]基于SSD的行人檢測與跟蹤方法研究[D]. 李海翔.中國科學(xué)技術(shù)大學(xué) 2018
[2]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[3]基于深度學(xué)習(xí)的人臉識別算法與應(yīng)用研究[D]. 何金洋.西南科技大學(xué) 2016
[4]基于深度學(xué)習(xí)的圖像識別算法研究[D]. 豐曉霞.太原理工大學(xué) 2015
[5]基于深度學(xué)習(xí)的人臉識別研究[D]. 林妙真.大連理工大學(xué) 2013



本文編號：2933666