車牌識(shí)別是智慧城市、智能交通系統(tǒng)中的關(guān)鍵問題之一。盡管近年來隨著計(jì)算機(jī)硬件的發(fā)展和深度學(xué)習(xí)技術(shù)的進(jìn)步,車牌識(shí)別問題已經(jīng)取得了明顯進(jìn)步,但監(jiān)控視頻下的車牌識(shí)別問題仍有很大的進(jìn)步空間,如訓(xùn)練數(shù)據(jù)不足、復(fù)雜多樣的環(huán)境因素以及高速運(yùn)動(dòng)帶來的運(yùn)動(dòng)模糊問題。本文圍繞監(jiān)控視頻下的車牌識(shí)別技術(shù)進(jìn)行探索,主要完成了以下工作內(nèi)容:一、本文以EasyPR為基礎(chǔ)設(shè)計(jì)并實(shí)現(xiàn)了車牌數(shù)據(jù)標(biāo)注系統(tǒng),該系統(tǒng)可以便捷的對(duì)圖像中車牌的位置和號(hào)碼進(jìn)行標(biāo)注。同時(shí)本文還設(shè)計(jì)了可以定向生成多種類型車牌數(shù)據(jù)的自動(dòng)生成和增強(qiáng)方法,該方法不僅保證了各類型車牌訓(xùn)練數(shù)據(jù)的數(shù)量、同時(shí)也保證了訓(xùn)練數(shù)據(jù)的復(fù)雜多樣性和平衡性。通過使用自動(dòng)生成的數(shù)據(jù)可以充分提高車牌識(shí)別網(wǎng)絡(luò)的準(zhǔn)確率。二、本文通過對(duì)ConvNet-RNN網(wǎng)絡(luò)的結(jié)構(gòu)和處理過程進(jìn)行分析,對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)實(shí)現(xiàn)了免字符分割的車牌識(shí)別網(wǎng)絡(luò)AC-RNN。該方法在車牌識(shí)別準(zhǔn)確率上相對(duì)于ConvNet-RNN有顯著的提升。AC-RNN相對(duì)于ConvNet-RNN主要的改進(jìn)內(nèi)容包括車牌字符間相關(guān)性的增強(qiáng)、注意力機(jī)制的應(yīng)用以及針對(duì)車牌識(shí)別進(jìn)行優(yōu)化的CTC Decoder。三、從多任務(wù)學(xué)習(xí)的角度出發(fā),本文提出... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１特征提取展示??Ｆｉｇ．２－１?Ｓａｍｐｌｅ?ｏｆ?Ｆｅａｔｕｒｅ?Ｅｘｔｒａｃｔｉｏｎ??對(duì)于深度學(xué)習(xí)而言，因?yàn)槟Ｐ妥罱K要部署到?jīng)]有見過訓(xùn)練數(shù)據(jù)的生成環(huán)境中，所??

?北京化工大學(xué)碩士學(xué)位論文???ｉ??：：：＾丨??圖２－２爹￥逼知瓦例—…??Ｆｉｇ．２－２?Ｓａｍｐｌｅ?ｏｆ?Ｍｕｌｔｉ－Ｌａｙｅｒ?Ｐｅｒｃｅｐｔｒｏｎ??讓神經(jīng)網(wǎng)絡(luò)模型獲得更好泛化能力的最好方法是使用更多、更多樣性的數(shù)據(jù)進(jìn)行??訓(xùn)練。實(shí)際場(chǎng)景下，我們擁有的數(shù)據(jù)量往往是有限的，解決該問題的一種方法便是創(chuàng)??造假數(shù)據(jù)并添加到訓(xùn)練數(shù)據(jù)中。圖像是高維度的，同時(shí)包含各種巨大的變化因素，其??中很多時(shí)可以被模擬的，即便在模型中己經(jīng)使用卷積和池化技術(shù)對(duì)部分平移保持不??變，沿訓(xùn)練圖像的每個(gè)方向進(jìn)行像素平移往往可以很大程度的改善模型的泛化能力，??對(duì)于圖像識(shí)別，圖像的旋轉(zhuǎn)、縮放也十分有效。考慮到神經(jīng)網(wǎng)絡(luò)對(duì)噪聲不是十分健壯??［２（）］，改善網(wǎng)絡(luò)健壯性的一種方法便是隨機(jī)的噪聲添加到訓(xùn)練數(shù)據(jù)中并進(jìn)行訓(xùn)練，該方??法也被看做一種常用的數(shù)據(jù)增強(qiáng)策略［２１］。??在車牌識(shí)別問題上，尤其是在監(jiān)控視頻角度下的車牌識(shí)別，在訓(xùn)練數(shù)據(jù)的問題上??存在很多限制。??（１）首先由于車牌數(shù)據(jù)本身的敏感性以及道路監(jiān)控視頻的保密性，我們很難獲??取大量的監(jiān)控視頻角度下的車牌數(shù)據(jù)；??（２）其次，從監(jiān)控視頻中獲取的車牌數(shù)據(jù)往往集中在某一城市甚至某一路口，??同時(shí)對(duì)于偏遠(yuǎn)地區(qū)的車牌，如第一位字符是“疆“、”藏“等的車牌，相關(guān)地區(qū)的監(jiān)??控視頻獲取難度更高。這導(dǎo)致訓(xùn)練數(shù)據(jù)的分布便會(huì)缺乏多樣性和平衡性；??（３）對(duì)新類型的車牌如新能源車牌，在新投入使用時(shí)很難獲得足量的訓(xùn)練數(shù)據(jù)。??因此從監(jiān)控視頻中獲取的訓(xùn)練數(shù)據(jù)一方面數(shù)據(jù)量遠(yuǎn)遠(yuǎn)不足，另一方法數(shù)據(jù)的平衡??性和多樣性也遠(yuǎn)遠(yuǎn)不能達(dá)到要求。??２．２訓(xùn)練數(shù)據(jù)的生成與數(shù)據(jù)增強(qiáng)??基于車牌訓(xùn)練數(shù)

?北京化工大學(xué)碩士學(xué)位論文???Ｍ—??、?ａ．本方法生成的數(shù)據(jù)?ｂ．真實(shí)車牌數(shù)據(jù)?）??ｇ?２－７真實(shí)車牌數(shù)據(jù)與生成車牌數(shù)據(jù)對(duì)比??Ｆｉｇ．２－７?Ｃｏｍｐａｒｉｓｏｎ?Ｂｅｔｗｅｅｎ?Ｐｌａｔｅ?Ｇｅｎｅｒａｔｅｄ?ａｎｄ?Ｒｅａｌ?Ｐｌａｔｅ??本課題己經(jīng)實(shí)現(xiàn)對(duì)藍(lán)牌、黃牌、新能源車牌、雙行黃牌、軍車牌、雙行軍車牌、??武警車牌、雙行武警車牌等主流車牌的生成與增強(qiáng)。圖２－８給出了通過該方法生成的??列車牌數(shù)據(jù)樣例。??＾?ｒ?ＨＩ??Ｉａｖ：２ｉ４＾１?雙??＿＿?Ｅｌ＾ｕ＿＿??Ｖ?）??圖２－８自動(dòng)生成的車牌樣例??Ｆｉｇ．２－８?Ｓａｍｐｌｅｓ?ｏｆ?Ｐｌａｔｅ?Ｇｅｎｅｒａｔｅｄ??２．２．３實(shí)驗(yàn)與分析??為了探索生成數(shù)據(jù)對(duì)模型效果的影響，本節(jié)將對(duì)車牌數(shù)據(jù)對(duì)模型識(shí)別能力的影響??進(jìn)行了實(shí)驗(yàn)對(duì)比和結(jié)果分析。在同一網(wǎng)絡(luò)結(jié)構(gòu)下，通過改變訓(xùn)練數(shù)據(jù)集的組成對(duì)比模??型的識(shí)別效果。實(shí)驗(yàn)結(jié)果證明，本文提出的車牌生成方法與數(shù)據(jù)增強(qiáng)策略能夠顯著提??升模型的識(shí)別效果。??實(shí)驗(yàn)過程中本節(jié)采用了第三章中提出的基于多任務(wù)的車牌識(shí)別算法，網(wǎng)絡(luò)輸入為??１２??

【參考文獻(xiàn)】：
期刊論文
[1]騰訊優(yōu)圖亮相“互聯(lián)網(wǎng)+警務(wù)”峰會(huì)[J]. 魯進(jìn).  計(jì)算機(jī)與網(wǎng)絡(luò). 2016(15)
[2]車牌識(shí)別技術(shù)研究[J]. 廖翔云,許錦標(biāo),龔仕偉.  微機(jī)發(fā)展. 2003(S2)

碩士論文
[1]基于核相關(guān)濾波的高速目標(biāo)跟蹤算法研究與系統(tǒng)實(shí)現(xiàn)[D]. 劉志強(qiáng).西安電子科技大學(xué) 2015
[2]基于OpenCV的ARM嵌入式車牌識(shí)別系統(tǒng)的研究[D]. 藍(lán)蕓根.中國(guó)石油大學(xué)(華東) 2015



本文編號(hào)：2959142