車(chē)牌檢測(cè)與識(shí)別有著三十余年的研究歷史,并且在一些簡(jiǎn)單固定場(chǎng)景下已經(jīng)得到了廣泛應(yīng)用,但是在成像設(shè)備不固定、光照不佳等開(kāi)放式環(huán)境下,現(xiàn)有的車(chē)牌檢測(cè)與識(shí)別算法的效果會(huì)急劇下降。近年來(lái)深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域得到了廣泛應(yīng)用,其算法在魯棒性、準(zhǔn)確度等方面遠(yuǎn)超傳統(tǒng)算法,因此本文嘗試將深度學(xué)習(xí)應(yīng)用于車(chē)牌檢測(cè)與識(shí)別,在開(kāi)放式環(huán)境下達(dá)到實(shí)時(shí)、準(zhǔn)確的效果。本文以開(kāi)放式環(huán)境下視頻車(chē)牌檢測(cè)與識(shí)別為目標(biāo),綜合考慮實(shí)時(shí)性與準(zhǔn)確性,結(jié)合實(shí)際應(yīng)用場(chǎng)景,提出了基于YOLOv3（You Only Look Oncev3）的車(chē)牌檢測(cè)算法 LPDNet（License Plate Detection Network）和基于 CRNN（Convolutional Recurrent Neural Network）的車(chē)牌序列識(shí)別算法 LPSRNet（License Plate Sequence Recognition Network）。本文主要工作和創(chuàng)新如下:（1）建立車(chē)牌檢測(cè)及識(shí)別基準(zhǔn)數(shù)據(jù)集目前中文車(chē)牌僅有的大型數(shù)據(jù)集為中國(guó)科學(xué)技術(shù)大學(xué)公開(kāi)的CCPD,但其拍攝場(chǎng)景固定、車(chē)牌相似度高且每張圖像僅含一個(gè)車(chē)牌,不適合作為基準(zhǔn)數(shù)據(jù)集。... 

【文章來(lái)源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

CTPN算法“微分”示意圖

??圖２－１場(chǎng)景文字圖像?圖２－２?ＣＴＰＮ算法“微分”示意圖??Ｆｉｇｕｒｅ?２－１?Ｓｃｅｎｅ?ｔｅｘｔ?ｉｍａｇｅ?Ｆｉｇｕｒｅ?２－２?“ｄｉｆｆｅｒｅｎｔｉａｌ”?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＣＴＰＮ?ａｌｇｏｒｉｔｈｍ??基于以上兩個(gè)核心思想，ＣＴＰＮ的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)如圖２－３所示。??１?？?＾?ｗ?２ｋ?ｖｅｒｔｉｃａｌ??１?ｖｖ?ｔｖ－?－－Ｊｒ．＾１?ｎ??／—＂一＂Ｉ——Ｉ一￣「１￣￣Ｉ￣￣ＩＩ?念?ｃｏｏｒｄｉｎａｔｅｓ??｜?｜?｜?１?｜?｜?１??ＩＺ］Ｉ｜ＩＺ￣Ｉ．．－ｉ－－｜－?ｎ??ＥＣ：：：＝＊ｃｃｒ：＝?＾?Ｈ?＾?—？?＊?—？?—？?２ｋ?ｓｃｏｒｅｓ??■??—＾―?Ｉ?？?？?？??ＶＧＧ１６?＼?ｌ』丁?：：．■?ｗ?ｈ??＼?ｍ：孓終ｔ＾ＴＩＩ?ｕ?Ｋ??ｄｉ?ｑｔ＼ａ?ＦＣ?ｓｉｄｅ－ｒｅｆｉｎｅｍｅｎｔ??Ｃｏｎｖ５?ＢＬＳ？??圖２－３?ＣＴＰＮ網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇｕｒｅ?２－３?Ａｒｃｈｉｔｅｃｔｕｒｅ?ｏｆ?ＣＴＰＮ??ＣＴＰＮ算法的具體步驟為：??（１）用?ＶＧＧ１６?網(wǎng)絡(luò)的前?５?個(gè)?ｃｏｎｖ?ｓｔａｇｅ?得到?ｆｅａｔｕｒｅ?ｍａｐ，大小為?Ｗ＊Ｈ＊Ｃ；??（２）用３＊３的滑動(dòng)窗口在前一步得到的ｆｅａｔｕｒｅ?ｍａｐ上提取特征，利用這些特??征來(lái)對(duì)多個(gè)ａｎｃｈｏｒ進(jìn)行預(yù)測(cè)，這里ａｎｃｈｏｒ定義與ＦａｓｔｅｒＲ－ＣＮＮ中的定義相同，也??就是幫我們?nèi)ソ缍ǔ瞿繕?biāo)待選區(qū)域；??（３）將上一步得到的特征輸入到一個(gè)雙向的ＬＳＴＭ中

?ＣＴＰＮ算法的最大特點(diǎn)是將ＲＮＮ引入到文本檢測(cè)中，可以學(xué)習(xí)到文本序列的??前后文信息，不使用ＲＮＮ與使用ＲＮＮ的結(jié)果對(duì)比如圖２－４所示。另外ＣＴＰＮ使??用了“微分”的思想減小誤差，使用固定寬度的ａｎｃｈｏｒ來(lái)檢測(cè)分割為許多塊的??ｐｒｏｐｏｓａｌ，最后進(jìn)行合并即得到檢測(cè)結(jié)果。ＣＮＮ和ＲＮＮ的聯(lián)合使用極大地提高了??場(chǎng)景文本檢測(cè)的精度。??國(guó)??■臟＿．：Ｍｉ??；．，＾ｌｒ?ｉ［?ＥＳｆｅＭ?．￣§＾??＾?－?麵漏?ＷＩＳ—??圖２－４上：不使用ＲＮＮ的ＣＴＰＮ下：使用ＲＮＮ的ＣＴＰＮ??Ｆｉｇｕｒｅ?２－４?Ｔｏｐ：?ＣＴＰＮ?ｗｉｔｈｏｕｔ?ＲＮＮ?Ｂｏｔｔｏｍ：?ＣＴＰＮ?ｗｉｔｈ?ＲＮＮ??２．２目標(biāo)檢測(cè)算法研究??目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究重點(diǎn)，也是各種實(shí)際應(yīng)用如安防、無(wú)人駕駛、??機(jī)器人、工業(yè)檢測(cè)的核心模塊。目標(biāo)檢測(cè)是指從一幅圖像中獲得目標(biāo)的位置信息和??類(lèi)別信息，包括定位和識(shí)別兩個(gè)過(guò)程，其難點(diǎn)在于如何從待檢測(cè)圖像中提取出可能??含有目標(biāo)的區(qū)域。由于實(shí)際場(chǎng)景日趨復(fù)雜，光照、遮擋、角度變化等因素均會(huì)導(dǎo)致??圖像變化，這些都為目標(biāo)檢測(cè)帶來(lái)新的挑戰(zhàn)。當(dāng)前目標(biāo)檢測(cè)算法可以分為兩大類(lèi)，??第一類(lèi)是基于手工設(shè)計(jì)特征和傳統(tǒng)機(jī)器學(xué)習(xí)的檢測(cè)算法

【參考文獻(xiàn)】：
期刊論文
[1]基于HSI顏色空間和行掃描的車(chē)牌定位算法[J]. 胡峰松,朱浩.  計(jì)算機(jī)工程與設(shè)計(jì). 2015(04)

碩士論文
[1]深度學(xué)習(xí)在車(chē)牌識(shí)別中的應(yīng)用研究[D]. 張宇澄.南京大學(xué) 2018



本文編號(hào)：2964699