車牌識別是車輛識別的關鍵技術之一,也是智慧交通的重要組成部分。雖然在高清靜態(tài)交通場景中車牌識別已經較為成熟,但在更廣義的場景中,車牌識別問題依然面臨挑戰(zhàn)。因此,如何在復雜多變的場景下快速準確地獲取車牌號碼信息具有極大的現(xiàn)實價值與意義。傳統(tǒng)的車牌識別基于人工設計的特征,在光照不穩(wěn)定、拍照角度傾斜等復雜場景下魯棒性不足,難以實現(xiàn)高精度的識別。近年來,深度學習方法的提出使得計算機視覺中的各項任務都取得了很大的進步,也為多場景的車牌識別研究提供了新思路。因此,本文以深度學習為基礎,針對多場景車牌識別問題,設計合理的神經網絡結構與策略,提升識別精度與效率,以滿足不同場景下的需求。本文的主要工作和取得的研究成果概述如下:（1）基于空間變換網絡的傾斜車牌識別。針對傳統(tǒng)的車牌識別方法無法有效泛化到傾斜車牌場景下的問題,本文利用空間變換網絡對傾斜車牌進行矯正,該網絡可以與識別網絡進行端到端的訓練,不需要額外的標注信息。實驗結果表明,所提方法能夠有效地矯正傾斜車牌,從而改善識別精度,并且僅增加了 1.52%的計算量。（2）基于合成數(shù)據(jù)的車牌識別。針對深度學習算法需要大量標注數(shù)據(jù)驅動來訓練模型,但人工收集的... 

【文章來源】：中國科學院大學(中國科學院人工智能學院)北京市

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖２．１?—維高斯分布??．－ｉｒｉｂｕｉｏｎ??

?基于深度學習的多場景車牌識別技術研究???從圖中可以看出其權值分布是有規(guī)律的，在中心點處權值最大，距離中心??距離越遠的點權值越校一維高斯分布的概率密度函數(shù)如公式２．１所示。??］?乂?）２??／（Ｘ）二——Ｔ＝ｅ?２〇＂?（２．１）??＜ＴＶ?２＾??其中，Ａ代表平均值，Ｃ代表標準差。因為圖像是二維的，通過計算可以??得到二維的高斯分布如圖２．２所示，二維高斯概率密度函數(shù)公式如公式２．２所示。??Ｇ（ｘ，ｙ）?＝?—ｌ－－ｅ＾ｘ２＋ｙ２＾２ａ２?（２－２）??２ｔｉｇ??二維高斯分布??＇?１．０??Ｊｋ＇＇?：?＇？?０．８??…＇＇繼?；］??？?”、?Ｉ。６?細??？?＊?－?０?４??５?１０?＾??ｘｔｔ１５?２０?５??３０??圖２．２二維高斯分布??Ｆｉｇｕｒｅ２．２?Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ｇａｕｓｓｉａｎ?ｄｉｓｔｒｉｂｕｔｉｏｎ??一般來說，圖像中越靠近的像素點它們之間關系越密切，和高斯分布情況很??吻合，因此高斯低通濾波器更加合適用來處理圖像，減少噪聲對圖像特征的干擾。??（２）圖像灰度化??圖像灰度化就是將原始圖像通過灰度變換處理成灰度圖，灰度圖像中每個像??素點的顏色值也稱為灰度值�；叶戎档姆秶菑模暗剑玻担�，數(shù)值越大表示的顏色??越白，同理數(shù)值越小表示的顏色越黑。灰度值２５５表示白色，灰度值０則表示黑??色。進行圖像灰度化的操作主要是為了后續(xù)進行的操作做圖像預處理，因為有些??８??

?基于深度學習的多場景車牌識別技術研宄???２．２深度學習相關理論介紹??深度學習是通過對大量有標記的數(shù)據(jù)進行訓練學習這些樣本數(shù)據(jù)的內在規(guī)??律，深度學習發(fā)展迅速在語言和圖像識別方面得到廣泛應用。卷積神經網絡是深??度學習中的一種重要算法，它可以直接從圖像中提取特征不需要對輸入圖片數(shù)據(jù)??進行預處理，因此在圖像處理任務中得到了廣泛的應用。循環(huán)神經網絡是另一個??重要的深度學習算法，它主要是針對序列數(shù)據(jù)，當前時刻的輸出除了與當前時刻的??輸入有關還與之前時刻輸入的數(shù)據(jù)有關。本節(jié)分析了卷積神經網絡和循環(huán)神經網??絡的特點和應用領域，說明了卷積神經網絡更適合于基于深度學習的端到端全卷??積多場景車牌識別。??２．?２．１卷積神經網絡??卷積神經網絡是深度學習中一類重要算法，它獨特的網絡結構相比全連接網絡更適??合做圖像識別原因主要有三點。全連接網絡結構圖如圖２．３所示。??續(xù)：＞ｖ?一??輸ＡＭ?隱含層?輸出層??圖２．３全連接網絡示意圖??Ｆｉｇｕｒｅ２．３?Ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｆｕｌｌｙ?ｃｏｎｎｅｃｔｅｄ?ｎｅｔｗｏｒｋ??（］）局部連接??從上圖的全連接神經網絡圖中可以觀察到在全連接神經網絡中每兩層之間??所有的節(jié)點都有邊相連。這樣的話整個網絡需要計算的參數(shù)就太多了。而在卷積??１２??

【參考文獻】：
期刊論文
[1]基于深度學習的車牌字符識別的設計與實現(xiàn)[J]. 肖秀春,吳偉鵬.  電子技術與軟件工程. 2018(16)
[2]融合KL散度和移地距離的高斯混合模型相似性度量方法[J]. 余艷.  計算機應用. 2014(03)
[3]基于OpenCV的機器視覺圖像處理技術實現(xiàn)[J]. 王福斌,李迎燕,劉杰,陳至坤.  機械與電子. 2010(06)
[4]基于雙線性插值的圖像縮放算法的研究與實現(xiàn)[J]. 王森,楊克儉.  自動化技術與應用. 2008(07)
[5]基于圖形處理器（GPU）的通用計算[J]. 吳恩華,柳有權.  計算機輔助設計與圖形學學報. 2004(05)
[6]利用形態(tài)特征的汽車車牌圖像分割方法[J]. 胡愛明,周孝寬.  計算機輔助設計與圖形學學報. 2003(06)
[7]一種基于車牌特征信息的車牌識別方法[J]. 駱雪超,劉桂雄,馮云慶,申柏華.  華南理工大學學報(自然科學版). 2003(04)
[8]基于模板匹配和神經網絡的車牌字符識別方法[J]. 魏武,黃心漢,張起森,王敏,王明俊.  模式識別與人工智能. 2001(01)
[9]基于循環(huán)神經網絡的語音識別模型[J]. 朱小燕,王昱,徐偉.  計算機學報. 2001(02)
[10]圖像分割中的交叉熵和模糊散度算法[J]. 薛景浩,章毓晉,林行剛.  電子學報. 1999(10)

碩士論文
[1]基于深度學習的車牌檢測識別研究[D]. 王瀟凡.南京郵電大學 2019
[2]車牌圖像二值化效果的改進算法研究[D]. 魏誠.浙江大學 2006



本文編號：2966351