2019年7月,公安部交通管理局發(fā)布數(shù)據(jù),上半年全國機(jī)動車保有量達(dá)3.4億輛,其中私家車的數(shù)量為1.98億輛。在其數(shù)量日益增長的情況下,如何隨時隨地的快速完成車輛采集與管理成為交通管理部門的首要任務(wù)。因此本文設(shè)計了一套面向移動終端的車輛信息采集與管理系統(tǒng),該系統(tǒng)分為云服務(wù)器子系統(tǒng)與智能終端子系統(tǒng)兩部分。云服務(wù)器子系統(tǒng)主要負(fù)責(zé)車輛信息管理任務(wù),其中包括:車輛信息添加、單一車輛信息查詢、多車輛信息查詢和車輛信息刪除等。移動終端子系統(tǒng)負(fù)責(zé)車輛相關(guān)信息采集工作,其中采集的車輛信息包括:車牌號碼、車輛地理位置、車輛信息被采集時間和車輛信息采集人員ID。其中基于移動終端的車牌號碼采集是本文的研究重點,車牌號碼采集的獲取流程為:車牌檢測、車牌矯正、車牌字符分割和車牌字符識別。在面向移動終端的車輛信息采集與管理系統(tǒng)中,本文主要完成的工作如下:在車牌檢測任務(wù)中,本文采用基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的SSD-Mobilenet-v1目標(biāo)檢測算法,并且采用聯(lián)級檢測的思想,通過采用首先檢測車輛,隨后檢測車牌的級聯(lián)思想有效的降低車牌的漏檢率。因為車牌目標(biāo)是全圖占比較小的目標(biāo),并且SSD-Mobilenet-v1對小目... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

系統(tǒng)架構(gòu)圖

沈陽工業(yè)大學(xué)碩士學(xué)位論文8圖2.2系統(tǒng)模塊圖Fig.2.2Systemblockdiagram2.3面向智能終端的車輛信息采集子系統(tǒng)設(shè)計在移動終端子系統(tǒng)中，主要完成一下以下任務(wù)：車輛圖像采集、車牌號碼采集、車輛地理位置采集、采集時刻、采集人員ID采集、相關(guān)信息展示與傳輸。這些信息是車輛管理的重要依據(jù)，所以系統(tǒng)必須具備采集速度快、精度高、信息傳輸方便快捷等特點。2.3.1車牌號碼采集車牌號碼是車輛信息采集與管理系統(tǒng)的唯一查詢依據(jù)，需要識別結(jié)果精度高并且速度快，但由于系統(tǒng)搭載于移動終端上，對算法的計算能力與內(nèi)存等做出了制約。綜上多重因素的整合，面向移動終端的車牌采集任務(wù)具有一定技術(shù)難度。車牌號碼采集流程為：車輛檢測、車牌檢測、車牌矯正、字符分割、字符識別與號碼輸出，算法整體流程如圖2.3所示。車輛檢測與車牌檢測采用輕量化SSD-Mobilenet-v1目標(biāo)檢測算法，采用該算法主要原因為模型計算量與占據(jù)內(nèi)存空間都很孝更加適合在嵌入式設(shè)備中應(yīng)用。字符分割采用傳統(tǒng)機(jī)器視覺方法，對分割后的字符進(jìn)行深度輕量化卷積神經(jīng)網(wǎng)絡(luò)圖像分類任務(wù)，獲得最終的車牌號碼，完成車牌號碼采集任務(wù)。

?詠峁梗?進(jìn)而降低模型整體的參數(shù)量，更加接近生物的神經(jīng)網(wǎng)絡(luò)，可有效的減少過擬合的現(xiàn)象。局部感知以及權(quán)值共享可以有效減少網(wǎng)絡(luò)參數(shù)，提高模型的訓(xùn)練效率，同時卷積層內(nèi)的多個卷積核提取圖像的不同特征，保證算法學(xué)習(xí)到原始圖像中的細(xì)節(jié)信息[37]。隨著卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)的疊加，越深的卷積層可以獲取到的特征就越接近全局特征，通過上述得到結(jié)論，增加網(wǎng)絡(luò)模型的層數(shù)是提高性能的一種必要手段。3.3卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹卷積神經(jīng)網(wǎng)絡(luò)算法是一種采用監(jiān)督學(xué)習(xí)方法的多層神經(jīng)網(wǎng)絡(luò)感知器，主要有以下幾個大部分構(gòu)成。具體如圖3.1所示[38]，包括是數(shù)據(jù)輸入層，和由n個包含卷積層、池化層以及激活層組合構(gòu)成的特征提取單元，主要的用途是獲取局部信息與特征推理，模型最后為連接層，通常情況下是一個全連接結(jié)構(gòu)的多層感知機(jī)分類器，主要用途是將特征提取部分提取的特征融合成全局特征，并對其分類。圖3.1卷積神經(jīng)網(wǎng)路分類結(jié)構(gòu)圖Fig.3.1ConvolutionalneuralnetworkclassificationstructurediagramYannLecun最開始將其應(yīng)用在0到9的手寫數(shù)字圖像分類任務(wù)中，并取得了理想的成績，為神經(jīng)網(wǎng)絡(luò)模型在圖像領(lǐng)域的發(fā)展奠定了基矗3.4卷積神經(jīng)網(wǎng)絡(luò)各層介紹3.4.1卷積層在卷積神經(jīng)網(wǎng)絡(luò)中，卷積層作為主要的特征提取結(jié)構(gòu)，通常是多個卷積層連續(xù)出現(xiàn)，每個卷積層含有多個卷積核，卷積操作如圖3.2所示[53]。在普通卷積操作過程中分為以下幾個步驟。首先對特征圖進(jìn)行padding操作，即對特征圖進(jìn)行填充，然后在經(jīng)過填充的特征圖上用卷積核矩陣使用固定步長的滑動窗口進(jìn)行點乘的卷積運(yùn)算，卷積操作后獲得新的特征圖，padding存在“SAME”與“VALID”兩種方法，“SAME”方

【參考文獻(xiàn)】：
期刊論文
[1]基于LeNet-5卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識別[J]. 趙艷芹,童朝娣,張恒.  黑龍江科技大學(xué)學(xué)報. 2019(03)
[2]全球定位系統(tǒng)（GPS）信息采集與處理[J]. 雷洪翔,任爽,呂鐸,任天童,朱文頔,吳彥杭.  現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化. 2018(16)
[3]4G偽基站快速識別與定位分析[J]. 葉林剛.  數(shù)字技術(shù)與應(yīng)用. 2018(07)
[4]基于物聯(lián)網(wǎng)技術(shù)的車輛信息采集系統(tǒng)構(gòu)建[J]. 孟妮.  小型內(nèi)燃機(jī)與車輛技術(shù). 2018(03)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識別[J]. 董峻妃,鄭伯川,楊澤靜.  計算機(jī)應(yīng)用. 2017(07)
[6]基于組合支持向量機(jī)的車牌字符識別[J]. 施隆照,強(qiáng)書連.  計算機(jī)工程與設(shè)計. 2017(06)
[7]卷積神經(jīng)網(wǎng)絡(luò)在車牌分類器中的應(yīng)用[J]. 郭克友,賈海晶,郭曉麗.  計算機(jī)工程與應(yīng)用. 2017(14)
[8]基于4G通信技術(shù)的城市智能化停車引導(dǎo)系統(tǒng)的研究[J]. 孫慧婷,楊會玲,王磊,王軍.  蘇州科技學(xué)院學(xué)報(工程技術(shù)版). 2015(04)
[9]智能交通系統(tǒng)綜述[J]. 趙娜,袁家斌,徐晗.  計算機(jī)科學(xué). 2014(11)
[10]新一代智能交通系統(tǒng)的技術(shù)特點和發(fā)展建議[J]. 王笑京.  工程研究-跨學(xué)科視野中的工程. 2014(01)

碩士論文
[1]基于深度學(xué)習(xí)的駕駛員安全帶檢測[D]. 吳天舒.沈陽工業(yè)大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識別關(guān)鍵技術(shù)的研究與應(yīng)用[D]. 高攀.北京郵電大學(xué) 2019
[3]基于手持車牌識別設(shè)備的違停車輛信息管理系統(tǒng)[D]. 姚東卉.山東大學(xué) 2018
[4]基于深度學(xué)習(xí)的車牌字符識別研究[D]. 楊志.安徽大學(xué) 2018
[5]基于深度學(xué)習(xí)的車牌識別關(guān)鍵技術(shù)研究[D]. 李朝兵.電子科技大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌區(qū)域檢測和車牌字符識別研究[D]. 董峻妃.西華師范大學(xué) 2018
[7]深度學(xué)習(xí)在車牌識別中的應(yīng)用研究[D]. 張宇澄.南京大學(xué) 2018
[8]基于GPS的客運(yùn)車輛管理系統(tǒng)的設(shè)計與實現(xiàn)[D]. 李陽.大連海事大學(xué) 2017
[9]基于手持終端的車牌號碼識別系統(tǒng)[D]. 趙麒瑞.國防科技大學(xué) 2017
[10]車牌識別算法及其在QT平臺上的實現(xiàn)[D]. 張慶.北方工業(yè)大學(xué) 2017



本文編號：2993412