車牌ID作為各種智能交通系統(tǒng)建設需求的關(guān)鍵信息之一。目前,絕大多數(shù)車牌識別算法僅在確定的常規(guī)場景下有效,對于實際環(huán)境中一些不確定因素影響,如霧霾、雨雪等惡劣天氣,車輛高速運動導致采集車牌模糊,車牌拍攝環(huán)境光線黑暗或強光,監(jiān)控設備像素低、位置傾斜等導致車牌模糊、傾斜以及人為車牌字符涂抹或部分遮擋等涉車犯罪活動等,車牌識別系統(tǒng)識別準確度較低。同時車牌類型多,如:新能源車牌（8位字符）、港澳車牌等,大部分算法僅支持特定類別的車牌識別,難以滿足實際應用需求。雖然近年來基于深度學習的車牌識別系統(tǒng)在一定程度上提高了車牌識別性能,但目前該類算法仍存在一些缺點,如:依賴大量標記數(shù)據(jù)、需字符分割或標簽對齊等。因此,針對上述問題,本文以深度學習方法為基礎,研究內(nèi)容主要包括以下三點:（1）良好的深度模型依賴大量真實標記樣本而人工標記成本高,本文提出一種新的樣本生成及增強策略,僅采用少量的標記數(shù)據(jù),在CycleGAN的基礎上改進,引入“特征一致性”損失函數(shù),模型GAN-Plate可生成大量逼真的車牌樣本。（2）為提高復雜環(huán)境下的車牌識別的魯棒性,本文設計了一種新的端到端車牌識別模型Incep-PlateNet... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【部分圖文】：

平均池化過程

| | 圖 2-4 平均池化過程Fig. 2-4 Average pooling process，一般取區(qū)域內(nèi)所有神經(jīng)元的最大值，計算公式（2.3），其神經(jīng)元的激活值。如下圖 2-5 所示所示，對于紅、綠、黃、藍池化即選擇其中最大的值保留作為輸出，參數(shù)量減少為原來 =

圖 2-6 CNN 典型結(jié)構(gòu)Fig. 2-6 The architecture of classical CNN.2 循環(huán)神經(jīng)網(wǎng)絡循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network, RNN）可以建模時間序列數(shù)據(jù)之間的性，同時對于具有一定時間間隔的序列具有短期記憶功能。RNN 通過使用帶自的神經(jīng)元，即神經(jīng)元不但可以接受其它神經(jīng)元的信息，也可接受自身的信息具有回路的網(wǎng)絡結(jié)構(gòu)，可以處理任意長度的時序數(shù)據(jù)。如圖 2-7 為一個簡單的循環(huán)神經(jīng)網(wǎng)絡，假設在時刻¨時，網(wǎng)絡的輸入為 ，隱藏態(tài)為 ，不僅和當前時刻的輸入 有關(guān)也和上一個時刻的隱層狀態(tài) 有關(guān)，即（2.10），其中 ( )為非線性激活函數(shù)，通常為 tanh 函數(shù)或 logistic 函數(shù)， 為-狀態(tài)權(quán)重矩陣， 為狀態(tài)-輸入權(quán)重矩陣， 為偏置。 = ( ) (2.10

【參考文獻】：
期刊論文
[1]基于深度學習神經(jīng)網(wǎng)絡的車牌字符識別技術(shù)的研究[J]. 王晶.  工業(yè)控制計算機. 2017(03)
[2]基于多尺度模板匹配和部件模型的車牌字符分割方法[J]. 裴明濤,王永杰,賈云得,郭志強.  北京理工大學學報. 2014(09)
[3]基于連通域提取的車牌字符分割算法[J]. 甘玲,林小晶.  計算機仿真. 2011(04)
[4]基于投影特征值的車牌字符分割算法[J]. 遲曉君,孟慶春.  計算機應用研究. 2006(07)
[5]利用Hough變換和先驗知識的車牌字符分割算法[J]. 張云剛,張長水.  計算機學報. 2004(01)
[6]一種模板匹配和神經(jīng)網(wǎng)絡的車牌字符識別方法[J]. 王敏,黃心漢,魏武,李煒.  華中科技大學學報. 2001(03)

碩士論文
[1]低質(zhì)量監(jiān)控視頻中的車牌識別技術(shù)研究與實現(xiàn)[D]. 李宇琦.南京郵電大學 2018
[2]基于深度信念網(wǎng)絡的車牌字符識別算法研究與實現(xiàn)[D]. 朱宏吉.浙江大學 2015



本文編號：3455068