車牌檢測是現(xiàn)代智能交通系統(tǒng)的一項基礎(chǔ)支撐技術(shù),其使用光學(xué)成像設(shè)備抓拍車輛圖像,隨后應(yīng)用計算機(jī)視覺、機(jī)器學(xué)習(xí)等相關(guān)技術(shù),從抓拍到的車輛圖像中自動確定車牌位置坐標(biāo),并分割出車牌區(qū)域。經(jīng)過長期發(fā)展,車牌檢測技術(shù)已經(jīng)廣泛應(yīng)用到智能交通的各領(lǐng)域,如:停車場收費系統(tǒng)、交通道路流量監(jiān)控、交通違章車輛抓拍、車輛智能跟蹤及定位等。目前,針對車牌檢測任務(wù)已經(jīng)有很多理論研究成果和成型的商用系統(tǒng),表面上看車牌檢測技術(shù)相當(dāng)完善,可以獲得令人滿意的效果,實際上此類技術(shù)有很多前提條件,局限性相當(dāng)大。例如應(yīng)用廣泛的停車場收費系統(tǒng),必須配備良好的圖像采集環(huán)境,光照、拍攝角度、圖像的穩(wěn)定性等都需處于理想狀態(tài),一旦去除這些前提條件,現(xiàn)有技術(shù)的檢測效果將大打折扣。因此,研究復(fù)雜交通場景下的車牌檢測技術(shù)仍然具有很高的實用價值。本文從日常拍攝的非理想環(huán)境出發(fā),研究復(fù)雜交通場景下的車牌檢測算法,針對非理想拍攝環(huán)境、實時檢測、多角度、模糊修復(fù)等目前車牌檢測技術(shù)存在的問題,結(jié)合深度學(xué)習(xí)算法展開研究,主要有以下幾點創(chuàng)新工作:（1）提出一種適應(yīng)非理想光照場景的車牌檢測算法,其基于深度學(xué)習(xí)圖像語義分割技術(shù),抽取魯棒的圖像特征,生成車牌顯著性... 

【文章來源】：貴州大學(xué)貴州省 211工程院校

【文章頁數(shù)】：126 頁

【學(xué)位級別】：博士

【部分圖文】：

常用的車牌檢測和識別系統(tǒng)

貴州大學(xué)博士研究生學(xué)位論文然而，在其他復(fù)雜交通場景，如：違章檢測、道路監(jiān)控中，圖像捕捉設(shè)備往不斷變化、拍攝角度也各不相同，這類環(huán)境下捕捉的圖像，容易受到復(fù)多種背景紋理的影響[3]，同時車牌圖像的形狀也可能出現(xiàn)較大的變化，為矩形，很難使用現(xiàn)有的方法得到車牌區(qū)域的完整圖像進(jìn)而進(jìn)行相關(guān)自動化

第二章 相關(guān)技術(shù)度學(xué)習(xí)相關(guān)技術(shù)類計算機(jī)算法的總稱，這類算法從已相當(dāng)于尋找一個函數(shù)映射 ( )，輸入的數(shù)都較為復(fù)雜。常見的機(jī)器學(xué)習(xí)算法有工神經(jīng)網(wǎng)絡(luò)等。機(jī)器學(xué)習(xí)的諸類算法已牌檢測與識別（見 1.2 節(jié)敘述）。rtificialNeuralNetworks，以下簡稱 AN人腦的神經(jīng)單元設(shè)計出計算機(jī)可用的人2.1 所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報. 2017(01)

博士論文
[1]非限制場景車牌分層序貫識別方法研究[D]. 王然.華中科技大學(xué) 2015



本文編號：3531558