車牌檢測與識別在智能交通系統(tǒng)中有很重要的作用,是車輛精細化識別、車牌識別等處理的必要前提。所以研究復雜非限定場景下的車牌檢測與定位具有重要的意義。近年來,車牌檢測受到社會各界的關注,而且也在實際應用中取得了很好的效果。但是由于各種惡劣的條件影響,在實際場景應用中仍然很難滿足實際應用的各種要求。因此,如何有效改善車牌檢測算法的精度和速度,對于智能交通系統(tǒng)的發(fā)展有著非常重要的意義。本文針從提升車牌檢測算法的精度和速度兩個方面進行了研究,主要工作如下:(1)目前的車牌檢測模型都是對光照條件比較好,視角單一的場景應用比較好,對于非限定視角下的車牌檢測仍然存在許多問題。為了解決這一問題,本文提出一種基于擴張卷積注意力模塊。該模塊首先將基礎特征提取網(wǎng)絡輸出的特征圖做三個不同大小擴張率的卷積操作,并將產(chǎn)生的特征圖融合后輸出;然后再對基礎特征提取網(wǎng)絡輸出的特征圖做通道和空間雙重關注,最后再將產(chǎn)生特征圖融合。同時,由于目前公開的數(shù)據(jù)集大多類型單一、數(shù)量太少且視角固定,不具有普適性。因此本文又提出了一種基于三維場景渲染合成車牌數(shù)據(jù)的方法。該算法利用三維場景建模模擬車牌在現(xiàn)實環(huán)境中光照強度、角度以及距離的變...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究的現(xiàn)狀
    1.3 本文主要研究內容
    1.4 論文內容與章節(jié)安排
第二章 相關算法與理論介紹
    2.1 深度學習介紹
        2.1.1 深度學習概念介紹
        2.1.2 前向與反向傳播
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 卷積層
        2.2.2 池化層
    2.3 基于區(qū)域候選框的目標檢測方法
        2.3.1 R-CNN
        2.3.2 Fast R-CNN
        2.3.3 Faster R-CNN
    2.4 基于回歸的目標檢測方法
        2.4.1 YOLO
        2.4.2 SSD
    2.5 車牌檢測的相關方法
    2.6 本章小結
第三章 基于擴張卷積注意力模塊的車牌檢測
    3.1 引言
    3.2 相關工作
        3.2.1 數(shù)據(jù)合成方法
        3.2.2 多尺度擴張卷積特征融合與注意力機制
    3.3 車牌數(shù)據(jù)集合成方法
        3.3.1 數(shù)據(jù)集渲染
        3.3.2 車牌合成算法流程
        3.3.3 車牌視點分布
        3.3.4 光照強度與角度
        3.3.5 車牌數(shù)據(jù)自動標注
    3.4 基于擴張卷積注意力機制的車牌檢測
        3.4.1 網(wǎng)絡模型整體結構
        3.4.2 多尺度擴張卷積特征融合模塊
        3.4.3 注意力機制模塊
        3.4.4 損失函數(shù)
    3.5 實驗結果與分析
        3.5.1 實驗環(huán)境
        3.5.2 實驗數(shù)據(jù)集
        3.5.3 對比實驗
        3.5.4 消融實驗結果分析
    3.6 本章小結
第四章 基于深度可分離卷積MobileNetv2 的車牌檢測
    4.1 引言
    4.2 相關工作
    4.3 MobileNetv2 網(wǎng)絡
        4.3.1 倒置殘差結構
        4.3.2 MobileNetv2 網(wǎng)絡結構
    4.4 SSD目標檢測算法
        4.4.1 使用多尺度特征圖
        4.4.2 先驗框策略
    4.5 基于MobileNetv2 網(wǎng)絡的車牌檢測
        4.5.1 網(wǎng)絡結構介紹
        4.5.2 損失函數(shù)
        4.5.3 算法流程
    4.6 實驗結果及分析
        4.6.1 實驗環(huán)境配置
        4.6.2 實驗數(shù)據(jù)集組建
        4.6.3 對比實驗分析
        4.6.4 實驗結果
    4.7 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的學術論文
致謝



本文編號：3749358