針對目前車牌識別領域中,霧霾環(huán)境下車牌檢測準確率低的問題,本文提出一種基于深度學習的抗霧霾車牌檢測方法,該方法能夠檢測民用車牌和機場民航車輛車牌。該方法首先利用一種基于卷積神經(jīng)網(wǎng)絡的去霧算法對車牌圖片進行去霧預處理,然后將處理過的無霧霾圖片送入PLATE-YOLO網(wǎng)絡中檢測車牌的位置。該PLATE-YOLO網(wǎng)絡是本文針對車牌檢測的特點,對YOLOv3網(wǎng)絡做了修改后得到的適用于車牌檢測的網(wǎng)絡。主要改進點有兩處:第一,提出了一種基于層次聚類算法的錨盒(Anchor Box)個數(shù)和初始簇中心的計算方法;第二,針對車牌目標較大的特點,對網(wǎng)絡的多尺度特征融合做了優(yōu)化。優(yōu)化后的PLATE-YOLO網(wǎng)絡更適合于車牌檢測,且提高了檢測速度。實驗證明,PLATE-YOLO網(wǎng)絡檢測車牌的速度較YOLOv3提高了5 FPS;在霧霾環(huán)境下,經(jīng)去霧預處理的PLATE-YOLO車牌檢測方法比未經(jīng)去霧處理的車牌檢測方法準確率提高了9.2%。

【文章頁數(shù)】：11 頁

【文章目錄】：
1 引言
2 模型介紹
3 數(shù)據(jù)預處理
    3.1 車牌檢測數(shù)據(jù)集制作
    3.2 去霧預處理
4 YOLOv3網(wǎng)絡及優(yōu)化
    4.1 錨盒先驗參數(shù)計算
    4.2 多尺度特征融合
    4.3 算法復雜度理論分析
5 實驗與結果分析
    5.1 實驗環(huán)境與方法
    5.2 指標介紹
    5.3 多尺度特征消融實驗
    5.4 加去霧預處理與不加去霧預處理的實驗對比
    5.5 本文提出車牌檢測算法與其他車牌檢測算法的對比
6 結論



本文編號：3853274