作為智能交通系統(tǒng)的重要組成部分,自動(dòng)車牌識(shí)別技術(shù)一直是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。隨著深度學(xué)習(xí)技術(shù)的發(fā)展,平安城市、無人駕駛等領(lǐng)域?qū)嚺谱R(shí)別技術(shù)新需求的提出,以及智能手機(jī)、移動(dòng)終端設(shè)備拍攝得到的復(fù)雜車牌圖像所帶來挑戰(zhàn)的升級(jí),車牌識(shí)別面臨著新的挑戰(zhàn),同時(shí)也帶來了新的研究契機(jī)。近年來,針對(duì)車牌識(shí)別的研究層出不窮,但大多數(shù)方法未能全面細(xì)致地分析自然場(chǎng)景下車牌圖像的特點(diǎn)�；趥鹘y(tǒng)特征的方法識(shí)別速度較快,但多用于受控條件下的車牌圖像,對(duì)于場(chǎng)景變化因素魯棒性不強(qiáng);基于深度學(xué)習(xí)的方法通過對(duì)大量樣本進(jìn)行訓(xùn)練學(xué)習(xí),能夠在多變的自然環(huán)境中表現(xiàn)出更好的效果,但很少考慮到自然場(chǎng)景下車牌變形不規(guī)則的問題,存在很大的改進(jìn)空間。自然場(chǎng)景下復(fù)雜環(huán)境的干擾、車牌圖像質(zhì)量參差不齊、車牌形狀變形不規(guī)則和不同國家的設(shè)計(jì)規(guī)則等影響因素的存在,使得車牌識(shí)別具有非常大的挑戰(zhàn)性。為了提升自然場(chǎng)景下車牌識(shí)別的整體識(shí)別效果,本文充分考慮車牌的形狀特征,提出了一種自然場(chǎng)景下變形車牌檢測(cè)模型DLPD-Net,并在此基礎(chǔ)上提出了一個(gè)完整的車牌檢測(cè)與識(shí)別系統(tǒng)。本文的主要工作如下:（1）針對(duì)車牌識(shí)別方法進(jìn)行了總結(jié)與分析。詳細(xì)描述并分析了近年來的車牌... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

車輛的基本信息Figure1.1Basicinformationofavehicle

第一章緒論3升使得人們生活的各方各面都變得越來越便利，如遠(yuǎn)程溝通、移動(dòng)支付和圖像拍攝等，同時(shí)也使得人們不再局限于攝像頭這一單一的拍攝設(shè)備，導(dǎo)致圖像拍攝場(chǎng)景將變得更加廣泛，角度更加多樣，拍攝到的圖像也會(huì)隨之變得更加復(fù)雜。無人駕駛的發(fā)展與車牌圖像采集設(shè)備的多樣化勢(shì)必將對(duì)車牌識(shí)別提出更多的需求與更高的挑戰(zhàn)，在這些因素的推動(dòng)下，ALPR技術(shù)的研究工作面臨著以下的困難與挑戰(zhàn)：（1）圖像質(zhì)量參差不齊。由于拍攝設(shè)備不同，不同的相機(jī)、手機(jī)拍攝得到的車牌圖像分辨率或高或低，如圖1.2(a)所示。（2）復(fù)雜環(huán)境影響。圖像中存在諸如建筑標(biāo)志、商鋪招牌和廣告語等復(fù)雜背景干擾因素；強(qiáng)光條件下會(huì)導(dǎo)致車牌圖像對(duì)比度較差，弱光條件下無法保證有可借助的輔助光源，導(dǎo)致車牌圖像細(xì)節(jié)丟失，難以確定車牌顏色；車牌圖像易受雨雪等惡劣天氣的影響，如圖1.2(b)所示。（3）拍攝距離與視角不固定�，F(xiàn)實(shí)ALPR應(yīng)用中采集設(shè)備的多樣性，如利用手機(jī)或移動(dòng)交通執(zhí)法終端進(jìn)行車牌識(shí)別時(shí)，其拍攝距離與視角并不確定，因此導(dǎo)致車牌在圖像中的占比與角度不固定，甚至?xí)l(fā)生扭曲，導(dǎo)致車牌圖像存在各種不規(guī)則的變形，如圖1.2(c)所示。（4）不同國家間車牌設(shè)計(jì)規(guī)則不同。不同國家或地區(qū)的車牌其底色、尺寸、文字及文字排列規(guī)則有所不同，如圖1.2(d)所示。圖1.2自動(dòng)車牌檢測(cè)與識(shí)別技術(shù)難點(diǎn)Figure1.2Thedifficultiesinautomaticlicenseplatedetectionandrecognitiontechnology綜上所述，自動(dòng)車牌識(shí)別技術(shù)在智能交通系統(tǒng)、平安城市中均發(fā)揮著重要作用，而無人駕駛的發(fā)展與車牌圖像采集設(shè)備的多樣化對(duì)車牌識(shí)別提出了更高的挑

合肥工業(yè)大學(xué)學(xué)術(shù)碩士研究生學(xué)位論文4戰(zhàn)，這些挑戰(zhàn)都需要自動(dòng)車牌識(shí)別技術(shù)的進(jìn)一步發(fā)展，為車牌識(shí)別技術(shù)帶來了新的研究契機(jī)。1.2國內(nèi)外研究現(xiàn)狀A(yù)LPR的任務(wù)是在圖像中尋找和識(shí)別車牌，通常分為三個(gè)子任務(wù)：車輛檢測(cè)、車牌檢測(cè)和車牌字符識(shí)別。首先通過車輛檢測(cè)子任務(wù)獲取圖像中的車輛區(qū)域，然后利用車牌檢測(cè)子任務(wù)將車牌區(qū)域圖像從車輛區(qū)域中抓取出來，再通過車牌字符識(shí)別子任務(wù)識(shí)別車牌區(qū)域圖像中的字符，最后排列得到最終的車牌號(hào)碼，如圖1.3所示，出于保護(hù)個(gè)人隱私考慮，圖中車輛與車牌并不對(duì)應(yīng)。下面將從車輛檢測(cè)、車牌檢測(cè)和車牌字符識(shí)別三個(gè)方面來分析ALPR技術(shù)的國內(nèi)外研究現(xiàn)狀。圖1.3自動(dòng)車牌檢測(cè)與識(shí)別技術(shù)通用流程Figure1.3Generalprocedureofautomaticlicenseplatedetectionandrecognitiontechnology1.2.1車輛檢測(cè)車輛檢測(cè)是自動(dòng)車牌識(shí)別的第一步，利用車牌均懸掛于車輛前側(cè)或后側(cè)這一先驗(yàn)知識(shí)，在檢測(cè)車牌前首先定位車輛所在位置能夠有效降低車牌檢測(cè)的難度、提升車牌檢測(cè)的準(zhǔn)確率。車輛常常作為目標(biāo)檢測(cè)任務(wù)中的基礎(chǔ)目標(biāo)，因此利用現(xiàn)有的目標(biāo)檢測(cè)模型實(shí)現(xiàn)對(duì)車輛的檢測(cè)是簡單且有效的。傳統(tǒng)目標(biāo)檢測(cè)算法中，研究人員大都通過三個(gè)階段實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)：區(qū)域選擇、特征提取和分類。由于目標(biāo)可能存在于圖像中任意位置，且目標(biāo)大小與長寬比也不固定，因此傳統(tǒng)算法常采用滑動(dòng)窗口的策略窮舉出所有目標(biāo)可能出現(xiàn)的位置，再使用LBP[1]、HOG[2]或SIFT[3]等手工描述子提取特征，最后使用SVM[4]或AdaBoost[5]分類器對(duì)提取到的特征進(jìn)行分類。但是這種策略時(shí)間復(fù)雜度太高，容易產(chǎn)生大量的冗余窗口，嚴(yán)重影響算法的速度和性能，使得目標(biāo)檢測(cè)的發(fā)展一度陷入瓶頸。2012年，AlexKrizhevsky提出的AlexNet[6]在ImageNet[7]賽事?

【參考文獻(xiàn)】：
期刊論文
[1]計(jì)算機(jī)多尺度輔助定位車牌算法[J]. 魏亭,邱實(shí),李晨,王銳.  電子學(xué)報(bào). 2018(09)
[2]多信息融合的快速車牌定位[J]. 王永杰,裴明濤,賈云得.  中國圖象圖形學(xué)報(bào). 2014(03)

博士論文
[1]深度學(xué)習(xí)模型的高效訓(xùn)練算法研究[D]. 陳凱.中國科學(xué)技術(shù)大學(xué) 2016



本文編號(hào)：3252656