隨著社會的進步和科技的發(fā)展,汽車的保有量也在不斷增加。過多的汽車使城市的交通擁堵現(xiàn)象日益嚴重,因此城市中的智能交通管理越來越重要,而車牌識別作為智能交通管理的重要組成部分,一直都是研究熱點。目前,在正常條件下,車牌的識別準確率較高,但是在強弱光照、旋轉畸變、運動模糊等復雜條件下車牌識別準確率偏低,針對以上復雜條件下的車牌識別問題,本文將卷積神經(jīng)網(wǎng)絡(Convolution Neural Networks,CNN)應用于車牌的識別,并通過調整網(wǎng)絡參數(shù),訓練產(chǎn)生適合復雜條件下車牌識別的卷積神經(jīng)網(wǎng)絡。之后,對具體的各種復雜條件,采用不同的圖像增強方法,進一步提高識別的準確率。主要工作如下:針對車牌圖像在復雜條件下定位不準確的問題,提出一種多特征融合的車牌定位方法。將處理后的圖像分別采用基于HSV二值化的行定位和基于OTSU二值化的列定位進行車牌定位處理,解決了普通定位算法中,定位不準確、定位邊界模糊不清的問題,為之后的車牌字符識別提供良好的基礎。針對傳統(tǒng)車牌識別算法存在字符分割過程中產(chǎn)生大量誤差,影響車牌字符識別準確率的問題,將卷積神經(jīng)網(wǎng)絡應用于車牌字符識別。該過程直接將車牌整體輸入到卷積神...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 選題背景與意義
    1.2 車牌識別的研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內研究現(xiàn)狀
        1.2.3 中國車牌特點和識別難點
    1.3 本文的主要工作
    1.4 本文的組織結構
    1.5 本章小結
第二章 卷積神經(jīng)網(wǎng)絡相關研究
    2.1 人工神經(jīng)網(wǎng)絡
        2.1.1 神經(jīng)元的結構
        2.1.2 前饋神經(jīng)網(wǎng)絡
        2.1.3 前饋神經(jīng)網(wǎng)絡的訓練方法
    2.2 卷積神經(jīng)網(wǎng)絡
        2.2.1 典型結構
        2.2.2 訓練算法
        2.2.3 實現(xiàn)框架
    2.3 本章小結
第三章 車牌定位方法研究
    3.1 引言
    3.2 常見的車牌定位算法
        3.2.1 基于紋理特征的車牌定位
        3.2.2 基于顏色特征的車牌定位
        3.2.3 基于神經(jīng)網(wǎng)絡的車牌定位
    3.3 本文的車牌定位算法
        3.3.1 彩色圖像降噪處理
        3.3.2 灰度化處理
        3.3.3 顏色空間轉換
        3.3.4 二值化處理
        3.3.5 形態(tài)學處理
        3.3.6 基于HSV二值化的行定位
        3.3.7 基于OTSU二值化的列定位
    3.4 實驗結果
    3.5 本章小結
第四章 基于卷積神經(jīng)網(wǎng)絡的車牌識別
    4.1 引言
    4.2 常見的車牌字符識別算法
        4.2.1 基于模板匹配的識別算法
        4.2.2 基于支持向量機的識別算法
        4.2.3 基于傳統(tǒng)人工神經(jīng)網(wǎng)絡的識別算法
    4.3 本文的車牌字符識別算法
    4.4 實驗與結果分析
        4.4.1 數(shù)據(jù)集與實驗環(huán)境
        4.4.2 CNN網(wǎng)絡深度對車牌識別精度的影響
        4.4.3 卷積核大小對車牌識別精度的影響
        4.4.4 卷積核個數(shù)對車牌識別精度的影響
        4.4.5 批量訓練樣本數(shù)對車牌識別精度的影響
        4.4.6 與傳統(tǒng)方法進行比較
    4.5 本章小結
第五章 復雜條件下的車牌識別研究
    5.1 引言
    5.2 強弱光照條件下的車牌識別
    5.3 畸變旋轉條件下的車牌識別
    5.4 運動模糊條件下的車牌識別
    5.5 實驗結果與分析
    5.6 本章小結
第六章 總結與展望
    6.1 工作總結
    6.2 后續(xù)工作
參考文獻
讀研期間所取得的相關科研成果
致謝



本文編號：3774894