隨著道路上車輛數(shù)目的急劇增加,利用套牌、無牌及其他車輛犯罪的案件也隨之增加,因此對(duì)智能交通系統(tǒng)中車輛信息識(shí)別的研究迫在眉睫。車牌識(shí)別和車型識(shí)別是車輛信息識(shí)別中最為關(guān)鍵的技術(shù)。由于受天氣、復(fù)雜背景等因素影響,車牌識(shí)別和車型識(shí)別面臨著一定的困難。本文主要對(duì)深度學(xué)習(xí)理論進(jìn)行了深入研究,設(shè)計(jì)了車牌識(shí)別網(wǎng)絡(luò)和車型識(shí)別網(wǎng)絡(luò)模型,并在相應(yīng)的數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明本文提出的識(shí)別模型可提高車牌和車型的識(shí)別精度。本文的主要工作如下:車牌識(shí)別方面:設(shè)計(jì)并實(shí)現(xiàn)了基于改進(jìn)LeNet-5網(wǎng)絡(luò)的車牌字符識(shí)別方法。在傳統(tǒng)LeNet-5網(wǎng)絡(luò)模型中改進(jìn)原部分網(wǎng)絡(luò)層為Inception-SE模塊,用全局平均池化層代替全連接層,并用歸一化和正則化操作優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。在經(jīng)過圖片預(yù)處理分割得到的車牌字符數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),與原網(wǎng)絡(luò)相比,改進(jìn)后LeNet-5網(wǎng)絡(luò)的車牌字符識(shí)別精度和識(shí)別速度明顯有很大提高,識(shí)別精度可達(dá)99.88%。進(jìn)而探究了SE模塊和Dropout的效果,并設(shè)計(jì)了GUI界面直觀反饋模型的識(shí)別結(jié)果。車型識(shí)別方面:設(shè)計(jì)并實(shí)現(xiàn)了基于改進(jìn)Efficient Net網(wǎng)絡(luò)的車型識(shí)別方法。對(duì)EfficientNet網(wǎng)絡(luò)模型進(jìn)... 

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究背景及意義
        1.1.1 車牌識(shí)別研究背景及意義
        1.1.2 車型識(shí)別研究背景和意義
    1.2 車牌和車型信息識(shí)別研究現(xiàn)狀
        1.2.1 國內(nèi)外車牌識(shí)別技術(shù)研究現(xiàn)狀
        1.2.2 國內(nèi)外車型識(shí)別技術(shù)研究現(xiàn)狀
    1.3 深度學(xué)習(xí)研究現(xiàn)狀
    1.4 本文結(jié)構(gòu)安排
第2章 車牌和車型信息識(shí)別相關(guān)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 深度學(xué)習(xí)
        2.1.2 卷積神經(jīng)網(wǎng)絡(luò)及其特點(diǎn)
        2.1.3 常規(guī)的車牌和車型信息識(shí)別網(wǎng)絡(luò)
    2.2 車牌和車型信息識(shí)別卷積神經(jīng)網(wǎng)絡(luò)的基本組成結(jié)構(gòu)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 激活函數(shù)
        2.2.4 全連接層
    2.3 車牌和車型信息識(shí)別所用卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 車牌字符識(shí)別網(wǎng)絡(luò)LeNet-5
        2.3.2 車型識(shí)別網(wǎng)絡(luò)Efficient Net
    2.4 本章小結(jié)
第3章 基于改進(jìn)LeNet-5網(wǎng)絡(luò)的車牌字符識(shí)別模型設(shè)計(jì)與仿真
    3.1 車牌字符識(shí)別介紹
    3.2 圖像預(yù)處理
        3.2.1 車牌定位
        3.2.2 車牌字符分割
    3.3 基于Keras框架改進(jìn)LeNet-5 網(wǎng)絡(luò)的模型設(shè)計(jì)
        3.3.1 Inception-SE模塊結(jié)構(gòu)設(shè)計(jì)
        3.3.2 改進(jìn)的LeNet-5網(wǎng)絡(luò)模型設(shè)計(jì)
    3.4 車牌識(shí)別相關(guān)算法
        3.4.1 卷積神經(jīng)網(wǎng)絡(luò)傳播算法
        3.4.2 卷積神經(jīng)網(wǎng)絡(luò)分類算法
    3.5 基于改進(jìn)LeNet-5網(wǎng)絡(luò)的車牌字符識(shí)別實(shí)驗(yàn)結(jié)果與分析
        3.5.1 網(wǎng)絡(luò)識(shí)別結(jié)果與對(duì)比
        3.5.2 SE模塊的識(shí)別效果分析
        3.5.3 Dropout優(yōu)化網(wǎng)絡(luò)效果分析
        3.5.4 車牌識(shí)別GUI界面顯示
    3.6 本章小結(jié)
第4章 基于改進(jìn)Efficient Net的車型識(shí)別模型設(shè)計(jì)與仿真
    4.1 車型識(shí)別模型運(yùn)行環(huán)境及所用數(shù)據(jù)集
        4.1.1 Tensor Flow深度學(xué)習(xí)框架簡(jiǎn)介
        4.1.2 車型識(shí)別數(shù)據(jù)集
    4.2 基于Tensor Flow框架改進(jìn)Efficient Net的車型識(shí)別模型設(shè)計(jì)
        4.2.1 Efficient Net網(wǎng)絡(luò)結(jié)構(gòu)分析
        4.2.2 改進(jìn)的Efficient Net網(wǎng)絡(luò)模型設(shè)計(jì)
        4.2.3 Efficient Net網(wǎng)絡(luò)模型的優(yōu)化
    4.3 基于改進(jìn)Efficient Net網(wǎng)絡(luò)的車型識(shí)別實(shí)驗(yàn)結(jié)果與分析
        4.3.1 改進(jìn)網(wǎng)絡(luò)的識(shí)別結(jié)果
        4.3.2 與原Efficient Net網(wǎng)絡(luò)及其他識(shí)別方法效果對(duì)比
        4.3.3 改進(jìn)LeNet-5 網(wǎng)絡(luò)與改進(jìn)Efficient Net網(wǎng)絡(luò)的對(duì)比仿真實(shí)驗(yàn)
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果
致謝



本文編號(hào)：3657945