車牌的自動檢測和識別技術在智能交通中起著重要的作用,利用車牌自動識別技術,可以使城市小區(qū)、停車場等各種情景下的車輛實現智能化管理。近年來由于車牌自動檢測和識別技術巨大的潛在應用引起了研究人員的廣泛關注和探索�，F行的車牌識別技術大多是在受控的條件下進行的比如常見的小區(qū)車牌識別就是在特定的位置和光照下獲取較好的圖片已達到較好的識別效果,交通道路上的車牌識別技術往往是通過強光燈獲取較好的可視條件從而進行定位識別的。由于識別條件的苛刻,導致在復雜的環(huán)境下利用現行的車牌識別技術往往不能取得很好的識別效果,因而復雜環(huán)境下對車牌進行識別仍是一項艱巨的挑戰(zhàn)。在復雜環(huán)境下對車牌識別的困難主要是對距離較遠的車牌進行識別,或者是大角度車牌進行識別。早期車牌識別過程分為兩個部分進行,首先將車牌檢測并分割出來,其次對分割出來的圖片上的字符進行逐一識別。由于車牌的檢測和車牌的識別具有相當大的關聯度,在車牌檢測階段獲得比較精準的定位可以提升車牌的字符識別精度,反之則會降低車牌字符的識別精度。本文主要是對拍攝距離較遠和發(fā)生旋轉這況下的車牌進行定位和識別這兩部分展開相關研究的,為了方便描述將上述兩種情況定義為復雜車牌,... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：75 頁

【學位級別】：碩士

【部分圖文】：

復雜環(huán)境下的車牌

手寫字識別[25]

電子科技大學碩士學位論文10圖2-3Sigmoid函數從圖2-3中可以看到Sigmoid函數具有很好的對稱性，并且輸出始終控制在0-1之間。在輸入趨近無窮大和無窮小時Sigmoid函數趨于平滑狀態(tài)，當函數的輸入超出范圍后輸出變化不明顯容易造成梯度缺失[27]，對于深層的神經網絡來說這是相當不利的因素。從圖2-3可以看出當輸入大于10或者輸入小于-10后函數的輸出變化很不明顯這將導致梯度的缺失，不利于層數較多的神經網絡進行反饋傳播。同樣的在Sigmoid函數在輸入為0的前后梯度的變化單一，在輸入值為0的前后梯度將出現大于0和小于0兩種情況，導致反向運算將朝一個方向持續(xù)更新。Tanh函數的計算公式如式2-2所示：o=+(22)圖2-4Tanh函數

【參考文獻】：
期刊論文
[1]基于Faster R-CNN的交通標志檢測方法[J]. 王銘杰.  無線互聯科技. 2019(24)
[2]一種邏輯回歸學習率自適應調整方法[J]. 嚴曉明.  福建師范大學學報(自然科學版). 2019(03)
[3]基于注意力機制的雙向長短時記憶網絡模型突發(fā)事件演化關系抽取[J]. 聞暢,劉宇,顧進廣.  計算機應用. 2019(06)
[4]深層網絡中的梯度消失現象[J]. 周祥全,張津.  科技展望. 2017(27)
[5]改進卷積神經網絡在分類與推薦中的實例應用[J]. 楊天祺,黃雙喜.  計算機應用研究. 2018(04)
[6]最大穩(wěn)定極值區(qū)域與筆畫寬度變換的自然場景文本提取方法[J]. 張國和,黃凱,張斌,符歡歡,趙季中.  西安交通大學學報. 2017(01)
[7]基于人工神經網絡的車牌識別[J]. 吳聰,殷浩,黃中勇,劉罡.  計算機技術與發(fā)展. 2016(12)
[8]相關向量機超參數優(yōu)化的網絡安全態(tài)勢預測[J]. 肖漢杰,桑秀麗.  計算機應用. 2015(07)
[9]廣義隱馬爾可夫模型的快速前向后向算法[J]. 陳海洋,高曉光,梅軍峰.  系統(tǒng)工程與電子技術. 2012(10)
[10]Canny色彩邊緣檢測及分類新方法[J]. 丁文,李勃,陳啟美.  北京郵電大學學報. 2012(01)



本文編號：2986137