隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展,汽車的保有量在逐年增加。智能交通管理系統(tǒng)在交通管控中的重要地位越發(fā)地凸顯出來(lái),而車牌識(shí)別是智能交通管理系統(tǒng)的核心,所以研究車牌識(shí)別具有舉足輕重的意義。本文研究了車牌識(shí)別算法,將卷積神經(jīng)網(wǎng)絡(luò)LeNet-5應(yīng)用到車牌字符的識(shí)別中,著重改進(jìn)了車牌字符識(shí)別算法。定位車牌,分割車牌字符和識(shí)別字符是車牌識(shí)別常規(guī)處理的“三部曲”。首先對(duì)采集到的車牌圖像進(jìn)行灰度化和平滑濾波等預(yù)處理,接著采用基于邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)算法實(shí)現(xiàn)車牌定位;然后結(jié)合車牌具體特征改進(jìn)垂直投影算法,分割出車牌字符;分割好的車牌字符作為下一步字符識(shí)別的數(shù)據(jù)集,最后在深入研究了卷積神經(jīng)網(wǎng)絡(luò)的工作原理以及優(yōu)勢(shì)的基礎(chǔ)上,將具有權(quán)值共享和局部感受野特點(diǎn)的網(wǎng)絡(luò)應(yīng)用到車牌字符識(shí)別當(dāng)中。在LeNet-5經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上,改進(jìn)了輸入層、隱含層和輸出層的結(jié)構(gòu),優(yōu)化卷積層和下采樣層參數(shù),構(gòu)建了DLeNet-5網(wǎng)絡(luò),相比于原始網(wǎng)絡(luò),改進(jìn)的網(wǎng)絡(luò)應(yīng)用于車牌字符識(shí)別具有更高的識(shí)別率。車牌識(shí)別不僅在公共安全管理體系和各種交通場(chǎng)合發(fā)揮著不可或缺的作用,而且在未來(lái)的無(wú)人駕駛和無(wú)人汽車等領(lǐng)域,也將扮演重要的角色,將為城市的健康發(fā)展帶來(lái)諸多便... 

【文章來(lái)源】：江西財(cái)經(jīng)大學(xué)江西省

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

原圖像

2車牌定位9F(i,j)floor((R(i,j)G(i,j)B(i,j))/3)(2-2)（3）分量值法，選取某個(gè)分量作為灰度圖像的值，有三種選擇方式，公式如下：F(i,j)R(i,j),F(i,j)G(i,j),F(i,j)B(i,j)(2-3)（4）加權(quán)平均值法，根據(jù)人眼識(shí)別顏色的特征，給R、G、B加權(quán)值，分配不同的比重，計(jì)算公式如下：(,)rgbFijWRWGWB(2-4)由于人眼對(duì)綠色比較容易辨識(shí)，其次是紅色，最后是藍(lán)色，通常rgbW、W、W設(shè)置為0.299、0.587、0.114。上述四種灰度化處理方法中，分量值法不適用于車牌識(shí)別，采集到的圖像由不同的顏色組成，不可以用其中的一種分量去表示整幅圖片。文章對(duì)其余的三種方式進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如下圖。圖2.1原圖像圖2.2平均值法

基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別算法研究10圖2.3加權(quán)平均值法圖2.4最大值法由圖2.1至圖2.4的結(jié)果可知，平均值法會(huì)使得圖像變模糊。最大值法處理的圖像比較平滑，但是丟失了一些圖片細(xì)節(jié)。而加權(quán)平均值法處理的效果最好，并且字符與背景對(duì)比度最明顯，能夠較好地體現(xiàn)圖片的亮度內(nèi)容，所以文中采用加權(quán)平均值法實(shí)現(xiàn)灰度化處理。2.1.2圖像的平滑濾波攝像機(jī)獲取到的車牌圖像中會(huì)有噪聲污染，這些噪聲會(huì)覆蓋在車牌字符或者車牌的邊緣信息上，車牌的邊緣信息對(duì)車牌的定位有很重要的作用，為抑制這些噪聲污染，可以對(duì)圖像采取平滑濾波處理，以便提取有用的信息，使車牌識(shí)別更加準(zhǔn)確。常用的圖像平滑處理有線性濾波和中值濾波。線性濾波是空間域的平滑濾波技術(shù)，鄰域平均法是常用的一種線性濾波技術(shù)，它取鄰域內(nèi)像素的平均值作為鄰域內(nèi)中心點(diǎn)的像素值，所以濾波效果與所選取鄰域的大小有一定關(guān)系，它可以減少圖像灰度的尖銳化。該方法去噪效果較好，容易實(shí)現(xiàn)，但可能會(huì)使圖像邊緣信息細(xì)節(jié)模糊甚至丟失[16]。中值濾波是一種基于排序數(shù)理統(tǒng)計(jì)的非線性濾波技術(shù)，將某一點(diǎn)的值用該點(diǎn)鄰域內(nèi)所有像素點(diǎn)的中值替代，一般可以為方形鄰域，

【參考文獻(xiàn)】：
期刊論文
[1]車輛牌照識(shí)別技術(shù)現(xiàn)狀[J]. 鄧嘉誠(chéng),黃賀聲,楊林,魏亞?wèn)|.  現(xiàn)代信息科技. 2019(16)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的雙行車牌分割算法[J]. 趙漢理,劉俊如,姜磊,沈建冰,胡明曉.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(08)
[3]卷積神經(jīng)網(wǎng)絡(luò)在車牌識(shí)別中的應(yīng)用研究[J]. 劉華春.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(04)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別技術(shù)[J]. 劉建國(guó),代芳,詹濤.  物流技術(shù). 2018(10)
[5]Using deep learning to detect small targets in infrared oversampling images[J]. LIN Liangkui,WANG Shaoyou,TANG Zhongxing.  Journal of Systems Engineering and Electronics. 2018(05)
[6]基于模板匹配方法的不均勻照度車牌圖像識(shí)別[J]. 凌翔,賴錕,王昔鵬.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(08)
[7]一種基于GMP-LeNet網(wǎng)絡(luò)的車牌識(shí)別方法[J]. 林哲聰,張江鑫.  計(jì)算機(jī)科學(xué). 2018(S1)
[8]基于顏色分割與Sobel算子相結(jié)合的車牌定位[J]. 侯向?qū)?劉華春.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(08)
[9]基于機(jī)器學(xué)習(xí)的多車牌識(shí)別算法應(yīng)用研究[J]. 鄭顧平,閆勃勃,李剛.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(06)
[10]基于自適應(yīng)數(shù)學(xué)形態(tài)學(xué)的車牌定位研究[J]. 王曉群,劉宏志.  圖學(xué)學(xué)報(bào). 2017(06)



本文編號(hào)：3325963