隨著我國國民經(jīng)濟(jì)的發(fā)展,車輛數(shù)量爆發(fā)式增長,對車牌識別技術(shù)提出了更高的要求。當(dāng)前國內(nèi)已經(jīng)有很多車牌識別系統(tǒng)投入商用,但是目前的車牌識別技術(shù)存在兩個問題:霧霾環(huán)境下車牌識別準(zhǔn)確率低和不能識別民航特種車輛車牌。一方面,隨著霧霾問題的日益嚴(yán)峻,霧霾環(huán)境下車牌識別準(zhǔn)確率低成了車牌識別技術(shù)需要解決的迫切問題。另一方面,近年來相關(guān)政策允許部分懸掛民航車牌的車輛在機(jī)場外道路上行駛。但是,由于民航特種車輛車牌規(guī)格與普通民用車牌規(guī)格不同,經(jīng)過調(diào)研發(fā)現(xiàn),目前尚無能夠識別民航特種車牌的車牌識別方法。基于上述情況,本文提出了一種能夠識別普通車牌和民航車牌的車牌識別方法,并提高了霧霾環(huán)境下車牌識別的準(zhǔn)確率。論文的主要研究內(nèi)容如下:首先,用去霧算法對車牌圖片進(jìn)行去霧處理,以提高霧霾環(huán)境下車牌識別的準(zhǔn)確率。本文選用了一種基于門控融合的圖像去霧算法對圖片做去霧預(yù)處理。該去霧算法具有自動適應(yīng)不同霧霾濃度的特點,不會對無霧霾圖片造成負(fù)面影響。其次,設(shè)計并訓(xùn)練了一個基于深度學(xué)習(xí)的車牌檢測算法。該車牌檢測算法是本文針對車牌檢測的特點,對目標(biāo)檢測算法YOLOv3做了修改和優(yōu)化后,得到的適用于車牌檢測的網(wǎng)絡(luò)。主要改進(jìn)點有兩處:第... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

Labelimg標(biāo)注工具界面

中國民航大學(xué)碩士學(xué)位論文14絡(luò)，測試集用于評比網(wǎng)絡(luò)性能。數(shù)據(jù)集采用可擴(kuò)展標(biāo)記語言XML記錄標(biāo)簽內(nèi)容，具體標(biāo)注格式如表2-2所示。本文使用標(biāo)記工具Labelimg[29]對圖片進(jìn)行標(biāo)注。Labelimg是一款開源的數(shù)據(jù)標(biāo)注工具，它支持包括PASCALVOC格式在內(nèi)的多種數(shù)據(jù)集標(biāo)注格式。用鼠標(biāo)標(biāo)識目標(biāo)邊界框后可以自動生產(chǎn)XML標(biāo)簽文件。其標(biāo)注界面如圖2-3所示。2.2.2字符識別數(shù)據(jù)集生成車牌字符識別數(shù)據(jù)集用于訓(xùn)練字符識別模型，要求其能覆蓋所有車牌包含的字符。但是如表2-1所示，我國車牌中包含盛自治區(qū)、直轄市簡稱，由于車輛分布具有區(qū)域性，難以搜集完整的覆蓋所有車牌字符的字符識別數(shù)據(jù)集。所以本文采用人工合成的方法生成車牌字符識別數(shù)據(jù)集�！吨腥A人民共和國機(jī)動車號牌》[3]標(biāo)準(zhǔn)和《民用機(jī)場航空器活動區(qū)機(jī)動車車牌樣式》[4]中規(guī)定了我國車牌字符內(nèi)容和規(guī)格，例如小型車輛車牌如圖2-4所示。字體采用公安部制作的特殊字體，該字體基于簡體漢字黑體制作，具有筆畫均勻容易識別的特點。由于車牌中含有各個盛自治區(qū)、直轄市簡稱，難以收集到大量完整覆蓋上述簡稱的真實車牌，且字符標(biāo)注工作量巨大難以實現(xiàn)，本文車牌字符識別所用的數(shù)據(jù)集是根據(jù)上述標(biāo)準(zhǔn)生成的仿真圖片。圖2-4標(biāo)準(zhǔn)車牌規(guī)格圖例本文用Python腳本調(diào)用OpenCV庫制作了仿真車牌圖片，圖片中字符顏色及字符順序均按照《中華人民共和國機(jī)動車號牌》和《民用機(jī)場航空器活動區(qū)機(jī)動車車牌樣式》中規(guī)定制作，圖例如圖2-5所示。一共用程序自動生成了27萬張不同種類的車牌圖片，每張圖片中都隨機(jī)加入噪聲、透視扭曲、模糊、明暗變化效果，且圖片長寬比在標(biāo)準(zhǔn)車牌15%范圍內(nèi)隨機(jī)變化，以模擬實際采集車牌效果。數(shù)據(jù)集標(biāo)簽格式為：采

中國民航大學(xué)碩士學(xué)位論文15用車牌字符內(nèi)容和六位序號，以下劃線分隔，并以標(biāo)簽命名圖片文件名。圖2-5生成車牌圖例2.3去霧預(yù)處理本文采用去霧預(yù)處理方法來提高霧霾環(huán)境下車牌識別準(zhǔn)確率，而不是用大量霧霾圖片來訓(xùn)練神經(jīng)網(wǎng)絡(luò)方法。其原因主要是人工合成有霧霾的車牌圖片困難，而能夠搜集到的有霧霾車牌圖片過少。去霧預(yù)處理模塊接在車牌檢測算法前端，待檢測的圖片經(jīng)過去霧預(yù)處理后，再做后續(xù)的車牌位置檢測和車牌字符識別。下面詳細(xì)介紹本文的去霧預(yù)處理方法。2.3.1數(shù)據(jù)集中的霧霾問題在最初的實驗過程中，車牌檢測準(zhǔn)確率較低。經(jīng)過對檢測錯誤的圖片樣本的檢查發(fā)現(xiàn)，錯誤樣本中多數(shù)為有霧霾圖片。經(jīng)過分析發(fā)現(xiàn)數(shù)據(jù)集中霧霾圖片過少，本文搜集到的數(shù)據(jù)集中霧霾圖片的數(shù)量僅有371張。由于霧霾圖片樣例太少的數(shù)據(jù)不均衡問題，導(dǎo)致車牌檢測算法不能充分地學(xué)習(xí)霧霾環(huán)境下車牌的特征，因此對含有霧霾的圖片檢測準(zhǔn)確率降低。而通過圖像處理技術(shù)，用無霧霾圖片人工合成有霧霾圖片的方法，需要每張圖片對應(yīng)的景深數(shù)據(jù)才能模擬真實環(huán)境中的霧霾[30]。后續(xù)實驗中發(fā)現(xiàn)，如果在車牌檢測前對有霧霾的圖片做去霧處理，可以提高霧霾圖片檢測的準(zhǔn)確率。因此，在車牌檢測算法前端加入了去霧預(yù)處理模塊，圖片通過去霧預(yù)處理后，再進(jìn)行后續(xù)的檢測和識別。為了充分利用真實圖片數(shù)據(jù)，數(shù)據(jù)集實用方面，將所有371張有霧霾的圖片挑出組成霧霾圖片測試集，另外隨機(jī)抽取的513張無霧霾圖片組成了無霧霾測試集。測試集一共884張圖片，占總數(shù)據(jù)集的10%，用來檢測去霧處理后的車牌檢測效果。圖2-6中（a）

【參考文獻(xiàn)】：
期刊論文
[1]基于Faster-RCNN的車牌檢測[J]. 艾曼.  計算機(jī)與數(shù)字工程. 2020(01)
[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.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2019(08)
[3]基于深度學(xué)習(xí)的車牌定位和識別方法[J]. 李祥鵬,閔衛(wèi)東,韓清,劉瑞康.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2019(06)
[4]車牌識別系統(tǒng)研究綜述[J]. 陳政.  現(xiàn)代信息科技. 2019(11)
[5]一種基于MSER和SWT的新型車牌檢測識別方法研究[J]. 王艷,謝廣蘇,沈曉宇.  計量學(xué)報. 2019(01)
[6]基于MSER與邊緣投影的車牌定位算法[J]. 鄭貴林,吳黃子桑.  計算機(jī)工程與設(shè)計. 2019(01)
[7]基于深度SE-DenseNet的航班延誤預(yù)測模型[J]. 吳仁彪,趙婷,屈景怡.  電子與信息學(xué)報. 2019(06)
[8]計算機(jī)多尺度輔助定位車牌算法[J]. 魏亭,邱實,李晨,王銳.  電子學(xué)報. 2018(09)
[9]基于改進(jìn)SSD的交通大場景多目標(biāo)檢測[J]. 華夏,王新晴,王東,馬昭燁,邵發(fā)明.  光學(xué)學(xué)報. 2018(12)
[10]基于Caffe深度學(xué)習(xí)框架的車牌數(shù)字字符識別算法研究[J]. 歐先鋒,向燦群,郭龍源,涂兵,吳健輝,張國云.  四川大學(xué)學(xué)報(自然科學(xué)版). 2017(05)

博士論文
[1]基于特征共享的高效物體檢測[D]. 任少卿.中國科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的車牌精準(zhǔn)定位研究[D]. 丁潘.新疆大學(xué) 2019
[2]基于區(qū)域不變矩的形狀匹配技術(shù)的研究及應(yīng)用[D]. 雷晨光.大連理工大學(xué) 2014



本文編號：3399078