基于深度学习的车牌识别技术的研究与实现

发布时间：2022-02-15 04:15

　　随着现代社会的发展,机动车辆日益增多,这为智能化的交通管理提出了更高的要求。车辆的车牌信息是车辆的主要特征,因此车牌识别算法在智能化的交通管理系统中有着举足轻重的地位。车牌识别算法广泛应用于出入口控制、收费站等场景,此外,在无人机和手机拍摄等图像识别中也有相关的应用。传统的方法识别车牌需要多种方法综合,实现步骤复杂,而且在识别率和鲁棒性上与深度学习方法相比有一定的差距。国内车牌形式多样,颜色繁杂,尺寸不完全统一,如今还出现了8个字符的车牌。传统方法在光照变化、图像模糊、车牌破损、车牌尺寸变化等情况下难以准确的识别车牌。本文主要针对传统方法在车牌识别上缺乏鲁棒性,而提出了基于深度学习的车牌识别方法,并将其应用到校园出入口场景下实现较鲁棒,较准确的车牌识别。本文的主要研究工作和贡献如下:（1）研究了深度学习中的目标检测算法,通过改进将其应用到车牌定位上。本文主要实现了改进的多任务卷积神经网络（Multi-task Convolutional Neural Networks,MTCNN）算法,改进的You Only Look Once（YOLO）算法,并提出了基于RetinaNet的改进算法... 

【文章来源】：广西师范大学广西壮族自治区

【文章页数】：99 页

【学位级别】：硕士

【图文】：

车牌识别系统算法流程

率基本上达到极限，总错误率仅为5%。2.2卷积神经网络结构不管是在目标检测还是在图像分类等任务中通常都会包含卷积计算且具有深度结构的前馈型神经网络，该卷积网络模型通常包括卷积层、池化层、激活函数层、全连接层等不同的层，这些层有着不同的作用。下面本文将重点说明卷积神经网络中的各种层。2.2.1卷积层卷积在信号与系统中是一种运算，在深度学习中使用的卷积运算通常是离散的。卷积神经网络最基本组成部分是卷积层，其实质是通过卷积核的参数提取数据中的特征，通过矩阵的点积运算和求和运算获得运算结果。如下图2-1所示为一个基本的二维卷积运算过程。公式为y=wx+b。这里本文使用的特征图(x)其大小为1×5×5，前面的1代表特征图的通道数为1，后面的5×5为特征图的尺寸，使用的卷积核为3×3，卷积核在特征图上滑动步长（stride）为1，偏置（b）为1，为了得到输入和输出特征维度一致，需要对特征图进行填充(padding)，这里使用zeropadding，即采用0来填充，从图2-1中的特征图上，我们可以看出在原特征图边缘填充了一圈0。卷积核特征图卷积结果图2-1卷积计算基本过程卷积核参数在特征图的对应位置逐个元素相乘，然后再将其计算结果累加。以上图2-1为例，其计算为1×0+0×0+1×0+0×0+1×1+0×8+1×0+0×6+1×7+1×1=9，然后在特征图上滑动，即可得到所有计算结果。卷积计算过程中，特征图的维度通常都不会为1，如果输入特征图维度为m×win×hin，输出特征图维度为n×wout×hout，则当卷积核为n×m×k×k时,其进行的乘法运算的操作次数为n×wout×hout×m×k×k。2.2.2激活函数层神经网络如果只是单纯的由线性卷积运算堆叠而成，则无法形成复杂的表达空间，也很难提取出高层语义信息，因此需要加入非线性映射，也?

第2章深度学习理论基础12常使用的激活函数主要是Sigmoid、ReLU以及Softmax函数等。1．Sigmoid函数Sigmoid函数，或者称作Logistic函数，它具有生物神经元的特性，即当输入到神经元的值大于某个阈值时，输入神经元的值经过非线性变换后能够得到某一个大于0的值而处于激活的状态，否则其经过非线性变换后值为0或者非常小而处于抑制的状态，其函数表达式如下2-1所示。()=11+exp()(2-1)Sigmoid函数曲线如下图2-2中红色曲线所示，可以看到该函数将特征压缩到了(0,1)区间，0对应抑制状态，1对应激活状态，中间部分梯度很大。Sigmoid可以用于二分类，但计算量大，根据下图中Sigmoid函数的导函数曲线的两侧导数为0，在其函数两侧附近容易出现梯度消失问题。图2-2Sigmoid函数和其梯度曲线2．ReLU函数将整流线性单元(RectifiedLinearUnit，ReLU)引入神经网络以缓解梯度消失问题。由于其优越的性能和优雅简洁的实现，在卷积神经网络中使用比较多的激活函数之一就是ReLU激活函数,其函数的表达式如下2-2所示。()=max(0,)={0,<0,≥0(2-2)下图2-3为ReLU函数及其梯度曲线。可以看出，在小于0部分，其值和梯度均为0，而在大于0的部分导数恒为1，从而避免了Sigmoid函数中梯度接近0的情况而导致的梯度消失的问题。

【参考文献】：
期刊论文
[1]多尺度并行融合的轻量级卷积神经网络设计[J]. 范瑞,蒋品群,曾上游,夏海英,廖志贤,李鹏.  广西师范大学学报(自然科学版). 2019(03)
[2]基于深度学习的车牌定位和识别方法[J]. 李祥鹏,闵卫东,韩清,刘瑞康.  计算机辅助设计与图形学学报. 2019(06)
[3]车牌定位方法综述[J]. 罗山,李玉莲.  山西电子技术. 2019(01)
[4]目标检测算法研究综述[J]. 方路平,何杭江,周国民.  计算机工程与应用. 2018(13)
[5]基于自适应数学形态学的车牌定位研究[J]. 王晓群,刘宏志.  图学学报. 2017(06)
[6]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静.  计算机应用. 2017(07)
[7]基于字符边缘点提取的车牌定位方法[J]. 钟伟钊,杜志发,徐小红,黄晓然,朱同林.  计算机工程与设计. 2017(03)
[8]基于局部二值模式与多层感知器的中文车牌字符识别高效算法[J]. 王珏,李洪研.  计算机应用. 2015(S1)
[9]基于聚类分析的个性化美国车牌分割算法[J]. 李旭,徐舒畅,尤玉才,张三元.  浙江大学学报(工学版). 2012(12)
[10]基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 赵志宏,杨绍普,马增强.  系统仿真学报. 2010(03)

硕士论文
[1]基于深度学习的车牌识别系统研究[D]. 张佑贤.广西师范大学 2019
[2]基于卡口的车牌识别系统的优化研究[D]. 陈盛.广西师范大学 2018
[3]基于深度学习的交通对象检测与识别[D]. 王贺璋.北京邮电大学 2018
[4]车牌及车标识别技术的研究[D]. 蒙佳.广西师范大学 2017



本文编号：3625895