車牌號碼的準確獲取是智能交通系統(tǒng)中最關鍵的部分之一,它直接決定了智能交通系統(tǒng)的發(fā)展速度以及技術水平。經(jīng)大量研究者證明,使用卷積神經(jīng)網(wǎng)絡中的算法能很好的適應各種不同的自然場景中車牌的檢測與識別。本文在分析傳統(tǒng)的車牌檢測與識別算法與卷積神經(jīng)網(wǎng)絡算法的優(yōu)缺點的基礎上,通過優(yōu)化FasterRCNN框架和LeNet-5網(wǎng)絡,并分別實現(xiàn)車牌的檢測與車牌字符的識別。本文針對自然場景中車牌的檢測與車牌字符的識別進行研究,主要研究內(nèi)容包含以下3個方面:1)在復雜的自然場景中,通常會出現(xiàn)圖像亮度偏低或者過暗等問題,這不利于對車牌的檢測與識別。本文分析了各種圖像增強算法,發(fā)現(xiàn)帶顏色恢復的多尺度（MSRCR）算法對圖像增強的表現(xiàn)較好。但是原始的MSRCR算法是基于R、G、B三個通道的,并且其中都包含了顏色和亮度信息,對每個通道進行增強的同時會改變原圖像的顏色信息。因此,本文采用HSV中的亮度（V）通道進行增強,它對亮度增強的同時保證了顏色恒常,最后再將兩種顏色空間得到的圖像進行加權平均,得到一種新的高精度的基于兩種顏色空間融合的MSRCR算法。2)針對復雜多變的自然場景中的車牌檢測問題,本文提出了一種基于錨比... 

【文章來源】：湖南大學湖南省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

文中算法流程圖

基于卷積神經(jīng)網(wǎng)絡的車牌檢測與識別算法研究16些結(jié)果適用于美國、歐洲、巴西等地的車牌。我們可以觀察到，我們的統(tǒng)一途徑不受來自不同區(qū)域的車牌的影響，并且對光照、姿態(tài)、大小和模糊度等方面的變化具有很強的魯棒性。圖2.7文中車牌識別結(jié)果圖2018年，RaysonLaroca等人提出一種基于YOLO檢測器的魯棒性實時的自動車牌識別算法[63]。文中選用常規(guī)城市交通場景中的4500幀連續(xù)的圖像。這些圖像是從150個1S、幀率為30的視頻中分離出來的。將這些圖像的40%作為訓練集、40%作為測試集20%作為驗證集。文章中考慮大部分字符分割算法可能不能準確的分割出完整的字符，且各個字符之間都有小的關聯(lián)，即使是真實值和預測值之間一個像素之差，也可能會影響字符的識別。因此，文中使用一個1-3個不同的估計值來填充從而達到高精度的識別率。如圖2.8顯示，圖像中用更多的噪聲信息來填充。圖2.8不同數(shù)量的填充圖對比如前所訴，文中使用兩個網(wǎng)絡來識別字符。對于訓練網(wǎng)絡，輸入的是字符和字符的標簽。對于數(shù)字識別，文中將字符分割的卷積神經(jīng)網(wǎng)絡中的前4層從網(wǎng)絡

不同數(shù)量的填充圖對比

【參考文獻】：
期刊論文
[1]基于文字定位和顏色檢測的多車牌定位方法研究[J]. 葛艷,陳晨.  計算機與數(shù)字工程. 2018(03)
[2]基于機器學習的多車牌識別算法應用研究[J]. 鄭顧平,閆勃勃,李剛.  計算機技術與發(fā)展. 2018(06)
[3]基于級聯(lián)卷積神經(jīng)網(wǎng)絡的車牌定位[J]. 傅鵬,謝世朋.  計算機技術與發(fā)展. 2018(01)
[4]基于卷積神經(jīng)網(wǎng)絡的車牌字符識別[J]. 董峻妃,鄭伯川,楊澤靜.  計算機應用. 2017(07)
[5]基于色差的車牌快速定位算法研究[J]. 鄭楷鵬,鄭翠環(huán),郭山紅,陳康宇.  計算機應用與軟件. 2017(05)
[6]2014年全國機動車和駕駛?cè)搜该驮鲩L[J]. 交宣,汽車與安全.  汽車與安全. 2015(02)
[7]基于HSV顏色空間和SVM的車牌提取算法[J]. 黃社陽,劉智勇,阮太元.  計算機系統(tǒng)應用. 2014(08)
[8]基于AB神經(jīng)網(wǎng)絡模型的車牌定位方法[J]. 章曄煒,宮寧生.  微電子學與計算機. 2014(08)
[9]復雜背景中基于紋理和顏色的車牌定位研究[J]. 萬燕,徐勤燕,黃蒙蒙.  計算機應用與軟件. 2013(10)
[10]憶阻細胞神經(jīng)網(wǎng)絡在車牌定位中的應用[J]. 張鳳清,段書凱,王麗丹,胡小方.  計算機科學. 2013(S1)

碩士論文
[1]汽車牌照自動化識別若干關鍵技術研究[D]. 楊鼎鼎.湖北民族學院 2018



本文編號：2922660