近年來,智能交通應(yīng)用越來越廣泛。車牌作為車輛的唯一標(biāo)識,車牌的定位和識別是智能交通系統(tǒng)的主要內(nèi)容。傳統(tǒng)的面向卡口場景的車牌定位和識別技術(shù)難以適用新的需求。非卡口的多車通行場景下,場景多樣性和成像質(zhì)量低的問題,使得車牌的定位和識別面臨更多的困難與挑戰(zhàn)。隨著深度學(xué)習(xí)的發(fā)展,車牌的定位與識別技術(shù)取得了長足的進(jìn)步。本文旨在解決非卡口多車通行場景下的車牌定位和識別問題。對于車牌定位,本文使用基于深度卷積神經(jīng)網(wǎng)絡(luò)的兩階段檢測算法。首先本文設(shè)計的面向車牌的候選框生成網(wǎng)絡(luò),通過深度卷積神經(jīng)網(wǎng)絡(luò)計算的特征圖,在特征圖上生成面向車牌的高質(zhì)量和多尺度候選框。然后再通過回歸網(wǎng)絡(luò),計算候選框的分類和位置回歸。對于雙排字符的車牌識別,本文提出了一種基于深度學(xué)習(xí)的端到端的序列識別網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過重組深度卷積神經(jīng)網(wǎng)絡(luò)計算的特征圖,使得特征圖具有時序特性,通過循環(huán)層和轉(zhuǎn)錄層對序列特征圖進(jìn)行識別。對于車牌識別訓(xùn)練集中漢字字符與英文數(shù)字字符嚴(yán)重失衡問題,本文設(shè)計了一種雙循環(huán)轉(zhuǎn)錄網(wǎng)絡(luò)。對于序列特征圖,網(wǎng)絡(luò)通過兩個分支分別計算漢字字符和英文數(shù)字字符。最終,通過車牌設(shè)計的先驗知識,得到最終的識別結(jié)果。實驗結(jié)果表明,與現(xiàn)有的算法相比...

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.2圖像視為數(shù)字?jǐn)?shù)組

２．１．２網(wǎng)絡(luò)構(gòu)建塊??ＣＮＮ架構(gòu)包括若干構(gòu)建塊，例如卷積層，池化層和全連接層等。典型的體系??結(jié)構(gòu)包括重復(fù)堆疊的若干卷積層和池化層，然后是一個或多個完全連接的層。輸??入數(shù)據(jù)通過這些層轉(zhuǎn)換為輸出的步驟稱為前向傳播。本節(jié)中描述的卷積和合并操??作是針對２Ｄ－ＣＮＮ的，但是也可以針....

圖２－３?ＲｅＬｕ激活函數(shù)??

ｆ（ｘ）?＝?ｍａｘ（ｘ，?０）?（２－２）??ＲｅＬＵ激活函數(shù)如圖２－３所示：??Ｒｅｌｕ?Ｆｕｎｃｔｉｏｎ??１４?－??１２?－??〇－？?’??－１００?－７．５?－５－０?－２．５?０．０?２．５?５．０?７．５?１０．０??圖２－３?ＲｅＬｕ激活函數(shù)??（２）池化層?....

圖２－４?ＬｅＮｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)［２０］??

由幾家銀行應(yīng)用于識別支票上的手寫數(shù)字。處理更大尺寸圖像的能力需要更復(fù)雜??的卷積層，因此該技術(shù)受到可用計算資源的限制。ＬｅＮｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)為之后的網(wǎng)??絡(luò)發(fā)展提供了基礎(chǔ)，如圖２－４所示是ＬｅＮｅｔ－Ｓ的網(wǎng)絡(luò)結(jié)構(gòu)圖。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠１０ｘ１０??ＩＮＰＵＴ?Ｃ１....

圖２－５?ＡｌｅｘＮｅｔ網(wǎng)絡(luò)結(jié)構(gòu)【２３１??

的ＬｅＮｅｔ版本，并贏得了?ＩｍａｇｅＮｅｔ競爭。ＡｌｅｘＮｅｔ明顯優(yōu)于所有的競爭對手，??并通過將錯誤率從２６％減少到１５．３％來贏得挑戰(zhàn)，排名第二名的錯誤率約為??２６．２％，遠(yuǎn)低于ＡｌｅｘＮｅｔ的表現(xiàn)。如圖２－５所示是ＡｌｅｘＮｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)。??Ｔｔ：爐‘?＼?１３?ｄｅ....

本文編號：4027993