基于深度学习的车牌识别技术研究与实现
车牌识别是智慧交通系统的核心内容之一，目前已经广泛应用到道路、停车场、小区、高速公路收费站等各个场景，大大提升了交通管理的效率。然而随着智慧交通系统应用领域的不断扩大，车牌识别技术也随之面临各种挑战，光照强弱、雨雪等复杂天气、相机抖动或高速运动下产生的模糊车牌等因素都会增加车牌识别的难度。传统的车牌识别技术主要是依据车牌的一些主观特征进行处理，其鲁棒性和泛化能力相对较差。随着深度学习的快速发展，其强大的特征提取能力给车牌识别技术带来了转机，本文基于深度学习技术，针对复杂环境下车牌识别算法进行了深入研究，主要研究工作概括如下： （1）对车牌检测技术进行研究，提出一种轻量化车牌检测模型GEG-YOLOv4。该模型以目标检测网络YOLOv4为基础框架，首先采用轻量级网络GhostNet作为模型的主干特征提取网络，大幅减小了原模型的参数量和计算量。其次在主干网络中融入了能够避免降维且能有效捕获跨通道交互信息的ECA注意力模块，增加车牌信息的通道权重，减小复杂环境背景对车牌信息的干扰。最后在深层网络中运用了GhostModule的思想，更好的保留了特征图的冗余信息，在减小模型参数量的同时进一步增加了模型的检测精度。 （2）对车牌字符识别技术进行研究，提出一种车牌字符识别模型GLPRNet。该模型以车牌识别网络LPRNet为基础，首先在进行字符识别前使用了空间变换网络STNet对倾斜车牌进行矫正。其次在LPRNet和STNet中首先引用了ECA注意力模块，增强车牌字符的特征表达。接下来采用深度过参数化卷积DO-Conv代替部分传统卷积，增加了网络可学习的参数，使网络中的卷积层得到了增强。最后采用GELU激活函数，进一步提高网络的特征表达能力。 （3）丰富车牌字符数据。根据车牌字符的特征，采用CCPD数据集、网络收集和人工生成三个方面组合成车牌字符识别数据，缓解部分中文字符缺乏的问题。 最后，本文将改进后的车牌检测模块和字符识别模块进行了整合，搭建了一个完整的车牌识别系统，并对五种复杂场景下的车牌图片进行了系统性能测试。实验结果表明，本文所提出的方法在复杂环境下具有较好的鲁棒性，可以满足实际场景的需要。
车牌识别;目标检测;深度学习;YOLOv4算法;LPRNet
河北工程大学
硕士
计算机技术
池静;李军
2022
中文
TP391.41
2023-08-22（万方平台首次上网日期，不代表论文的发表时间）