基于深度学习的车牌定位与识别
智能交通系统在交通运输、监控安防等行业应用十分广泛，车牌识别算法是其核心技术之一。传统的车牌识别算法一般由人工提取车牌特征，对车牌进行定位与识别。然而在复杂环境中，使用传统的算法识别准确率不高并且鲁棒性较差。 为提高在复杂环境中车牌定位的精度，本文基于深度学习理论，对YOLOv3算法进行优化，并采用端对端多标签分类方法，解决静态、动态、以及复杂环境下车牌定位与识别问题，主要研究内容如下: (1)车牌定位算法研究 传统的车牌定位算法容易受光照强度等外界因素变化的影响，导致车牌定位失败或定位不准确。本文使用深度学习中的目标检测算法对车牌进行定位。为提高定位精度，设计特征金字塔结构，对YOLOv3算法进行优化。使用车牌定位测试集评估该算法，结果表明，优化后的定位精度可达99.47％。 (2)车牌字符识别算法研究 传统的字符识别算法，通常对车牌字符分割后再进行识别。字符分割受环境因素影响较大，易造成分割不准确等问题，影响字符识别的准确率。本文采用基于深度学习的端对端多标签分类方法，设计用于车牌字符识别的卷积神经网络，网络中末端并联七个全连接层，并对对应位置的字符类别进行预测。为防止训练模型时产生过拟合，使用随机丢弃神经元和批归一化的方法对设计的网络进行优化。通过实验测试车牌字符识别算法的性能，结果表明，相对于传统的车牌字符识别算法，该算法提高了车牌字符识别的准确率和速度。 (3)车牌识别算法研究 将提出的车牌定位和车牌字符识别算法相结合，形成完整的车牌识别算法。为验证该算法的有效性，使用含有复杂背景的图片进行实验。结果表明，本文提出的车牌识别算法能在复杂环境中稳定运行，识别准确率和速度分别为94.67％、204ms/张。 视频中由于拍摄设备与车、车牌存在相对运动，产生运动模糊。本文提出从视频中截取到的图片先进行清晰化处理，再对车牌定位与识别，提高车牌识别的准确率，并用实验验证其有效性。
车牌定位;字符识别;深度学习;目标检测;YOLOv3算法
北京化工大学
硕士
机械工程
张亚军
2021
中文
TP391.41
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）