在干扰环境下基于深度学习的国内车牌识别
车牌识别作为车辆管理和交通运输的重要手段，其创新和发展形势一直处于前进的状态中，车牌的定位和检测效率直接影响着交通管理水平。现实生活中，车牌并非只处于单一背景下，在车牌识别过程中车牌往往会处于恶劣天气、光照过强过弱以及车牌倾斜角度大等干扰环境，这些干扰因素增加了车牌识别工作的难度。本文为了提高在干扰环境下车牌识别的效率，引入深度学习的方法，在训练集中增加干扰环境下的样本数据，基于卷积神经网络实现车牌定位检测与车牌字符识别工作。 本文先从目标检测的锚框机制和加强感受野的角度进行研究优化，选用改进后的YOLOv4算法实现车牌目标检测;其次使用LPRNet网络完成端到端的车牌字符识别，减少字符分割带来的误差。本文的主要工作如下: (1)针对CCPD数据集(Chinese City Parking Data)训练数据单一的问题，对数据进行图像增强。通过对数据进行模糊处理、调整亮度、添加噪声等处理，丰富样本数据集，提高模型的泛化能力。 (2)针对YOLOv4算法在锚框聚类时随机性大的问题，对锚框机制进行优化，并通过加强感受野范围提高模型表征能力。锚框机制由k-means聚类改进为k-means++聚类思想，减少随机选取初始聚类中心的个数，使聚类效果更佳。在YOLOv4的主干网络中引入空洞卷积操作，减少信息缺失。实验结果表明改进后的YOLOv4算法相比YOLOv4算法AP值提升了3.1％，FPS每秒提升2帧，在平均精度和检测速度上的表现都优于YOLOv4。 (3)针对传统车牌字符识别中，字符分割带来的误差累计问题，选择使用LPRNet进行车牌字符识别，无需字符分割，即可实现车牌字符端到端的识别。该算法对车牌字符的精度检测值高达98.4％，FPS值与其他算法相比虽略有下降，但模型整体性能表现较佳。
车牌识别;深度学习;目标检测;锚框机制
西安石油大学
硕士
控制工程
穆向阳;李菁
2022
中文
TP391.41
2023-05-23（万方平台首次上网日期，不代表论文的发表时间）