论文部分内容阅读
车牌识别作为智能交通系统(ITS,Intelligent Transportation System,)中一个重要且热门的研究方向,已经广泛应用于各种交通场合,在缓解交通拥堵、道路流量监控、交通管理、违章抓拍等多个方面起到了积极作用,具有较高的社会研究价值。随着汽车保有量的爆炸式增长,如何更快捷更准确地获取车牌信息成为了热门的研究课题。本文以智能交通作为切入点,立于传统算法理论之上,对基于深度学习的汽车车牌识别进行算法研究。从传统的车牌识别算法入手,本文研究了国内车牌的特点和常用的图像特征,对车牌图像进行预处理操作,去除噪声,提高车牌检测与识别的准确率。本文使用描述图像能力较强的HOG(Histogram of Oriented Gradient)局部特征描述子对车牌信息进行特征提取,基于传统的支持向量机(SVM,Support Vector Machine)的算法完成车牌识别,使用二分类SVM进行车牌定位,多个二分类SVM完成车牌字符识别。本方法虽然获得了较高的车牌定位准确率,但字符综合识别准确率只达到90%。针对传统SVM算法在车牌识别中的不足,通过对SSD(Single Shot multibox Detector)的目标检测网络研究,本文使用Google公司开发的轻量级网络模型MobileNet,搭建MobileNet-SSD的卷积神经网络,使用深度可分离卷积,缩减SSD卷积网络参数规模和乘加计算量。本方法抛弃传统车牌识别繁琐的步骤,实现端到端的车牌识别,避免中间错误累积,完成对车牌字符的无分割识别。经过实验测试本方法在复杂环境下有较高的识别准确率,字符综合识别准确率达到95%。最后本文将传统的SVM算法与基于深度学习MobileNet-SSD卷积网络算法进行车牌识别综合测试对比。实现了一个简易的GUI测试界面,使用中国车牌数据集(CCPD,Chinese City Parking Dataset)车牌图像对典型复杂环境的车牌图像进行分别测试。实验结果表明,在一般环境下,两种方法的识别准确度相差不大。但在复杂环境下,实验结果表明基于MobileNet-SSD的车牌识别有较强的鲁棒性,尤其对远距离车牌的识别具有较高的识别精度,对噪声环境适应性强。