论文部分内容阅读
随着我国经济的飞速发展、汽车保有量的激增,随之产生的各类道路管理问题日趋严重,智能交通管理系统应运而生,在此背景下,作为智能交通管理系统核心的车牌识别系统也越来越受到关注,对其的相关研究与应用开发具有重要的商业应用前景。传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络处理二维图像具有独特的优越性,卷积神经网络通过局部感受野和权值共享将特征提取融入到网络结构中,相较于传统的车牌字符识别方法,研究基于卷积神经网络的车牌字符识别方法具有重要的现实意义。 本文重点研究基于卷积神经网络的车牌字符识别方法,在分析了常用的基于模板匹配、神经网络及支持向量机的车牌字符识别方法基础上,提出了基于SLeNet-5的车牌字符识别方法,并进一步对SLeNet-5进行分析研究,针对不同应用环境对车牌识别速度的不同要求,提出了基于ICCN的车牌字符识别方法,并通过并行化来提高车牌字符的识别速度,提出了基于CUDA的ICCN识别算法。论文的主要工作如下: (1)提出了基于SLeNet-5的车牌字符识别方法,针对LeNet-5用于车牌字符识别中存在的输出层类别过少、层数过多及训练难度大等问题,构建一种简化卷积神经网络模型(SLeNet-5),给出其网络拓扑结构,并引入随机对角LM算法进行训练,使用其对分割后的字符进行识别。与模板匹配和BP神经网络等方法相比,所提方法具有较高的识别率,与LeNet-5识别率相当,但具有结构简单及识别速度快等优点。 (2)提出了基于ICCN的车牌字符识别方法,SLeNet-5具有固定结构,难以适应不同的应用环境,而车牌识别系统的应用环境复杂多变,不同的应用环境对识别率和识别速度的要求有所不同,ICCN从一个简单结构开始,随着训练的进行调整其自身结构,根据不同的应用要求在识别率和识别速度中做出取舍,最终达到处理问题的最佳规模。 (3)提出了基于CUDA并行结构的ICCN车牌字符识别算法,为了提高车牌字符的识别速度以更好的满足车牌识别系统的实时性要求,采用CUDA技术,并在其上定义并行化数据结构,通过GPU+CPU协同计算来提高ICCN的识别速度。 (4)在Visual Studio平台下,采用面向对象思想,设计并实现了具有读取图片、预处理、定位车牌、分割字符、识别字符等功能模块的完整车牌识别系统。每个模块提供了多种常用方法,并可以根据图片质量进行相应的方法组合以达到更好的识别效果。