论文部分内容阅读
以智能交通作为切入点,实现智慧城市是未来城市发展的一个方向。车牌识别作为智能交通管理中的重要组成部分,在缓解交通拥堵、节省人力和时间成本、提高工作效率、改进管理模式等多个方面起到了积极地作用。传统车牌识别算法受图像质量影响较大,需要相机拍摄角度固定且拍摄图像清晰,因此大多应用在停车场、收费站等一些简单的场景中,局限性较大。随着计算机软硬件基础设施的改善,使用更复杂算法来达到更好的识别性能成为了可能。本文车牌识别算法分为车牌目标检测和车牌字符识别两部分,主要工作如下:(1)对国内外车牌识别技术及基于深度学习的目标检测技术的研究现状进行了综述,分析了使用深度学习算法进行车牌识别技术的未来发展趋势。研究分析了基本的神经网络算法,为后续神经网络设计提供理论支持。(2)针对车牌目标检测任务,研究了国内机动车号牌的规格及特点,分析了传统目标算法的优势及不足,对YOLOv2深度学习模型进行修改作为本文车牌目标检测的技术手段。相比传统算法,本文算法不需要对输入图像做繁琐的预处理,且支持多尺度图像,实现了多目标检测,小目标检测。算法检测精度高,且对于1080P的视频流,处理速度在1080Ti上达到了50帧/秒。(3)针对车牌字符识别任务,分析了传统算法的优势及不足。对目前技术需求进行分析,设计了基于深度学习的端到端车牌字符识别算法。相比传统算法,本文算法不需要对车牌图像进行倾斜矫正和字符分割,对严重磨损的字符也有着很好的表现。本文算法实现了车牌字符的准确识别,满足智能交通对车牌识别系统准确性的要求。