论文部分内容阅读
随着城市交通流量的不断增加和城市的快速发展,车牌定位与识别系统被广泛用于车辆监控、违法犯罪行为打击、交通车辆管制等民用和军用领域。传统的车牌定位与识别算法由于需要人为设计图像特征和调节分类器参数,因而难以适应不同应用场景下的车牌定位与识别需求。近年来随着深度学习技术的发展,基于深度学习的目标检测与识别算法具有抗干扰能力强、能够同时适应多种场景需求的优点。为了实现车牌精确高效率的定位与识别,本文基于深度学习技术对车牌定位与识别做了以下研究,具体工作如下:(1)为了实现图像中车牌目标的实时精确定位,本文设计了一个深度可分离卷积多尺度车牌定位模型。具体地,为了提高模型的检测速度,采用深度可分离卷积,设计了一个深度可分离卷积特征提取网络,用于提取图像的特征。此外,为了使模型对车牌目标具有一定的针对性,根据车牌的特点设计了12个不同宽高的锚点框,并在4个不同尺度的特征图上对车牌目标进行定位。实验结果表明,该模型不仅能够准确定位图像中的车牌目标,还在一定程度上解决了现有深度目标检测模型的实时性差以及小目标错检漏检等问题。(2)为了实现车牌字符的准确识别,本文将车牌字符识别看作字符序列识别任务,设计了一个CBCNet车牌字符识别模型。具体地,首先设计了一个卷积神经网络(Convolutional Neural Network,CNN)提取车牌字符的初步特征;然后,设计了一个双向门控循环单元网络(Bidirectional Gated Recurrent Unit,BGRU)对车牌字符的初步特征进一步处理,得到了能够表达车牌字符上下文联系的时序特征;最后,针对车牌字符的时序特征,采用联接主义分类(Connectionist Temporal Classification,CTC)模块进行解码,得到车牌字符识别结果。实验结果表明,该模型不仅能够准确地识别车牌字符串,还在一定程度上解决了现有深度车牌字符识别模型无法表达车牌字符上下文间的联系以及仅能识别定长车牌的问题。(3)采用深度可分离卷积多尺度车牌定位模型和CBCNet车牌字符识别模型,设计实现了一个车牌定位与识别系统,并在测试集上对系统性能进行了测试。