论文部分内容阅读
为解决预处理、车牌定位、字符分割和字符识别这一传统车牌识别方法复杂且流程衔接误差较大的问题,提出定位-识别的通道化车牌处理模型方法。首先根据车牌形态的结构化特点,改进Yolov2提取不同网络深度的多级细粒度特征,重构后进行融合,并利用k-means++算法对实验数据集真实目标框进行维度聚类,以初始化候选框进行车牌定位,提高定位精度;其次重塑Alexnet网络,采用七个全连接层共享卷积神经网络的模型结构约减算法流程,实现端到端的车牌识别。实验结果表明,该方法具有较高的识别率和鲁棒性,能适应复杂自然环境