基于深度学习的复杂场景下车牌智能识别系统的研究

【摘要】：近年来,以深度学习为代表的人工智能技术给各行各业带来了前所未有的变革。车牌检测与识别作为“智慧城市”、“智慧交通”中的重要一环发挥着越来越重要的作用,然而基于手工特征提取的传统车牌检测识别方案越来越不能满足人工智能时代下人们对于更智能更快捷生活方式的需求。考虑到以上因素,本论文研究了基于深度学习的车牌检测与识别任务,设计实现了适用于复杂自然场景下的车牌智能识别系统。本论文的研究内容主要包括:车牌检测算法研究、车牌字符识别算法研究和车牌智能识别系统的构建。对于车牌检测任务,本论文以深度学习的single shot multibox detector(SSD)目标检测算法为基础,提出了适用于复杂场景下车牌检测的改进的SSD车牌检测算法。改进的SSD算法通过融合不同尺度的特征信息、加深预测层深度以及设置符合车牌尺寸的默认框比例来提升原SSD算法在复杂场景中对车牌这类小目标的检测性能。实验表明改进的SSD算法在复杂场景中的车牌检测中取得了更高的准确率与稳定性。对于车牌字符识别任务,本论文提出的车牌字符序列识别算法通过空间转换网络模块的修正作用和改进的卷积神经网络模块的特征提取有效提升了算法在复杂场景中的识别准确率,通过双向循环神经网络模块和CTC解码模块有效消除了传统车牌识别中字符分割对字符识别准确率的影响。此外,本论文提出了一种新的训练方法解决中国车牌数据集不足给识别模型带来的过拟合问题。大量的实验证明了序列识别算法和训练方法的合理性和有效性。本论文依据改进的SSD检测算法和车牌字符序列识别算法提出了两种车牌智能识别系统构建方案:一阶段车牌智能识别系统和二阶段车牌智能识别系统。二阶段系统将车牌检测和车牌字符识别作为两个独立的模块依次进行,一阶段系统则将两者融合到了一个网络当中同时进行。本论文通过具体的实验对比分析总结了两种系统各自的优势,其中二阶段系统表现出了更高的字符识别准确率和在复杂环境中的稳定性,一阶段系统则在运行速度、部署难度和可移植性上更具优势。