收藏本站
收藏 | 论文排版

基于卷积神经网络的车牌定位与识别算法的研究

彭慧玲  
【摘要】:伴随着科学技术的进步,智能交通系统在城市管理中发挥着越来越重要的作用,但在实际应用中,现有的识别系统仍在效率、精确度等方面存在不足,因此对智慧城市中车牌的准确识别仍有研究意义。本文通过对现有的识别算法进行研究,提出了如下的一些改进意见。首先,本文在目标检测方法YOLOv3算法(You Only Look Once version 3)的基础上进行改进,提出了YOLOv3.1算法对车牌进行定位。YOLOv3算法的激活函数使用Leaky Relu(渗漏整流单元,Leaky Rectified Linear Unit)激活函数,主干网为残差网络,用位置信息损失函数(Location information loss function,简称Loc)、类别损失函数(Class loss function,简称Class)、置信度损失函数(Confidence loss function,简称Conf)之和作为YOLOv3的损失函数,本文在此基础上做出优化:(1)激活函数用Mish(自正则非单调神经激活函数,A Self Regularized Non-Monotonic Neural Activation Function)激活函数代替原来的Leaky Relu激活函数,Mish激活函数避免了因为触及顶点产生的饱和,可以避免神经网络丢失有效信息,增强网络的鲁棒性和泛化能力;(2)主干网用Dense Net(密集网络)代替原有的残差网络,密集网的特点是用密集的连接方式更有效的获取输入图像的特征信息,丰富的信息有利于提高精确度;(3)损失函数更新为将焦点损失函数(Focal Loss)与完全交并比损失函数(Complet Intersection over Union,CIo U)融合的损失函数,融合方法是用焦点损失函数替代YOLOv3的交并比损失函数(Intersection over Union,CIo U)作为置信度损失函数,可以有效的改善网络对困难样本的检测效果,并且使用完全交并比损失函数替代YOLOv3的误差平方和(Sum of Squared Error,SSE)作为位置信息损失函数,以此增加网络模型对边框位置信息、预测框与实际标注边框重叠方式的敏感度,可以在改善检测准确率的同时加快模型的收敛速度。通过后续实验的对比发现,本文改进的YOLOv3.1车牌检测算法相比原YOLOv3平均精度值(Mean Average Precision,m AP)提高了4.07%,说明在车牌检测方面,算法的改进对车牌检测的性能带来了一定的提升。然后本文将王晨耀等人提出的目标检测网络结构CSPResNeXt应用于车牌识别中,提出了基于CSPResNeXt的车牌识别模型,CSPResNeXt主要应用于图像检测分类,在目标检测中有优秀的表现,但是基于目标检测的参数设置并不能直接应用于车牌识别中,本文对其进行了如下的调整:(1)分析国内车牌的长宽比例发现现有的输入层分辨率并不适用于车牌识别,会对图像造成拉伸或者压缩变形,为了使其更好的识别车牌信息,计算准确定位网络裁剪出的实际车牌,得到车牌的平均分辨率为72×273,因此在输入层将分辨率大小224×224改为72×273,这样可以有效的保留车牌信息;(2)分析目标检测网络在输出层的默认参数是1000,对国内7位车牌进行字符编码后为476维行向量,每行向量识别一位字符作为输出,如果不做修改,会增加网络结构的计算量,所以我们把输出层参数1000调整为476,这样可以提高参数利用率,减少网络结构的计算量;(3)分析CSPResNeXt网络结构发现它对小尺寸的目标不够敏感,但是RFB能够模仿人类视觉感知,增大感受野,所以我们在CSPResNeXt的特征图8倍和16倍下采样处加入RFB模块,这样可以更好的识别出复杂场景中的车牌信息。经过如上三个调整,形成了适合车牌图像识别的CSPResNeXt系统。从实验结果可以看出基于CSPResNeXt的车牌识别模型准确率高达99.10%,比Res Net、ResNeXt、Dense Net的准确率都高,具有较强的学习能力。并且CSPResNeXt网络模型比Res Net、ResNeXt、Dense Net都小,甚至只有ResNeXt的一半大小,运行效率会更高。本文将基于CSPResNeXt的车牌识别模型与刁彦华等人在基于Opencv的车牌识别模型上的实验测试相比,实验结果显示基于CSPResNeXt的车牌识别模型的识别准确率提高了7.3%。最后,本文提出将YOLOv3.1定位模型和CSPResNeXt的车牌识别模型级联,得到一种新的车牌识别系统,将其命名为YLCR串接系统,并对其进行整体测试。我们先将车牌图像输入YOLOv3.1进行定位,定位标记后的图像再输入到CSPResNeXt的车牌识别模型进行识别,实验结果显示YLCR串接系统最终的识别准确率为94.13%,平均每张车牌图像识别时间为0.096秒,小于GPU(图形处理器,Graphics Processing Unit)要求的0.2秒,充分满足设备要求。而且YLCR串接系统适用范围更广,更具鲁棒性,能够对一些复杂场景比如光线太强或太暗、模糊情况下的车牌进行准确定位与识别,与之相比,传统的识别系统在一些复杂场景中识别效果都不太理想。最后,本文将YLCR串接系统与开源的传统车牌识别系统Easy PR、基于深度学习的车牌识别系统Hyper LPR相比,实验结果显示Easy PR准确率只有85.2%,Hyper LPR准确率有92.5%,YLCR串接系统的准确率达到了94.13%,可以看出该串接系统YLCR具有较高的准确率。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 王琳琳;梁凤梅;刘阿建;;基于卷积神经网络特征重加权的行人再辨识[J];小型微型计算机系统;2019年04期
2 岳有军;孙碧玉;王红君;赵辉;;基于级联卷积神经网络的番茄果实目标检测[J];科学技术与工程;2021年06期
3 罗斌;郜伟;汤进;王文中;李成龙;;复杂环境下基于角点回归的全卷积神经网络的车牌定位[J];数据采集与处理;2016年01期
4 滕皓;陆慧娟;朱海天;朱文杰;;引入抑制增长损失函数的肺炎目标检测[J];计算机工程与设计;2021年09期
5 张瑞国;;基于Face R-CNN的人脸检测研究[J];电脑知识与技术;2018年19期
6 王潇天;;基于深度学习的目标检测研究与应用[J];电子制作;2018年22期
7 刘波;张鼎松;;一种神经网络中自定义损失函数的设计与分析[J];长春师范大学学报;2019年04期
8 徐振忠;;关于卷积神经网络损失函数的改进算法[J];高师理科学刊;2019年01期
9 吕铄;蔡烜;冯瑞;;基于改进损失函数的YOLOv3网络[J];计算机系统应用;2019年02期
10 彭之军;;基于深度学习的计算机围棋机器人研究[J];软件;2021年08期
11 张旭;;一种加强区分的深度人脸识别训练方法[J];警察技术;2018年02期
12 卢宏涛;张秦川;;深度卷积神经网络在计算机视觉中的应用研究综述[J];数据采集与处理;2016年01期
13 于进勇;丁鹏程;王超;;卷积神经网络在目标检测中的应用综述[J];计算机科学;2018年S2期
14 王快妮;曹进德;;基于截断1-范数损失函数的鲁棒超限学习机[J];南京信息工程大学学报(自然科学版);2019年04期
15 李贞伟;;应用卷积神经网络的车辆检测与车牌定位的设计与实现[J];电子世界;2021年19期
16 孙蓓蓓;;神经网络技术在计算机通信中的应用[J];煤炭技术;2014年01期
17 华显立;连晗;;车牌定位算法研究分析[J];中国新通信;2014年14期
中国重要会议论文全文数据库 前20条
1 吴夏;田新亮;寇雨丰;李欣;卢文月;;基于深度神经网络的二维水翼绕流研究[A];第十一届全国流体力学学术会议论文摘要集[C];2020年
2 张振宇;彭晶晶;梁燕燕;;基于机器学习实现冷轧产品的动态工艺调整[A];第十二届中国钢铁年会论文集——11.冶金自动化与智能化[C];2019年
3 张月义;宋明顺;韩之俊;;动态特性质量损失函数研究[A];质量——持续发展的源动力:中国质量学术与创新论坛论文集(下)[C];2010年
4 张翼飞;吴斌;;卷积神经网络在人物检测上的应用[A];2019年全国公共安全通信学术研讨会优秀论文集[C];2019年
5 曹陆军;;一种基于灰度差阈值的快速车牌定位方法[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集(上册)[C];2009年
6 徐文宇;白廷柱;蒋晓瑜;;一种基于字符纹理分析的车牌定位方法[A];中国光学学会2010年光学大会论文集[C];2010年
7 许礼武;许伦辉;;基于小波分解的车牌定位算法[A];第一届中国智能交通年会论文集[C];2005年
8 李英;汪航;;车牌定位与字符分割方法研究与实现[A];2009年中国智能自动化会议论文集(第三分册)[C];2009年
9 李孟歆;吴成东;曹阳;;基于旋转差分投影的混合车牌定位方法[A];2008’“先进集成技术”院士论坛暨第二届仪表、自动化与先进集成技术大会论文集[C];2008年
10 陈伟辉;孙阳;陈杰;倪玮;陈冲;薛超;;基于深度学习的地震识别技术展望[A];国家安全地球物理丛书(十四)——资源·环境与地球物理[C];2018年
11 段震;赵姝;;基于商空间理论的车牌定位[A];2005年“数字安徽”博士科技论坛论文集[C];2005年
12 黄文楷;孙季丰;;基于灰度图像的车牌定位算法的研究[A];第十三届全国图象图形学学术会议论文集[C];2006年
13 徐梦洋;;基于深度学习的行人再识别研究综述[A];中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集[C];2018年
14 杨恒;杨文帮;张儒良;王林;;一种基于视频分析的快速车牌定位方法[A];系统工程理论与应用——贵州省系统工程学会第五届学术年会论文集[C];2014年
15 韩立明;王波涛;;一种改进的灰度跳变车牌定位方法[A];2009全国虚拟仪器大会论文集(二)[C];2009年
16 彭瑾;刘必慰;陈胜刚;刘畅;;神经网络压缩模型的解压算法设计及其硬件实现[A];第二十二届计算机工程与工艺年会暨第八届微处理器技术论坛论文集[C];2018年
17 古智超;孙季丰;;复杂背景下的车牌定位与快速分割算法[A];第十三届全国图象图形学学术会议论文集[C];2006年
18 聂文真;刘鹏宇;贾克斌;;adaboost算法的遮挡车牌定位检测[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年
19 毕思娟;吴晓娟;尚峰;亓磊;;基于色彩分割及信息融合的车牌定位方法[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年
20 李艳洪;邹俊忠;张见;雷江震;;基于小波特征提取的车牌定位方法[A];'2006系统仿真技术及其应用学术交流会论文集[C];2006年
中国博士学位论文全文数据库 前20条
1 梁聪;面向图像分类的卷积神经网络损失函数研究[D];山东大学;2020年
2 郦博文;两类模型的统计推断及应用[D];中国科学技术大学;2019年
3 王峰;基于深度学习的人脸认证方法研究[D];电子科技大学;2018年
4 周瑜;基于度量学习和最大值损失函数的偏标记学习算法研究[D];大连理工大学;2017年
5 王昱心;基于指数矩的车牌识别研究[D];北京邮电大学;2017年
6 张月义;质量损失函数与测量系统校准研究[D];南京理工大学;2010年
7 朱晓宁;深度神经网络在图像识别中的研究与应用[D];北京邮电大学;2019年
8 郝富生;卷积神经网络判别性增强研究[D];中国科学院大学(中国科学院西安光学精密机械研究所);2019年
9 程起上;面向图像分类的卷积神经网络子结构设计理论与方法研究[D];电子科技大学;2020年
10 陈俭;基于卷积神经网络和度量学习的害虫检测方法研究[D];浙江大学;2021年
11 李旭冬;基于卷积神经网络的目标检测若干问题研究[D];电子科技大学;2017年
12 高震宇;基于深度卷积神经网络的图像分类方法研究及应用[D];中国科学技术大学;2018年
13 艾鹏程;基于卷积神经网络的高能物理事例特征信息在线提取算法研究[D];华中师范大学;2020年
14 毛博;基于卷积神经网络的地震数据重构与模型构建研究[D];吉林大学;2020年
15 马超;基于深度神经网络的三维目标检测与识别技术研究[D];国防科技大学;2019年
16 齐颖;基于卷积神经网络的多曝光图像融合算法研究[D];重庆大学;2020年
17 张凯;基于机器学习的眼科疾病自动诊断中的关键问题研究[D];西安电子科技大学;2019年
18 金国强;基于深度学习的复杂工况下端到端的滚动轴承故障诊断算法研究[D];中国科学技术大学;2020年
19 黄维忠;相依风险及平衡损失函数下的信度理论[D];华东师范大学;2013年
20 曾宇骏;基于深度神经网络的智能车辆目标识别与学习控制方法研究[D];国防科技大学;2018年
中国硕士学位论文全文数据库 前20条
1 彭慧玲;基于卷积神经网络的车牌定位与识别算法的研究[D];南京邮电大学;2021年
2 彭慧玲;基于卷积神经网络的车牌定位与识别算法的研究[D];南京邮电大学;2021年
3 俞国庆;基于深度学习理论的车牌识别方法及应用[D];山东科技大学;2019年
4 陈宇萌;基于深度学习的图像风格迁移算法研究[D];中国地质大学(北京);2021年
5 王博;基于深度学习的非机动车辆检测与识别[D];西安电子科技大学;2021年
6 李剑;面向视觉感知的目标检测算法研究[D];南京理工大学;2019年
7 杜玄;冷冻电镜图像颗粒挑选的卷积神经网络方法研究[D];国防科技大学;2019年
8 祁子梁;基于混合损失函数的行人再识别研究[D];河北工业大学;2019年
9 黄彩霞;基于神经网络的车牌识别算法研究[D];江西财经大学;2020年
10 张义;基于深度学习的车辆再识别技术研究[D];华东交通大学;2020年
11 刘宇;基于特征重用的神经网络交通环境目标检测[D];吉林大学;2021年
12 何育欣;基于卷积神经网络的大熊猫检测与个体识别研究[D];西华师范大学;2020年
13 郝涌龙;基于深度学习的图像画风转变[D];重庆大学;2017年
14 黄再广;基于深度学习的车牌定位与识别[D];北京化工大学;2021年
15 黄再广;基于深度学习的车牌定位与识别[D];北京化工大学;2021年
16 黄继宽;基于深度学习的人脸识别研究[D];宁夏大学;2020年
17 陈奕志;基于深度学习的结肠息肉自动检测[D];上海交通大学;2019年
18 陈程;基于卷积神经网络的图像情报目标检测和场景识别技术研究[D];国防科技大学;2018年
19 龙鑫;基于卷积神经网络的人脸识别研究[D];天津大学;2018年
20 张毅;带反馈的基于深度学习的图像表达的优化[D];西安电子科技大学;2015年
中国重要报纸全文数据库 前20条
1 记者 张梦然;神经网络打开理解电子相互作用新窗口[N];科技日报;2021年
2 记者 董映璧;神经网络技术检测玻璃钢缺陷精度高[N];科技日报;2020年
3 湖北日报全媒记者 张爱虎 通讯员 徐向军 实习生 于蓝;一群“90后”率先建成铁路“神经网络”[N];湖北日报;2019年
4 记者 刘霞;忆阻器制成神经网络更高效[N];科技日报;2017年
5 整理 本报记者 诸玲珍 顾鸿儒;微软神经网络切割法可使加速作用超线性[N];中国电子报;2018年
6 ;神经网络小史[N];电子报;2018年
7 ;人工智能将取得大面积突破[N];中国企业报;2017年
8 本报记者 龚丹韵;人机大战:人类还有优势吗[N];解放日报;2017年
9 ;人类正迎来云端机器人时代[N];中国企业报;2017年
10 记者 邱智丽;AI竞赛 中国力量崛起[N];第一财经日报;2017年
11 记者 刘霞;新神经网络使计算机像人一样推理[N];科技日报;2017年
12 本报记者 喻思娈;人工智能有多智能?[N];人民日报;2017年
13 记者 王雪青;构建机器世界神经网络 东土科技“抄底”人工智能[N];上海证券报;2017年
14 ;人工智能到底有多智能?[N];长白山日报;2017年
15 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年
16 记者 冯海波 通讯员 华轩;构建叠层宽度神经网络成深度模型[N];广东科技报;2021年
17 记者 毛黎;神经网络技术帮自主驾驶汽车识别幻影物体[N];科技日报;2020年
18 记者 孙刚;“神经网络”:打开复杂工艺“黑箱”[N];解放日报;2007年
19 本报首席记者 任荃 实习生 史博臻;轨交“神经网络”触动创新神经[N];文汇报;2011年
20 记者 张梦然;神经网络完成芯片设计仅需几小时[N];科技日报;2021年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978