复杂场景下高效率车牌识别研究

【摘要】：近些年来,随着经济的发展,我国汽车保有量迅猛增长,如何才能快速获取车牌信息,已成为交通管理部门亟待解决的难题。对此,一种自适应能力强、检测速度快且精度高的算法,是车牌检测算法的研究发展方向。虽然传统的车牌检测算法已经投入到实际应用,但是检测传统的车牌检测算法效果不佳,并且传统检测算法难以适应多种场景。而深度学习算法具有很好的图像特征表示能力且能够应用于复杂场景,但是检测过程比较耗时。基于以上原因,我们对车牌识别技术做了大量的研究,实行了复杂场景高效识别车牌,本文中车牌识别算法做了如下改进:1)设计了基于FCN模块和Faster R-CNN模块的车牌定位系统:在车牌识别系统中将FCN语义分割模块和Faster R-CNN检测模块有效的结合在一起,用于车牌定位,并且设计了两个网络,分别替换FCN模块和Faster R-CNN模块原始的特征提取网络。其中,FCN模块用于检测出车牌候选区域,Faster R-CNN模块通过检测车牌候选区域,得到车牌的具体位置。由于所提出的网络较小,训练后的模型也较小,在保证准确率的前提下极大提高了车牌定位的速度,达到高效率车牌识别要求。2)优化了模型的训练过程:针对光线复杂场景识别率低、模糊图片误识别等问题。文中利用分类器对样本进行分类,将分类错误的样本,重新放入负样本集合中,旨在获取更具识别性的特征表示,有效的提高了模型对复杂场景和难以识别图片的识别能力。3)改进车牌检测方法中的非极大值抑制算法:在实验中发现多个车牌距离较近时,非极大值抑制算法会直接删除所有重合度大于阈值的候选框,造成部分车牌漏检。对此,我们摒弃了直接删除候选框的做法,改用降低该框置信度的方式。本方法保留了原本被删除的候选框,降低了多个车牌距离较近时的漏检率,提高了模型的检测效果。同时成功将该车牌识别算法应用于重庆凯泽公司的商用项目。