基于深度学习的复杂场景下车牌识别应用研究

【摘要】：自动车牌识别技术可以从图像中检测车牌并进行字符识别,作为智能交通管理的重要手段之一,在生活中已经得到广泛的应用。传统车牌识别技术依赖于人工设计特征,在光照条件不稳定,车牌大小、倾角不确定的复杂场景下难以准确地对车牌进行检测和分割,影响识别效果。目前,深度学习可以自适应地提取丰富的图像特征,为研究复杂场景下的车牌识别提供了新的思路。为探索将深度学习应用于复杂场景下车牌识别任务的可行性与实用性,本文开展了以下研究工作。(1)针对目前没有统一的用于复杂场景下车牌识别任务的数据集,本文首先采用人工拍摄的方式,在多个场景、多种角度和多种天气下采集大量的车牌图像;其次为了增加样本的多样性,对样本集进行数据增强处理;最后对车牌图像进行人工标注以制作实验所用的数据集。(2)由于传统车牌检测技术无法有效地从复杂场景中检测车牌,通过对多种目标检测算法的研究,本文以YOLOv2为基础设计了车牌检测网络LPD-net;通过聚类算法对数据集进行分析,优化了先验框的设计;引入多尺度检测策略,增强网络对于小目标的检测性能;通过不同深度卷积层的融合,增强网络的特征表达能力。实验结果表明,相比于传统方法,LPD-net在复杂场景中有更好的表现,且检测速度达到实时性要求,具有一定的应用价值。(3)针对传统方法步骤复杂的不足,本文基于Faster R-CNN的工作原理,设计了端到端的车牌识别网络LPR-net。首先,以区域候选网络(Region Proposal Network,RPN)作为车牌检测网络,输出车牌区域;其次,使用双向循环神经网络(Bidirectional recurrent neural networks,BRNN)对车牌区域进行字符识别,实现了完整的车牌识别网络。相比于多步识别的方式,端到端的方式可以对车牌检测网络和车牌识别网络进行统一训练,两个网络共享基础卷积层,减少了参数,提高了识别速度。本文设计的端到端的车牌识别网络在数据集上的表现优于传统车牌识别方法,证明了深度学习在处理复杂场景下车牌识别任务的可行性。