车牌定位车牌识别图像处理卷积神经网络 计算机专业

I摘要摘 要车牌识别技术是指能够检测到路面的车辆并自动提取车辆牌照信息然后进行处理的技术。作为智能化交通管理体系中的重要核心，车牌自动识别系统目前已在停车场管理、高速公路不停车收费以及城市交通等领域以及有着广泛应用。车牌识别系统的关键是车牌识别算法。传统车牌识别算法将整个车牌识别流程分为四个模块：车牌定位、车牌分割提取、字符切分和字符识别，这种算法设计的好处是可以为每个模块单独设计算法，从而降低整体算法设计复杂度。但其缺点是模块间的误差积累容易导致最后车牌识别的准确率降低。基于此，本文将传统车牌识别算法进行改进，从原来拥有四个模块减少到只有车牌检测与车牌识别两个部分的车牌识别算法。最近几年，深度学习技术的崛起颠覆了传统图像分类、文本语义理解、语音识别以及模式识别和计算机视觉等诸多领域的算法设计思路，相较以往的模块化设计思想，如今的算法设计思路更偏好于依靠超大规模的数据，通过构建一个端到端的模型来获得最终结果。这不仅大大简化了算法设计流程，而且因为深度学习技术中使用的深度神经网络其每一层都能针对识别目标调整自己，达到各层之间的无缝衔接，最终实现通力合作，进而大大提高目标识别的准确率。卷积神经网络是深度学习技术中经典的网络结构类型之一，其在图像分类识别领域取得了前所未有的成功。目前，卷积神经网络在 OCR（Optical Character Recognition，光学字符识别）领域的表现让其在深度学习模型中独占鳌头。车牌识别系统从满足一般应用需求到向智能化迈进的过程中，需要持续地对识别算法进行改进，以满足更高的性能要求。本文在研究分析深度学习技术的基础上，将其中的卷积神经网络应用在车牌识别算法中，实现对车牌字符的无分割识别。本文在大量研究各种经典的卷积神经网络基础上，针对车牌识别具体的技术需求，选择经典的卷积神经网络结构 AlexNet 并对其改造，用于车牌识别算法中的识别部分。经过大量测试数据验证，本文提出的车牌识别算法在复杂环境下拥有较强的识别准确率，为传统车牌识别算法的改进提供了新的思路，具有较强的现实意义。关键词：车牌定位，车牌识别，图像处理，卷积神经网络ABSTRACTLicense plate recognition technology refers to technology that can monitor the vehicle on the road and automatically extract vehicle license plate information and then process it. As an important core in ...