论文部分内容阅读
车牌识别技术是指能够获取路面上车辆视频,并从中自动提取车辆牌照图像然后进行图像识别的技术。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,本文利用深度学习技术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模块的车牌识别算法。在车牌检测部分,本文在调研国内外车牌定位算法基础上,整理分析了几种常见的车牌定位算法的优缺点,最终设计出了基于颜色信息和边缘信息的车牌定位方法,并结合SVM(Support Vector Machine)二分类模型对定位出的车牌进行筛选,以提高车牌定位的准确率。经过实验测试,本文设计的车牌定位算法具有较高的定位准确率。为了能更好地对比传统车牌识别算法与本文设计的无分割车牌识别算法,本文特别对传统车牌识别算法的字符分割环节进行实现。首先采用基于Radon变换的倾斜校正算法对车牌进行校正,然后利用垂直投影分析的方法对车牌进行字符分割,最后使用改进的模板匹配方法对车牌字符进行识别。实验结果显示,传统车牌识别算法识别准确率严重依赖于车牌字符分割的准确程度,这在很大程度上降低了算法鲁棒性。本文在研究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。在调研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模型AlexNet并对其加以改造,通过训练得出模型并将其应用于车牌识别算法中的字符识别模块。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高的识别准确率,具有一定的现实意义。