基于深度学习的车牌定位和识别方法

针对现有的基于车牌字符分割的车牌识别方法,在光照,阴暗等特定自然场景下存在无法定位且车牌字符无法正确分割,直接影响车牌字符识别效果的问题,提出一种基于深度学习的车牌定位和识别方法.首先采用深度学习FasterR-CNN算法进行车牌定位,利用k-means++算法来选择最佳车牌区域尺寸,解决现有车牌定位方法在某些自然场景下无法正确定位车牌的问题;然后在AlexNet网络模型的基础上进行改进和重新构建,提出一种增强的卷积神经网络模型AlexNet-L,该模型是一种针对车牌字符识别的端对端网络模型,可提高车牌识别准确率,避免现有的基于车牌字符分割的车牌识别方法中因无法正确分割车牌字符对车牌字符识别的影响.实验结果表明,该方法可以更有效地提高车牌定位和车牌字符识别的准确度和效率.     

车牌提取与识别系统的研究与设计

针对现有的车牌识别方法的缺陷,改进了车牌识别系统中的多项关键技术;采用了基于图像二维能量与HSI彩色空间相结合的方法进行车牌定位与提取,并对现有的能量算法与彩色图像分割算法做了改进;在识别过程中,引人了特征提取与多级BP神经网络相结合的分类识别方法,对车牌中部分相似字符采用第二级神经网络进行精细识别;通过上述改进,提高了系统的整体性能;实验表明,这些关键技术的改进可以大大提高车牌识别系统的准确率与鲁棒性.     

开放场景中的高精度车牌识别算法

目前,限制条件下的车牌识别算法比较成熟,广泛应用于各种车牌识别系统。由于拍摄角度差异较大、车辆运动模糊等因素的影响,中文车牌识别仍具有较大的挑战性。针对上述问题,该文放弃单一的端到端深度学习的车牌识别方法,提出了一种检测、分类一体化的逐级车牌识别算法,采用逐级对象检测策略与字符分类相结合预测车牌的字符结果。在此基础上,提出一种多锚点字符位置回归算法,进一步精确回归所有车牌字符的局部区域位置信息。同时为了满足字符检测和字符分类的需求,解决现有车牌数据集类别不均衡的问题,该文贡献了一系列配套的车牌数据集。充分实验表明,该方法在不同数据集上都能达到目前的先进水平,并在公开数据集CCPD上准确率达到了99%,在开放场景中具备高精度和高鲁棒性。     

一种基于图像增强的弱光背景下车辆牌照识别方法

针对弱光背景下图像的对比度较低,常规的车辆牌照识别方法难以准确识别车牌信息的问题,提出一种弱光背景下对车牌信息识别的新方法.先通过直方图匹配和空域滤波进行图像增强预处理,以提高图像对比度,再通过锐化信号边缘,提高信号边缘的定位精度,最后对增强后的车牌图像进行识别.实验结果表明,该方法对弱光背景下的车牌信息可以进行较好地识别,具有一定的实用性和鲁棒性.     

BP神经网络在车牌字符识别中的应用研究

研究车牌字符识别问题,针对传统神经网络在车牌字符识别存在识别准确率低、效率低的问题,提出了一种基于改进神经网络的车牌字符识别方法.该方法首先采用Gabor滤波器提取车牌字符的特征,PCA降维处理消除车牌字符特征之间的冗余信息,然后采用改进的神经网络对提取特征进行训练得到最优识别模型,最后利用最优模型对车牌字符进行识别.仿真实验表明,数字及字母的识别准确率达95.0%以上,汉字的识别准确率达93.1%,与传统识别方法相比,识别准确率和识别速度都有了较大的改进,该方法在车牌识别的应用有着广泛的前景.     

基于韵律特征辅助的端到端语音识别方法

针对传统的语音识别系统采用数据驱动并利用语言模型来决策最优的解码路径,导致在部分场景下的解码结果存在明显的音对字错的问题,提出一种基于韵律特征辅助的端到端语音识别方法,利用语音中的韵律信息辅助增强正确汉字组合在语言模型中的概率。在基于注意力机制的编码-解码语音识别框架的基础上,首先利用注意力机制的系数分布提取发音间隔、发音能量等韵律特征;然后将韵律特征与解码端结合,从而显著提升了发音相同或相近、语义歧义情况下的语音识别准确率。实验结果表明,该方法在1 000 h及10 000 h级别的语音识别任务上分别较端到端语音识别基线方法在准确率上相对提升了5.2%和5.0%,进一步改善了语音识别结果的可懂度。     

基于SIFT特征匹配的车牌识别方法

针对智能交通系统中基于视觉的车牌识别中存在的依赖于光学字符识别以及在复杂环境下准确率低的问题,提出了基于SIFT特征匹配的车牌识别方法。通过基于插值的超分辨率图像重建方法对车牌图像进行预处理,基于轮廓特征对车牌进行定位,通过SIFT特征匹配的方式,利用模板库中的车牌字符模板对车牌进行定位验证以及字符识别。实验结果表明该方法能有效提高车牌识别的效率。     

基于层次聚类多任务学习的人类行为识别

为了实现对人类行为的有效识别,提出了一种基于层次聚类多任务学习(HC-MTL)的人类行为识别方法。采用正则化最小二乘法制定目标函数,并对模型参数和分组信息这2个潜在的变量进行联合优化。使用聚类范数正则化方式进行多任务学习,并求解任务相关性,进而对人类行为进行有效识别。该方法打破了所有行为是独立的个人学习的假设,通过任务聚类的方式建立起多任务之间的关系,共享同类任务之间的相关信息,提高了人类行为识别的准确度。试验结果表明,与聚类多任务学习方法(CMTL)和鲁棒多任务学习方法(RMTL)相比,HC-MTL方法可以发现任务的潜在相关性,有助于诱导群体多任务学习。通过同一类任务之间的共享信息,减少了误差,并提高了行为识别的精确度。     

基于深度学习的含堆叠字符的车牌识别算法

车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNet-SSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性,极大提高了车牌识别系统的通用性。     

基于信号指纹的无人机遥控端个体识别方法

针对无人机遥控端个体间信号相似,难以识别的问题,提出了一种基于信号指纹的无人机遥控端个体识别方法.方法通过多项式拟合暂态信号瞬时幅值包络曲线,得到暂态信号特征,再提取稳态信号的瞬时频率特征,并采用K最近邻(KNN)等多种机器学习方法进行信号识别.对实际数据处理结果表明:能够有效识别2个无人机遥控端个体,仿真实验结果表明...     

基于深度学习模型LeNet-5-L的车牌识别算法

针对车牌中汉字识别率低和识别速度慢问题,提出一种基于深度学习的车牌识别网络LeNet-5-L,该网络把车牌识别分为两个阶段,运用OpenCV库函数对车牌图像预处理,结合垂直投影分割方法将车牌分割为7个独立字符图像,降低了图像特征提取难度,从而提高车牌中各个的字符识别率和整个车牌识别速度;运用卷积神经网络解决车牌字符识别问题,基于LeNet-L设计一种车牌字符识别网络LeNet-5-L,有效提高车牌中首字符汉字识别率;实验结果表明,该网络对车牌中各个字符的识别准确率均高于99.97％,单个车牌识别时间仅需0.83 ms,该方法有效的提高车牌识别的正确率和识别速度.     

基于改进Faster R-CNN及YOLO的大角度车牌识别算法

随着大数据时代的到来,智慧城市等一系列概念的提出,人工智能开始在城市各个角落得到广泛应用。其中,车牌识别作为城市道路交通重要的一环,也取得了重大突破。基于深度学习的车牌识别一经提出,各类算法应用于车牌检测及识别上,对比于传统的车牌识别,大大提高了识别的速率和准确率。然而,在非限制条件下,如大角度车牌识别准确率仍有提升的空间。提出了一种改进的FasterR-CNN与YOLO的深度学习车牌识别算法,将对大角度下的车牌识别准确率达到了99.7%。由于是轻量型的框架,为后续的移动设备部署工作提供了便利。     

一种基于车灯定位的夜间车牌识别研究

针对夜间的车牌识别,提出了一种基于车灯定位的识别多个车牌的流程方法。该方法首先利用车灯坐标来对图像中多个车牌区域进行定位,进而对局部区域利用边缘检测,形态学技术,使车牌成唯一存在多次跳变的区域,车牌定位之后又利用改进的模板匹配的算法,提高了误判率,从而提供了一套夜间多车牌识别的方法。试验结果表明,两辆车的车牌识别的准确率在95%以上,并能适应于夜间的不同环境。     

基于逻辑回归的多任务域快速分类学习算法

多任务学习通过寻找并共享不同任务域之间的共性特征来完成学习,利用知识迁移加速不同任务域的学习为每个任务域构建一个分类器。提出了一种基于罗杰斯特回归模型的多任务学习方法MTC-LR（Multi-task Coupled Logistic Regression）。“罗杰斯特回归模型”已经被成功应用于单任务分类器上,该模型被众多实验证明是有效的,正是这种方法给人们带来了启示。从理论上证明了通过构造多任务分类器的“开销函数”和“差异性度量函数”,MTC-LR算法可以提高多任务分类器的各自分类精度。相比传统的基于SVM的多任务学习方法,MTC-LR并不依赖于核方法而是通过共轭梯度下降法寻找各个分类器的最优参数。同时MTC-LR与采用“罗杰斯特回归模型”的快速算法CDdual更容易结合,可扩展至大样本的多任务分类学习。正是基于上述发现,为了充分高效利用大样本的多任务域数据,满足大样本的快速运算,在MTC-LR算法的基础上,结合最新的CDdual（The Dual Coordinate Descent Method）算法,提出了MTC-LR的快速算法MTC-LR-CDdual,并对该算法进行了相关的理论分析。将该算法在人工数据集和真实数据集上进行了验证,实验结果表明该算法有着较高的识别率、快速的识别速度和较好的鲁棒性。     

自然场景下变形车牌检测模型DLPD-Net

目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战。为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net （distorted license plate detection network）。方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测。结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP （the application-oriented license plate database）和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性。实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4%,高出其他方法4.4% 12.1%,平均处理时间为237 ms。在数据集AOLP上取得了96.6%的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9%,高出其他方法1.6% 25.2%,平均处理时间为185 ms。结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性。     

结合GAN的轻量级模糊车牌识别算法

目的 模糊车牌识别是车牌识别领域的难题,针对模糊车牌图像收集困难、车牌识别算法模型太大、不适用于移动或嵌入式设备等不足,本文提出了一种轻量级的模糊车牌识别方法,使用深度卷积生成对抗网络生成模糊车牌图像,用于解决现实场景中模糊车牌难以收集的问题,在提升算法识别准确性的同时提升了部署泛化能力。方法 该算法主要包含两部分,即基于优化卷积生成对抗网络的模糊车牌图像生成和基于深度可分离卷积网络与双向长短时记忆（long short-term memory,LSTM）的轻量级车牌识别。首先,使用Wasserstein距离优化卷积生成对抗网络的损失函数,提高生成车牌图像的多样性和稳定性;其次,在卷积循环神经网络的基础上,结合深度可分离卷积设计了一个轻量级的车牌识别模型,深度可分离卷积网络在减少识别算法计算量的同时,能对训练样本进行有效的特征学习,将特征图转换为特征序列后输入到双向LSTM网络中,进行序列学习与标注。结果 实验表明,增加生成对抗网络生成的车牌图像,能有效提高本文算法、传统车牌识别和基于深度学习的车牌识别方法的识别率,为进一步提高各类算法的识别率提供了一种可行方案。结合深度可分离卷积的轻量级车牌识别模型,识别率与基于标准循环卷积神经网络（convolutional recurrent neural network,CRNN）的车牌识别方法经本文生成图像提高后的识别率相当,但在模型的大小和识别速度上都优于标准的CRNN模型,本文算法的模型大小为45 MB,识别速度为12.5帧/s,标准CRNN模型大小是82 MB,识别速度只有7帧/s。结论 使用生成对抗网络生成图像,可有效解决模糊车牌图像样本不足的问题;结合深度可分离卷积的轻量级车牌识别模型,具有良好的识别准确性和较好的部署泛化能力。     

基于改进BP神经网络的夜间车牌识别算法研究

为了提高夜间条件下车牌识别准确率,提出了一种基于改进BP神经网络的车牌识别算法.为了改善夜间环境下车牌图像的质量和清晰度,在图像预处理过程中采用了图像平滑处理增强技术;利用图像边缘检测技术实现了对图像正确定位,然后通过统计车牌图像白色像素个数的方法对字符分割;在此基础上,使用基于附加动量法和自适应学习速率改进的BP神经网络方法精确识别车牌.实验结果表明,该方法对夜间车牌的分割和识别是有效的.     

基于可变形卷积和自适应二维位置编码的鲁棒车牌识别方法

车牌识别是智能交通系统中的关键步骤,为提高在非可控和复杂场景下车牌的识别精度,提出了一种鲁棒车牌识别方法,该方法主要包括车牌检测和车牌字符识别2个核心部分。首先,采用YOLOv5网络实现车牌的检测;其次,基于递归卷积神经网络框架,提出了一种基于可变形卷积和自适应二维位置编码(A2DPE)的车牌字符识别方法。该方法针对车牌大小、倾斜角度和光照条件等动态变化的特点,采用了可变形卷积来更好地提取车牌字符的特征,并引入了A2DPE模块,根据输入自适应地获取车牌字符位置编码信息。最后,利用双向长短期记忆网络进行车牌字符的识别,无须分割车牌字符,可以实现不同长度车牌字符的准确识别。在自建数据集LPdata与公开数据集CLPD上的实验结果表明,与现有方法相比,该方法能够以较低的模型复杂度达到较高的准确率。     

基于多任务学习多目标优化的稀土元素组分含量与浓度多维度软测量

稀土混合萃取溶液中各元素组分含量的在线软测量是优化连续萃取生产过程、确保产品高纯化的前提.现有软测量方法可独立求解单个稀土元素组分含量,但忽略了多元素组分含量间或组分含量与其它相关因素(如浓度)间的共性.本文为探索多稀土元素组分含量间及组分含量与浓度间的共性,将多任务学习方法用于稀土元素组分含量软测量中.首先,构建多任务深度神经网络,提高模型的泛化能力和鲁棒性.其次,提出基于多目标优化算法的稀土多元素组分含量预测方法,通过搜索Pareto最优以提升各任务的预测精度.经多组对比实验表明,该方法在多元素组分含量或多元素组分含量与浓度同时训练时性能最佳,能满足稀土元素组分含量在线检测的精确性和实时性.