神经网络在车牌识别中的应用

介绍了中国车牌识别的研究背景和现状,提出了一种基于神经网络的新方法,并设计了一种没有直接预处理的车牌像素图像的卷积神经网络结构。该图像变换适用于利用原始车牌来增加训练数据库。实验结果验证了本车牌识别方法的鲁棒性和有无车牌的识别效率。     

基于联合层特征的卷积神经网络在车标识别中的应用

针对现有智能交通系统仅仅通过车牌信息获取车辆信息存在不准确的情况,提出一种基于联合层特征的卷积神经网络(Multi-CNN)进行车标识别。该方法将通过卷积神经网络中不同层提取的特征联合起来,一起作为全连接层的输入,训练获得分类器。通过理论分析和实验表明,与传统的卷积神经网络训练获得的分类器相比,Multi-CNN方法能够减少训练所需计算量,同时将车标识别准确率提升至98.7%。     

BP神经网络在车牌识别技术中的应用

车牌识别系统作为智能交通系统的重要部分,对车辆定位、交通流量的监控具有重要的意义。在车牌识别系统中,利用BP神经网络对车牌进行识别得到广泛的应用,如何提高车牌识别的准确率是车牌识别系统最根本的问题。在多路监控系统中,所采集的车牌图像大小比较小,严重影响了车牌的识别率。采用优化的BP神经网络结构以及根据环境差异进行识别的方法,对车牌识别进行研究,研究实现了对较小的车牌进行准确的识别。     

基于改进型目标重识别算法的高速公路车辆轨迹还原

针对高速公路场景下难以实现车辆轨迹精准还原的问题,提出以新近大规模建设的ETC门架系统作为检测载体,将车牌识别与车辆重识别(ReID)技术结合实现更好的轨迹还原效果.高速公路车辆目标多、速度快,常用目标检测算法难以满足属性检测与重识别要求的情况下,对多目标检测与重识别的FairMOT算法结构作出改进,添加多个并行头输出,对车牌、车辆颜色、类型、品牌及重识别等特征同时训练,输出车辆多标签属性;制作数据集并开发一套数据标注工具以满足多目标、多标签及重识别标注需求.实验表明,车牌识别准确率达到97.32％,车辆重识别rank-1为86.94％.采用车牌识别与ReID相结合的方式,车辆轨迹还原准确率超过85％,与ReID及车牌识别单独使用相比分别提高了14.8％与9.89％.该方法以27.5 fps的推理速度在高速公路车辆轨迹还原实践中取得了较好效果,也为智能算法在高速公路领域深化应用提供了实践基础.     

基于CNN网络的带遮挡车牌识别

为提高存在遮挡的车牌识别准确率,基于数据驱动,利用形态学算法如腐蚀、膨胀、旋转等对标准化字符进行自动化处理,并自适应地加入高斯噪声构建带有遮挡的字符样本以代替常见的无遮挡标准车牌字符样本.结合图像边缘检测与HSV(Hue,Saturation and Value)模型对车牌实现正确定位;采取霍夫边缘检测对倾斜的车牌进行仿射校正,并归一化车牌尺寸对车牌进行规定比例的字符切分.在此基础上,使用卷积神经网络(Convolutional Neural Networks,CNN)对样本库进行训练并对车牌内容进行识别.实验结果表明,该方法对带遮挡物的车牌具有良好的识别效果,且对汉字的识别精度略高于字母及数字.通过不同网络中与无遮挡样本库的识别效果对比可知此样本库的整体识别精度确有明显提高,有一定的应用价值.     

基于四旋翼无人机的车辆自主抄牌

针对传统车辆抄牌效率低的问题,提出一种基于四旋翼无人机的车辆自主抄牌方法。使用无人机采集大量车辆俯视图样本,对图像进行预处理和下采样,然后提取车辆图像的梯度直方图特征,将图像特征输入到卷积神经网络中,训练出车辆识别模型,最后使用模型识别车辆;根据车辆的形状特征估计车辆姿态;根据车辆的位姿信息计算无人机抄牌的位置和角度;搭建无人机实验平台测试无人机自主抄牌系统。实验结果表明无人机可以自主拍摄到清晰的车牌图像,实现了车辆抄牌的自动化。     

基于深度卷积神经网络的车型识别研究

近年来,深度学习中的卷积神经网络已经广泛运用于图像识别领域,它不仅显著提升了识别准确率,同时在特征提取速度方面也优于许多传统方法。本文针对高速公路环境下的车型识别问题,引入卷积神经网络（CNNs）理论,设计相应特征提取算法,并结合SVM分类器构建识别系统。通过对高速公路上主要三种车型（小车、客车、货车）的分类实验显示,本文方法在识别精度及速度上均取得较显著的提高。     

改进的Yolo_v2违章车辆检测方法

近年来,我国随着汽车保有量增长迅速,由汽车造成的交通压力及安全隐患也逐年递增,对道路上车辆行为进行监督也变得尤为重要。提出了利用改进的Yolo_v2卷积神经网络来进行车辆检测。对原Yolo_v2网络进行结构改进,添加残差网络来提高检测准确率,添加多尺度层来提升对图片中不同尺寸目标的检测精度;基于Elu激活函数设计出Kelu激活函数,进一步提高检测准确率;制作多方位车辆数据集及车牌数据集;将车辆检测系统与车牌检测系统集成到ROS系统中,并与QT-Creator可视化界面通信,以便更清晰地观测实验结果。实验结果表明,利用改进后的Yolo_v2卷积神经网络对道路上的车辆进行违章检测有着优越的表现。     

一种基于GMP-LeNet网络的车牌识别方法

车牌识别技术是智能交通管理系统的核心,对它的研究与开发具有重要的商业前景。传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络作为一种高效识别算法,对处理二维车牌图像具有独特的优越性。针对传统卷积神经网络LeNet-5识别车牌图像时,存在训练数据较少、全连接层参数冗余以及网络严重过拟合等一系列的问题,设计了一种全局中间值池化(GMP-LeNet)网络,其使用卷积层代替全连接层,利用Network In Network网络中的1*1卷积核进行通道降维,全局均值池化层直接将降维后的特征图馈送到输出层。实验证明,GMP-LeNet网络能有效抑制过拟合现象,并具有较快的识别速度和较高的鲁棒性,车牌识别率达到了98.5%。     

基于卷积神经网络的车牌字符识别

车牌字符识别是智能车牌识别系统中的重要组成部分。针对车牌字符类别多、背景复杂影响正确识别率的问题,提出了一种基于卷积神经网络（CNN）的车牌字符识别方法。首先对车牌字符图像进行大小归一化、去噪、二值化、细化、字符区域居中等预处理,去除复杂背景,得到简单的字符形状结构;然后,利用所提出的CNN模型对预处理后的车牌字符集进行训练、识别。实验结果表明,所提方法能够达到99.96%的正确识别率,优于其他三种对比方法。说明所提出的CNN方法对车牌字符具有很好的识别性能,能满足实际应用需求。     

基于CNN彩色图像边缘检测的车牌定位方法

针对现有车牌定位算法准确率不高、步骤多和速度慢等问题, 提出一种彩色图像车牌定位方法(License plate locating based on CNN color edge detection, LPLCCED). 首先利用细胞神经网络(Cell neural network, CNN)模型导出一种与车牌颜色特征相结合的车牌定位专用边缘检测算法, 将车牌的颜色对约束条件融合到边缘检测算法中, 本文专用边缘检测算法可以大大缩小车牌初步定位的范围. 接下来提出一种针对车牌特征的边缘滤波算法, 最后根据车牌结构和纹理特征对候选区域进行判别验证. 该流程的各个环节都可以通过硬件实现, 为面向智能交通领域的实时车牌识别系统的前期车牌定位处理提供了依据.     

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.     

一种基于BP神经网络的车牌字符分类识别方法

目前,车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。本文根据车牌字符的特殊性,提出一种采用特征提取与BP神经网络学习算法相结合的分类识别技术,选取字符的粗网格特征作为字符的识别特征,以改进后的归一化字符原始特征直接输入到BP神经网络分类器中进行车牌字符识别研究。对于易混淆和相似的字符、汉字笔划粘连、字符偏移现象等都提出了自己的解决方法。实验结果说明,本方法可大幅提高车牌识别系统的正确识别率和抗干扰能力。     

基于灰度跳变的车牌定位算法及其实现

研究车牌识别定位算法问题。传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用,存在车牌图像定位的精度的不高等问题。为解决上述问题,在对车辆图像预处理基础上,提出了一种基于图像灰度跳变特性的车辆牌照定位算法。主要给出了粗定位和细定位两种定位算法,并用VC++设计实现定位算法。通过实验对实际交通中多幅车牌图像进行处理,对不同的车牌图像进行定位。实验结果表明,新算法能够对车牌图像进行高精度定位,并且具有较强的鲁棒性,为车牌字符的识别与分割奠定了一定的基础。     

基于无线网络车牌识别系统识别算法的研究

字符识别是智能车牌识别系统研究的核心问题,针对有线网络车牌识别系统的缺点,将BP算法应用在基于无线网络的车牌识别系统上,重点讨论了用改进的BP神经网络方法对车牌字符的识别;根据我国最新机动车号牌GA36-2007标准,设计出了用于车牌识别的3个神经网络,用MATLAB完成了对车牌字母部分识别的模拟,采用隐层节点22,动量因子0.8进行训练,最后得出实验结果,达到目标误差小于0.001的要求;证明这种方法应用在基于无线网络车牌识别系统上是高效的.     

复杂环境下基于角点回归的全卷积神经网络的车牌定位

车牌定位是车牌识别系统中核心部分,具有较高的研究和应用价值。尽管近些年来该研究取得了很大的进展,但仍无法很好地解决低亮度、低分辨率和车辆倾斜等环境下的定位问题。本文提出了一种新的全卷积神经网络,通过回归车牌角点的方式准确地进行车牌定位。为了保证训练的有效性,对45 000幅含有车牌的图像进行人工标注。同时,对标注的图像随机进行平移、缩放、旋转和加噪,提高训练样本的数量和多样性。在本文构建的卡口图像数据集和复杂环境数据集上与两种方法进行了比较,验证了本文方法的有效性。     

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.     

基于小波和神经网络的车牌字符识别新方法

车辆牌照自动识别（简称车牌识别）是智能交通系统中一项重要的关键技术;首先简要介绍了车牌识别技术饷背景及意义,然后阐述了小波变换和BP神经网络的相关理论和实现细节,最后提出了一种基于小波和BP神经网络的车牌字符识别新方法,并采用了MATLAB数学工具进行仿真;实验结果显示,总的字符识别率为95．8％,平均识别时间21ms,表明该方法具有良好的实用价值,可应用于工程实践中。     

车牌超分辨率重建与识别

为了从图片中快速准确地识别车牌,提出一种结合图像超分辨率技术的车牌识别方案。车牌图片具有明显的特定的模式特征,只是具体的字符编码不同。因此车牌图片非常适合做超分辨率重建。本文提出的系统主要由车牌检测定位、车牌超分辨率重建、字符分割、字符识别等模块组成。综合基于边缘、基于颜色和基于最大稳定极值区域三种车牌检测策略并采用并行编程方法来综合检测结果得到候选车牌。采用车牌图片正负样本来训练支持向量机分类器。得到分类器模型后对候选车牌判决得到真正的车牌。随后对真实车牌图片进行超分辨率重建。该部分主要由基于固定邻域回归的方法实现。这种方法综合了稀疏字典学习和领域嵌入的方法,比较好的兼顾了准确率和计算速度。运用OpenCV提供的图像处理库来对重建后的图片做字符分割。得到单独的字符图片后采用人工神经网络进行识别。识别前先使用一定数量的字符图片对网络进行有监督训练获取识别模型。采用一个单隐层的神经网络,运用反向传播算法进行训练得到识别模型。最后提取字符图片的特征并输入网络进行分类完成识别。为了测试系统的表现,在实际场景中采集了一百张车牌图片作为测试集。实验表明,该系统具有较高识别准确率和较快的处理速度。