復(fù)雜環(huán)境下車牌定位的研究與應(yīng)用.pdf

1、車牌定位是車牌識(shí)別系統(tǒng)中核心部分，具有較高的研究?jī)r(jià)值和應(yīng)用價(jià)值。盡管近些年來取得了很大的進(jìn)展，能夠解決特定場(chǎng)景下的車牌定位問題，如交通固定卡口、車庫入口和門禁等場(chǎng)景，但仍無法很好地解決低亮度、低分辨率和車輛傾斜等復(fù)雜環(huán)境下的定位問題。針對(duì)這些問題，本文分成了三個(gè)部分進(jìn)行探究:
　　首先對(duì)傳統(tǒng)的基于灰度二值化圖像的車牌定位方法進(jìn)行了修改和實(shí)現(xiàn)，該算法通過將灰度化圖像分成網(wǎng)格分塊，對(duì)每一網(wǎng)格塊進(jìn)行閾值計(jì)算并完成二值化操作，獲得的二值化

2、圖像中車牌字符較為清晰，利用筆畫跳變和連通區(qū)域檢索方法獲得初步車牌候選區(qū)域，最后基于神經(jīng)網(wǎng)絡(luò)對(duì)車牌候選區(qū)域進(jìn)行分類，將候選區(qū)域中非車牌進(jìn)行剔除，利用該方法漏檢率較高，無法完成在復(fù)雜場(chǎng)景下車牌定位問題，僅利用專家系統(tǒng)進(jìn)行復(fù)雜場(chǎng)景下車牌定位工作行不通。
　　為了解決這個(gè)問題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行車牌定位的方法，設(shè)計(jì)并實(shí)現(xiàn)了一種新的全卷積神經(jīng)網(wǎng)絡(luò)模型，通過回歸車牌角點(diǎn)的方式準(zhǔn)確地進(jìn)行車牌定位。主要過程為將車牌區(qū)域兩角點(diǎn)作為卷

3、積神經(jīng)網(wǎng)絡(luò)模型回歸的目標(biāo)對(duì)象。由于本文設(shè)計(jì)的模型不含全連接層，保證了本模型能夠處理任意尺度的圖像。為了保證模型訓(xùn)練的有效性，本文設(shè)計(jì)了車牌和車輛標(biāo)注系統(tǒng)，并對(duì)45，000幅圖像進(jìn)行人工標(biāo)注。在模型訓(xùn)練前對(duì)標(biāo)注的圖像隨機(jī)進(jìn)行平移、縮放、旋轉(zhuǎn)和加噪，以增加訓(xùn)練樣本的數(shù)量和多樣性。在本文構(gòu)建的卡口圖像數(shù)據(jù)集和復(fù)雜環(huán)境數(shù)據(jù)集上與灰度二值化車牌定位和基于邊緣檢測(cè)車牌定位算法方法進(jìn)行了比較，驗(yàn)證了基于角點(diǎn)回歸的全卷積神經(jīng)網(wǎng)絡(luò)車牌定位方法在復(fù)雜環(huán)境下

4、的有效性。
　　基于回歸角點(diǎn)的車牌定位模型的方法存在較多誤檢情況，本文提出了基于車輛定位和車牌空間信息的方法輔助進(jìn)行車牌定位，車輛定位方法同樣基于全卷積神經(jīng)網(wǎng)絡(luò)，以車輛為前景的二值化圖像作為模型回歸目標(biāo)對(duì)象，根據(jù)車輛位置來進(jìn)行過濾車牌候選區(qū)域。同時(shí)基于同一輛車上車牌空間信息和車牌定位模型計(jì)算出的角點(diǎn)置信值大小對(duì)非車牌區(qū)域進(jìn)行過濾。通過實(shí)驗(yàn)證明，采用了輔助定位方式的車牌定位算法精度更高，誤檢率更低，適合作為車牌定位輔助策略。