自21世紀以來,社會科技發展迅速,越來越多的行業正在使用計算機來替代人類進行復雜或者困難的工作。交通行業中的汽車牌照因可以查閱車主和車輛的登記信息,在行駛過程中經常會被檢測和記錄。計算機檢測車牌方法能夠從拍攝的包含汽車的照片中提取出車牌圖像,之后再根據該圖像得出具體的數字和文字信息。而不同的車輛輪轂的樣式往往不同,在較小的限制區域可以將輪轂的紋理等特點看成該車輛的唯一特征來區別其他機動車輛。傳統的方法主要使用圖像處理的方法進行車牌輪轂的定位和分割,最后進行識別,因該方法定位易受環境影響產生誤差、不易檢測較小尺度目標。故本文使用新型的深度學習方法,利用改進過的Faster RCNN網絡對車牌和輪轂進行定位檢測。本文首先對傳統的車牌輪轂的檢測算法進行整理和分析,實驗分析其結論以得出該類算法的優缺點。之后研究深度學習的Faster RCNN網絡,使用該網絡針對目標及道路行駛的特點對網絡進行優化和改進。原有的Faster RCNN首先運用CNN卷積神經網絡提取特征圖、接下來用RPN網絡提取region proposals錨區域、之后的roi pooling操作對所有的錨區域重新定義大小、最后送...

【文章頁數】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題的選題背景和意義
    1.2 本課題國內外研究現狀
    1.3 深度學習技術簡析
        1.3.1 深度學習技術發展及現狀
        1.3.2 深度學習技術主要應用
    1.4 本文主要研究內容及內容安排
        1.4.1 本文內容安排
        1.4.2 研究重點及難點
    1.5 本章的組織結構
第2章 傳統車牌輪轂識別算法
    2.1 引言
    2.2 傳統車牌識別方法
        2.2.1 圖像灰度化
        2.2.2 基于Canny算子邊緣檢測
        2.2.3 圖像腐蝕處理
        2.2.4 聚類填充圖像
        2.2.5 根據行列像素和標記車牌
    2.3 傳統輪轂識別方法
        2.3.1 YCbCr色彩空間
        2.3.2 形態學閉運算
        2.3.3 k-means聚類算法
        2.3.4 基于形狀特點過濾
    2.4 傳統車牌輪轂方法優缺點
    2.5 本章小結
第3章 Faster RCNN概述
    3.1 Faster RCNN定義
    3.2 Faster R-CNN基本框架
        3.2.1 卷積神經網絡中各層主要作用
        3.2.2 區域建議網絡RPN
        3.2.3 VGG卷積神經網絡
        3.2.4 Anchors
        3.2.5 ROI池化層的作用與原理
    3.3 本章小結
第4章 基于Faster RCNN的車牌檢測算法
    4.1 錨框anchor優化
    4.2 分類回歸優化
    4.3 損失函數
        4.3.1 分類損失
        4.3.2 回歸損失
    4.4 本章小結
第5章 實驗檢測結果及算法性能
    5.1 數據集VOC19
    5.2 實驗環境準備
    5.3 實驗結果與深度學習網絡對比分析
    5.4 實驗結果與傳統算法對比分析
    5.5 本章小結
結論
參考文獻
攻讀碩士學位期間發表的論文和取得的科研成果
致謝



本文編號：4002746