復(fù)雜環(huán)境下車牌定位的研究與應(yīng)用.pdf

1、車牌定位是車牌識別系統(tǒng)中核心部分，具有較高的研究價值和應(yīng)用價值。盡管近些年來取得了很大的進展，能夠解決特定場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。針對這些問題，本文分成了三個部分進行探究:
　　首先對傳統(tǒng)的基于灰度二值化圖像的車牌定位方法進行了修改和實現(xiàn)，該算法通過將灰度化圖像分成網(wǎng)格分塊，對每一網(wǎng)格塊進行閾值計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)對車牌候選區(qū)域進行分類，將候選區(qū)域中非車牌進行剔除，利用該方法漏檢率較高，無法完成在復(fù)雜場景下車牌定位問題，僅利用專家系統(tǒng)進行復(fù)雜場景下車牌定位工作行不通。
　　為了解決這個問題，本文提出了基于卷積神經(jīng)網(wǎng)絡(luò)來進行車牌定位的方法，設(shè)計并實現(xiàn)了一種新的全卷積神經(jīng)網(wǎng)絡(luò)模型，通過回歸車牌角點的方式準確地進行車牌定位。主要過程為將車牌區(qū)域兩角點作為卷

3、積神經(jīng)網(wǎng)絡(luò)模型回歸的目標對象。由于本文設(shè)計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)計了車牌和車輛標注系統(tǒng)，并對45，000幅圖像進行人工標注。在模型訓(xùn)練前對標注的圖像隨機進行平移、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車牌定位算法方法進行了比較，驗證了基于角點回歸的全卷積神經(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對象，根據(jù)車輛位置來進行過濾車牌候選區(qū)域。同時基于同一輛車上車牌空間信息和車牌定位模型計算出的角點置信值大小對非車牌區(qū)域進行過濾。通過實驗證明，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。