基于通用對(duì)象估計(jì)的目標(biāo)檢測(cè)與模糊車牌識(shí)別算法研究.pdf

1、目標(biāo)檢測(cè)，作為計(jì)算機(jī)視覺研究中的一項(xiàng)基礎(chǔ)而又富有挑戰(zhàn)性的工作，其研究目的主要是從視頻或是靜態(tài)圖像中定位并檢測(cè)出預(yù)先設(shè)定好的某一類或某幾類目標(biāo)物體。如今，目標(biāo)檢測(cè)方法已被廣泛應(yīng)用在智能監(jiān)控系統(tǒng)、軍事偵察及醫(yī)學(xué)導(dǎo)航手術(shù)等各大領(lǐng)域，并有著廣闊的發(fā)展前景。
　　本文重點(diǎn)研究了一種基于通用對(duì)象估計(jì)(Objectness)的目標(biāo)檢測(cè)技術(shù)，通過對(duì)二值化賦范梯度算法（Binarized Normed Gradients,BING）及區(qū)域卷積神經(jīng)網(wǎng)

2、絡(luò)（Region-based Convolution Nueral Networks,R-CNN）的研究分析，提出了一種基于改進(jìn)后BING算法并結(jié)合R-CNN的目標(biāo)檢測(cè)框架。另外，本文還針對(duì)一類特殊的目標(biāo)——模糊車牌的識(shí)別問題進(jìn)行了研究，并提出了一種基于字典對(duì)學(xué)習(xí)（Dictionary Pair Learning,DPL）的模糊車牌識(shí)別及打分系統(tǒng)。本文的主要工作及研究成果包括以下三方面：
　　（1）提出一種改進(jìn)的基于BING算法的

3、通用對(duì)象估計(jì)方法：DGB-BING方法（Difference of Gaussians and Boosting based Binarized Normed Gradients）。該方法對(duì)BING算法的改進(jìn)主要體現(xiàn)在兩方面：特征和模型。在特征上，采用高斯差分算子對(duì)樣本圖像進(jìn)行增強(qiáng)，提高物體邊緣輪廓的可見性，從而改善原始算法中梯度特征存在判別能力不足的問題。在模型上，根據(jù)提升思想，組合不同的特征學(xué)習(xí)模型，最終形成一個(gè)強(qiáng)分類器。
　

4、?。?）提出一種基于改進(jìn)的DGB-BING方法和R-CNN的目標(biāo)檢測(cè)框架。在該框架中，主要包含兩點(diǎn)貢獻(xiàn)：1）在以DGB-BING算法為框架基礎(chǔ)的候選窗口生成階段，利用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)卷積核參數(shù)，提取圖像特征，從而解決了DGB-BING算法中高斯差分參數(shù)選擇困難的問題；2）提出一種基于加權(quán)熱點(diǎn)圖的候選窗口彌補(bǔ)辦法，進(jìn)一步改善了候選窗口的物體定位能力。
　?。?）實(shí)現(xiàn)一個(gè)基于DPL算法的模糊車牌識(shí)別及打分系統(tǒng)。該系統(tǒng)具有三個(gè)特點(diǎn)：