基于級聯(lián)卷積網(wǎng)絡(luò)的自然場景下的車牌檢測.pdf

1、隨著經(jīng)濟(jì)的發(fā)展，智能交通在各個(gè)城市普遍應(yīng)用，圖像的獲取及圖像的存儲(chǔ)付出的成本越來越低廉，在社會(huì)生活中，各個(gè)行業(yè)都積累了大量的歷史車牌圖像數(shù)據(jù)，這些車牌圖像在自然場景下獲得的特定情況，決定了這些圖像表現(xiàn)出高清化、多元化、大數(shù)據(jù)的特質(zhì)。在現(xiàn)實(shí)生產(chǎn)環(huán)境中，如何在短時(shí)間內(nèi)準(zhǔn)確檢測出車牌區(qū)域，是提高這些車牌圖像利用率的基礎(chǔ)。然而，現(xiàn)有車牌檢測系統(tǒng)通常應(yīng)對于特定的應(yīng)用場景，對獲取到的車牌圖像都有嚴(yán)格的約束，自然場景下獲得的車牌圖像數(shù)據(jù)很難滿足這些約

2、束條件，使這些現(xiàn)有的車牌檢測系統(tǒng)失去了有效性。因此，基于對自然場景下的車牌檢測技術(shù)的研究，在滿足一定的檢測率和檢測效率的情況下，開發(fā)出適應(yīng)于自然場景的車牌檢測技術(shù)，具有重要的實(shí)踐意義。
　　本文提出了一種新的魯棒的快速車牌檢測方法，前期使用手動(dòng)分割的車牌區(qū)域圖像作為訓(xùn)練和檢測的原子數(shù)據(jù)，并且直接使用基于卷積網(wǎng)絡(luò)的檢測器，設(shè)計(jì)出級聯(lián)多個(gè)卷積網(wǎng)絡(luò)模型，基于歷史數(shù)據(jù)對模型進(jìn)行訓(xùn)練，使之適應(yīng)自然場景。通過引入卷積網(wǎng)絡(luò)作為基本的學(xué)習(xí)子單元，

3、并進(jìn)一步把多個(gè)子單元組織成級聯(lián)結(jié)構(gòu)，有效的滿足了自然場景下的車牌檢測對檢測準(zhǔn)確率和檢測效率的要求。通過對算法的可行性及有效性進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，級聯(lián)卷積網(wǎng)絡(luò)在保證較低誤報(bào)率的同時(shí)具有較高的檢測率和檢測效率。考慮使用級聯(lián)卷積網(wǎng)絡(luò)（Cascade Convolutional Networks）來構(gòu)建車牌檢測系統(tǒng)模型，結(jié)合歷史車牌數(shù)據(jù)對模型訓(xùn)練，最終完成在自然場景下的車牌檢測。在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)在圖形圖像處理上的成熟應(yīng)用，使

4、其成為了當(dāng)前研究的熱點(diǎn)。在卷積網(wǎng)絡(luò)結(jié)構(gòu)中，權(quán)值共享的特性降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。卷積網(wǎng)絡(luò)作為識別二維形狀進(jìn)行了特殊的設(shè)計(jì)，具有一個(gè)多層感知機(jī)，這種特殊的結(jié)構(gòu)屬性使卷積網(wǎng)絡(luò)對等比例縮放、角度傾斜、位移變換或其他形式的二維圖形形變具有了高度不變性。一般情況下，單個(gè)卷積網(wǎng)絡(luò)通過減少神經(jīng)元個(gè)數(shù)來降低計(jì)算量，從而可以達(dá)到提高檢測效率的目的，但這樣同時(shí)也降低了準(zhǔn)確率。本文通過級聯(lián)多個(gè)分類器，建立由粗到精的逐步篩選過程，以此來提高分