基于卷積神經(jīng)網(wǎng)絡(luò)的自然場(chǎng)景下的車牌檢測(cè).pdf

1、圖像獲取和存儲(chǔ)技術(shù)、以及互聯(lián)網(wǎng)技術(shù)的發(fā)展,使社會(huì)生活中的各個(gè)領(lǐng)域都積累了大量的歷史車牌圖像和實(shí)時(shí)車牌圖像,這些數(shù)據(jù)大部分是自然場(chǎng)景下自動(dòng)獲取的,呈現(xiàn)獲取場(chǎng)景不受限、高清化和海量化的特點(diǎn)?？焖俣ㄎ卉嚺茍D像中的車牌,以便進(jìn)一步分析,是提升車牌圖像利用價(jià)值的前提。然而,現(xiàn)有的大多數(shù)車牌檢測(cè)系統(tǒng)對(duì)圖像獲取場(chǎng)景均有嚴(yán)格的約束,這些限制條件在自然場(chǎng)景下是很難同時(shí)滿足的,因此,研究自然場(chǎng)景下的車牌檢測(cè)問題具有重要的實(shí)踐意義。
　　 在查閱大量

2、相關(guān)文獻(xiàn)的基礎(chǔ)上,本文把車牌檢測(cè)技術(shù)劃分為基于人工設(shè)計(jì)特征的方法和基于學(xué)習(xí)特征的方法兩類,并分別概述兩類車牌檢測(cè)方法的研究現(xiàn)狀,分析各自的優(yōu)缺點(diǎn)。最后得出結(jié)論,自然場(chǎng)景下的車牌檢測(cè)系統(tǒng)需要建立在對(duì)現(xiàn)實(shí)世界中的變化如不均勻光照、視角變化、低對(duì)比度、部分遮擋及運(yùn)動(dòng)模糊等具有魯棒性的學(xué)習(xí)特征之上。
　　 本文考慮使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNNs)來構(gòu)建自然場(chǎng)景下的車牌檢測(cè)系統(tǒng)。卷積

3、神經(jīng)網(wǎng)絡(luò)是一種多階段全局可訓(xùn)練模型,它可以自動(dòng)的從原始輸入圖像中學(xué)習(xí)平移不變性特征。更重要的是,與其他分類器相比,訓(xùn)練過的卷積神經(jīng)網(wǎng)絡(luò)可以用較小的計(jì)算代價(jià)掃描整幅待檢測(cè)圖像,因而,被廣泛應(yīng)用于目標(biāo)檢測(cè)。迄今為止,已有的基于卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)器都是單尺度的,即分類器僅使用最后一個(gè)特征提取階段提取的特征。本文提出了用于快速目標(biāo)檢測(cè)的多尺度卷積神經(jīng)網(wǎng)絡(luò),多個(gè)特征提取階段提取的特征均輸入分類器,這使得分類器不僅可以使用后面階段提取的更高層且不變