基于深度信念網(wǎng)絡(luò)的車牌字符識(shí)別算法研究與實(shí)現(xiàn).pdf

1、車牌識(shí)別技術(shù)是現(xiàn)代智能交通系統(tǒng)的核心基礎(chǔ)技術(shù)之一，目前已經(jīng)廣泛應(yīng)用于道路交通監(jiān)控中。經(jīng)過近30年的發(fā)展，車牌識(shí)別取得長(zhǎng)足進(jìn)展，常規(guī)條件下，無論識(shí)別準(zhǔn)確率和效率都能達(dá)到令人滿意的程度。然而在某些惡劣條件如霧天、雨天、強(qiáng)光、傾斜等情況下，車牌識(shí)別的準(zhǔn)確度大大降低，仍然無法滿足實(shí)際應(yīng)用需求。
　　本論文針對(duì)惡劣條件下車牌字符模糊、噪聲、殘缺和傾斜使得車牌識(shí)別系統(tǒng)準(zhǔn)確率低的問題，將深度信念網(wǎng)絡(luò)引入車牌字符識(shí)別應(yīng)用中，構(gòu)建了一種基于深度信念

2、網(wǎng)絡(luò)的車牌字符識(shí)別算法。針對(duì)車牌字符圖像數(shù)據(jù)特點(diǎn)，實(shí)驗(yàn)研究并設(shè)計(jì)了深度信念網(wǎng)絡(luò)分類器的結(jié)構(gòu)參數(shù)。還研究了分類器在實(shí)際訓(xùn)練過程中的問題，包括受限波爾茲曼機(jī)的訓(xùn)練參數(shù)選擇和全局訓(xùn)練的誤差函數(shù)和停止判據(jù)的選擇，結(jié)合實(shí)驗(yàn)篩選出適用于車牌字符識(shí)別的最優(yōu)參數(shù)組合。為解決樣本不足問題，本文還采用圖像處理方式生成訓(xùn)練樣本。
　　將本文的方法與基于淺層神經(jīng)網(wǎng)絡(luò)的方法和基于SVM的方法做了對(duì)比實(shí)驗(yàn)和分析。用本文方法與其他兩種方法分別在模糊字符、噪聲字

3、符、殘缺字符和傾斜字符4種測(cè)試集下進(jìn)行比較，結(jié)果顯示本文方法的識(shí)別準(zhǔn)確率分別為94.9％，95.4％，96.3％和85.6％，均優(yōu)于其他傳統(tǒng)方法。實(shí)驗(yàn)表明，基于深度信念網(wǎng)絡(luò)的車牌字符識(shí)別方法對(duì)惡劣條件下的車牌識(shí)別準(zhǔn)確率有所改善。
　　本文最后還對(duì)算法的訓(xùn)練和識(shí)別過程進(jìn)行了性能優(yōu)化。訓(xùn)練過程方面，提出了一種改進(jìn)的沖量因子，使受限波爾茲曼機(jī)訓(xùn)練速度提升16.6％。識(shí)別過程方面，將分類器處理過程進(jìn)行并行優(yōu)化，經(jīng)過4核并行優(yōu)化的算法識(shí)別性