基于深度學習的車輛檢測和車牌定位.pdf

1、隨著交通管理技術的逐步發(fā)展和完善，車牌識別技術如今已普遍使用在道路監(jiān)控和道路指揮系統(tǒng)中，如高速路收費站、路口車流行人監(jiān)控、小區(qū)以及停車場自動收費放行系統(tǒng)等。同時它也是智能交通系統(tǒng)的重要組成部分，為解決道路擁堵的狀況提供了新的方案，能夠幫助決策者快速高效的制定執(zhí)行計劃，節(jié)約了勞動成本。車輛牌照是汽車獨有認證標志，因而對車牌相關技術的學習和探討能帶來重大社會價值。本文介紹了車牌識別的歷史和背景，并深入了解了車牌識別技術在國內外的發(fā)展現(xiàn)狀，介

2、紹近幾年一直很流行的機器學習算法及其在圖像檢測識別等方面的應用?？朔F(xiàn)有算法的一些局限性，并結合機器學習的相關算法，提出一種機器學習和圖像處理技術相結合的車牌識別系統(tǒng)，利用深度學習和圖像處理技術來實現(xiàn)。
　　本研究主要內容包括：⑴介紹數(shù)字圖像處理相關技術，對圖像中三種顏色空間以及它們之間相互轉換進行了簡要的描述和分析，介紹了數(shù)學形態(tài)學原理及其在圖像濾波去噪方面的作用，針對文中要使用的卷積神經(jīng)網(wǎng)絡和角點密度聚類，描述了這兩種算法的基

3、本概念，實現(xiàn)方式。⑵為了解決傳統(tǒng)車輛檢測存在的問題，提高車輛檢測的準確率，提出將區(qū)域卷積神經(jīng)網(wǎng)絡算法應用到車輛檢測中。該方案依照圖像顏色層次相關特征，產(chǎn)生潛在車輛待選區(qū)域。建立相應卷積神經(jīng)網(wǎng)絡模型，提取每個候選區(qū)域局部特征。對卷積神經(jīng)網(wǎng)絡模型做出改良，修改原輸入圖像大小，其網(wǎng)絡參數(shù)也做出相應調整。選定正負樣本進行 SVM分類器訓練，采取 SVM分類器進行車輛候選區(qū)域分類，最后判斷車輛信息。通過實驗數(shù)據(jù)論證，本文改進的卷積模型在車輛檢測測

4、試中獲得較優(yōu)異的效果。⑶為了解決傳統(tǒng)車牌定位算法性能不夠理想的情況，提出一種角點密度統(tǒng)計方法對車牌進行定位。第一步，依據(jù)車牌自身的顏色特性，將整幅圖像從 RGB彩色空間變換為HSL彩色空間，對獲取的 HSL圖像進行閾值化處理，然后采用一系列形態(tài)學方法完成圖像濾波，剔除無用信息。接著，對濾波后圖像使用角點檢測算法，獲取角點數(shù)量、坐標信息。最后采取 DBSCAN角點密度判定準則確定車牌位置。實驗結果表明，此算法定位精度也較高，定位時間較快，