自21世紀以來,社會科技發(fā)展迅速,越來越多的行業(yè)正在使用計算機來替代人類進行復(fù)雜或者困難的工作。交通行業(yè)中的汽車牌照因可以查閱車主和車輛的登記信息,在行駛過程中經(jīng)常會被檢測和記錄。計算機檢測車牌方法能夠從拍攝的包含汽車的照片中提取出車牌圖像,之后再根據(jù)該圖像得出具體的數(shù)字和文字信息。而不同的車輛輪轂的樣式往往不同,在較小的限制區(qū)域可以將輪轂的紋理等特點看成該車輛的唯一特征來區(qū)別其他機動車輛。傳統(tǒng)的方法主要使用圖像處理的方法進行車牌輪轂的定位和分割,最后進行識別,因該方法定位易受環(huán)境影響產(chǎn)生誤差、不易檢測較小尺度目標。故本文使用新型的深度學(xué)習(xí)方法,利用改進過的Faster RCNN網(wǎng)絡(luò)對車牌和輪轂進行定位檢測。本文首先對傳統(tǒng)的車牌輪轂的檢測算法進行整理和分析,實驗分析其結(jié)論以得出該類算法的優(yōu)缺點。之后研究深度學(xué)習(xí)的Faster RCNN網(wǎng)絡(luò),使用該網(wǎng)絡(luò)針對目標及道路行駛的特點對網(wǎng)絡(luò)進行優(yōu)化和改進。原有的Faster RCNN首先運用CNN卷積神經(jīng)網(wǎng)絡(luò)提取特征圖、接下來用RPN網(wǎng)絡(luò)提取region proposals錨區(qū)域、之后的roi pooling操作對所有的錨區(qū)域重新定義大小、最后送...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題的選題背景和意義
    1.2 本課題國內(nèi)外研究現(xiàn)狀
    1.3 深度學(xué)習(xí)技術(shù)簡析
        1.3.1 深度學(xué)習(xí)技術(shù)發(fā)展及現(xiàn)狀
        1.3.2 深度學(xué)習(xí)技術(shù)主要應(yīng)用
    1.4 本文主要研究內(nèi)容及內(nèi)容安排
        1.4.1 本文內(nèi)容安排
        1.4.2 研究重點及難點
    1.5 本章的組織結(jié)構(gòu)
第2章 傳統(tǒng)車牌輪轂識別算法
    2.1 引言
    2.2 傳統(tǒng)車牌識別方法
        2.2.1 圖像灰度化
        2.2.2 基于Canny算子邊緣檢測
        2.2.3 圖像腐蝕處理
        2.2.4 聚類填充圖像
        2.2.5 根據(jù)行列像素和標記車牌
    2.3 傳統(tǒng)輪轂識別方法
        2.3.1 YCbCr色彩空間
        2.3.2 形態(tài)學(xué)閉運算
        2.3.3 k-means聚類算法
        2.3.4 基于形狀特點過濾
    2.4 傳統(tǒng)車牌輪轂方法優(yōu)缺點
    2.5 本章小結(jié)
第3章 Faster RCNN概述
    3.1 Faster RCNN定義
    3.2 Faster R-CNN基本框架
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)中各層主要作用
        3.2.2 區(qū)域建議網(wǎng)絡(luò)RPN
        3.2.3 VGG卷積神經(jīng)網(wǎng)絡(luò)
        3.2.4 Anchors
        3.2.5 ROI池化層的作用與原理
    3.3 本章小結(jié)
第4章 基于Faster RCNN的車牌檢測算法
    4.1 錨框anchor優(yōu)化
    4.2 分類回歸優(yōu)化
    4.3 損失函數(shù)
        4.3.1 分類損失
        4.3.2 回歸損失
    4.4 本章小結(jié)
第5章 實驗檢測結(jié)果及算法性能
    5.1 數(shù)據(jù)集VOC19
    5.2 實驗環(huán)境準備
    5.3 實驗結(jié)果與深度學(xué)習(xí)網(wǎng)絡(luò)對比分析
    5.4 實驗結(jié)果與傳統(tǒng)算法對比分析
    5.5 本章小結(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝



本文編號：4002746