旧版下载已关闭,请移步到新版下载(点击打开新版

雾霾天气下车牌识别技术研究

资料来自用户(Zachary)上传,若本站收录的文献无意侵犯了您的著作版权,请点击版权申明
导师姓名
马连伟  孙勇智
学科专业
公路与水路运输  计算机软件及计算机应用  计算机软件及计算机应用
文献出处
浙江科技学院  年
关键词
图像去雾论文  目标检测论文  车牌识别论文  卷积神经网络论文
论文摘要

智能交通将现代信息技术与传统交通系统相结合,形成一种安全高效、绿色节能的综合运输系统,车牌识别是智能交通的重要组成部分。随着雾霾天气出现频率的增加,成像设备拍摄到的交通视频或图像模糊不清,导致车牌细节信息丢失和车牌识别率低,给智能交通系统的实施带来困难。针对这一问题,本文对雾霾天气下的车牌识别进行了研究,有效解决了车牌识别不准确的问题。具体研究内容可以分为图像去雾、车牌定位、车牌字符分割和车牌字符识别四个方面:1.针对传统去雾算法去雾不彻底的问题,基于大气散射模型和暗通道先验去雾算法,提出了一种基于加权融合暗通道去雾算法。该方法利用直方图均衡化和双边滤波的方法对暗通道图像进行处理,同时改进透射率权值和大气光值,并加权融合单尺度Retinex算法,得到最终的去雾图像。实验表明去雾后的图像更加贴合实际场景下的无雾图像,且在颜色偏暗的雾霾图像上的去雾效果更佳。2.提出了一种基于生成对抗网络的图像去雾方法。该方法将带雾图像输入生成模型中训练,用判别模型判别是真实图像还是生成图像,根据真实图像和生成图像之间的最大化差异调整生成模型中的参数,直至判别模型将生成模型生成的图像判别为真实图像。该去雾方法不基于大气散射模型,去雾效果更加符合有雾图像到无雾图像之间的映射关系。3.提出一种快速准确的车牌定位检测模型RYNet。该方法通过缩减模型大小和利用多尺度策略改进YOLOv3-tiny目标检测模型。实验表明RYNet在保证检测精度的同时,具有较小的模型内存占用和较快的图像检测速度。4.对倾斜车牌使用Radon算法得到正方位的车牌,对车牌字符使用垂直投影法进行分割,并进一步作归一化处理,得到车牌字符图像。5.提出了一种基于卷积神经网络的车牌字符识别方法。针对车牌字符特征存在差异的问题,将汉字字符、非汉字字符(字母、数字)分开训练,对卷积神经网络的参数进行优化,提高车牌字符识别的准确率。本文提出的雾霾环境下车牌识别解决方案具有去雾效果好、检测精度高、检测速度快和占用内存少的优点,在智能交通系统中具有良好的应用前景。

论文目录
关闭目录
摘要
abstract
第1章 引言
  1.1 研究背景及意义
  1.2 国内外研究现状
    1.2.1 图像去雾的国内外研究现状
    1.2.2 车牌识别的国内外研究现状
  1.3 研究内容和组织结构
    1.3.1 主要研究内容
    1.3.2 论文组织结构
第2章 雾霾天气下图像成像模型和暗通道先验去雾算法
  2.1 雾霾的特点
  2.2 大气散射模型
    2.2.1 衰减模型
    2.2.2 成像设备成像原理
    2.2.3 雾霾天气图像衰减模型
  2.3 暗通道先验去雾算法
  2.4 本章小结
第3章 基于加权融合暗通道去雾算法
  3.1 暗通道图像预处理
    3.1.1 直方图均衡化
    3.1.2 双边滤波
  3.2 基于暗通道的去雾算法
    3.2.1 暗通道算法改进
    3.2.2 单尺度Retinex算法
    3.2.3 改进暗通道算法与单尺度Retinex算法的加权融合
  3.3 仿真实验及分析
    3.3.1 仿真实验平台
    3.3.2 评价指标
    3.3.3 实验结果与分析
  3.4 本章小结
第4章 基于生成对抗网络的图像去雾方法
  4.1 深度学习
    4.1.1 卷积层(Convolutional layer)
    4.1.2 激活函数
    4.1.3 池化层(Pooling Layer)
    4.1.4 全连接层(Fully-Connected layer)
    4.1.5 损失函数
    4.1.6 正则化
  4.2 现有的深度学习去雾方法
  4.3 生成对抗网络
  4.4 方法原理
    4.4.1 编码器-解码器结构
    4.4.2 残差网络
    4.4.3 实例规范化
  4.5 整体网络设计
    4.5.1 模型搭建
    4.5.2 损失函数
  4.6 仿真实验及分析
    4.6.1 仿真实验设计
    4.6.2 实验结果与分析
  4.7 本章小结
第5章 基于卷积神经网络的车牌识别方法
  5.1 车牌特征
  5.2 基于RYNet的车牌定位
    5.2.1 数据集的获取
    5.2.2 RYNet网络构建
    5.2.3 损失函数
    5.2.4 模型训练
  5.3 仿真实验及分析
    5.3.1 仿真实验设计
    5.3.2 实验结果分析
  5.4 车牌矫正和分割
    5.4.1 车牌矫正
    5.4.2 车牌字符分割
  5.5 车牌字符识别
    5.5.1 卷积神经网络构建
    5.5.2 损失函数
    5.5.3 模型训练
  5.6 仿真实验及分析
    5.6.1 仿真实验设计
    5.6.2 实验结果分析
  5.7 本章小结
第6章 结论与展望
  6.1 结论
  6.2 展望
参考文献
附录
致谢
攻读学位期间参加的科研项目和成果
全文下载
全文下载