基于深度学习的车牌识别技术的研究与应用

阅读量：

406

作者：

赵英彬

展开

摘要：

随着经济的发展与技术水平的进步,我国的汽车保有量越来越多,我国在道路交通智能管控、停车场管理等场景下存在巨大的车牌自动识别需求。传统的车牌识别把车牌识别分为车牌定位,字符分割,字符识别三个模块。而分散的模块设计方法提高了算法的复杂度,且三个模块之间存在依赖关系会引起误差积累的问题,最后会降低车牌识别的准确率。本文提出了一种基于YOLOv3的车牌识别系统(LPR-YOLO)。该系统分为车牌定位与字符识别两个部分。该系统的优点是提高了车牌定位与分类的准确率,减少了因字符分割引起的识别误差,提高了字符识别的准确率。实验结果表明,本文提出的车牌识别系统(LPRYOLO)自适应性强,经过200000轮的训练后,获得了较快的收敛速度。车牌定位平均的交并比(IoU)占比达到了85.95%,总的损失函数收敛于0.07。本文的主要工作与创新点如下:(1)为了适应车牌的规格和特点,构建了车牌定位系统。基于YOLOv3目标识别模型,本文提出了针对车牌识别的端到端的网络模型(LPR-YOLO)。为了增强模型对车牌大小以及字符大小的敏感度,本文提出的车牌识别系统除了重新设计了特征提取网络外,还对车牌预测阶段的特征融合方法进行了重新设计。(2)依据车牌外形特点,构建新的预测框。为了加快多尺度预测速度和提高分类预测准确率,通过聚类方法测算了新的预测框锚点对。并且为了加速模型的收敛速度,优化了损失函数的组成。根据车牌的外形特点,重新评估计算了LPR-YOLO的Anchor值。此外,由于车牌分类具有排他性,所以本文在LPR-YOLO模型中采用了Softmax分类器进行车牌分类与字符分类,最后使用Softmax分类器进行车牌多种类分类。本文在YOLOv3的基础上,重新设计了分类损失函数。(3)提高易混淆字符的识别准确率。在识别字符的过程中,由于车牌可能存在倾斜、模糊等问题,这会导致车牌字符变形,引起易混淆字符识别错误。所以本文在对字符进行定位分类后,继续对易混淆字符做了二次识别的研究。关于字符二次识别主要依靠字符的外形,进行局部投影或全局投影做验证识别。经实验表明,该改进有效提高了易混淆字符的识别准确率。

展开

关键词：

车牌定位 车牌分类 字符定位 字符分类 YOLOv3