基于級聯(lián)卷積網(wǎng)絡(luò)的自然場景下的車牌檢測.pdf

1、隨著經(jīng)濟的發(fā)展，智能交通在各個城市普遍應(yīng)用，圖像的獲取及圖像的存儲付出的成本越來越低廉，在社會生活中，各個行業(yè)都積累了大量的歷史車牌圖像數(shù)據(jù)，這些車牌圖像在自然場景下獲得的特定情況，決定了這些圖像表現(xiàn)出高清化、多元化、大數(shù)據(jù)的特質(zhì)。在現(xiàn)實生產(chǎn)環(huán)境中，如何在短時間內(nèi)準確檢測出車牌區(qū)域，是提高這些車牌圖像利用率的基礎(chǔ)。然而，現(xiàn)有車牌檢測系統(tǒng)通常應(yīng)對于特定的應(yīng)用場景，對獲取到的車牌圖像都有嚴格的約束，自然場景下獲得的車牌圖像數(shù)據(jù)很難滿足這些約

2、束條件，使這些現(xiàn)有的車牌檢測系統(tǒng)失去了有效性。因此，基于對自然場景下的車牌檢測技術(shù)的研究，在滿足一定的檢測率和檢測效率的情況下，開發(fā)出適應(yīng)于自然場景的車牌檢測技術(shù)，具有重要的實踐意義。
　　本文提出了一種新的魯棒的快速車牌檢測方法，前期使用手動分割的車牌區(qū)域圖像作為訓(xùn)練和檢測的原子數(shù)據(jù)，并且直接使用基于卷積網(wǎng)絡(luò)的檢測器，設(shè)計出級聯(lián)多個卷積網(wǎng)絡(luò)模型，基于歷史數(shù)據(jù)對模型進行訓(xùn)練，使之適應(yīng)自然場景。通過引入卷積網(wǎng)絡(luò)作為基本的學(xué)習(xí)子單元，

3、并進一步把多個子單元組織成級聯(lián)結(jié)構(gòu)，有效的滿足了自然場景下的車牌檢測對檢測準確率和檢測效率的要求。通過對算法的可行性及有效性進行驗證，實驗結(jié)果表明，級聯(lián)卷積網(wǎng)絡(luò)在保證較低誤報率的同時具有較高的檢測率和檢測效率?？紤]使用級聯(lián)卷積網(wǎng)絡(luò)（Cascade Convolutional Networks）來構(gòu)建車牌檢測系統(tǒng)模型，結(jié)合歷史車牌數(shù)據(jù)對模型訓(xùn)練，最終完成在自然場景下的車牌檢測。在人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)在圖形圖像處理上的成熟應(yīng)用，使

4、其成為了當(dāng)前研究的熱點。在卷積網(wǎng)絡(luò)結(jié)構(gòu)中，權(quán)值共享的特性降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。卷積網(wǎng)絡(luò)作為識別二維形狀進行了特殊的設(shè)計，具有一個多層感知機，這種特殊的結(jié)構(gòu)屬性使卷積網(wǎng)絡(luò)對等比例縮放、角度傾斜、位移變換或其他形式的二維圖形形變具有了高度不變性。一般情況下，單個卷積網(wǎng)絡(luò)通過減少神經(jīng)元個數(shù)來降低計算量，從而可以達到提高檢測效率的目的，但這樣同時也降低了準確率。本文通過級聯(lián)多個分類器，建立由粗到精的逐步篩選過程，以此來提高分