原文传递
基于图像的货车车牌及颜色识别方法研究
| 论文题名： | 基于图像的货车车牌及颜色识别方法研究 |
| 关键词： | 交通管理;货车车牌;号牌识别;颜色识别;图像处理;极限学习;卷积神经网络 |
| 摘要： | 随着大数据、机器学习和人工智能等新一代信息技术的发展，智能化、网络化、数字化的智慧高速公路系统已成为趋势。智慧高速公路系统的核心在于数据的采集、分析和使用。作为智慧高速系统中重要的组成部分，货车不停车收费系统在极大提升高速公路快速通行能力的同时，不仅能有效保护高速公路路面及桥梁，还有利于规范司机行驶操作和汽车工业的发展，在智慧高速系统的发展中起到了至关重要的作用。货车不停车收费系统的实现首先要保证货车信息感知的精确性，货车信息包括车辆号牌信息和车身颜色信息等，本文研究了基于图像的货车车辆号牌和货车颜色识别技术，具体研究成果和创新点如下： 首先，对比分析了基于边缘信息、基于颜色信息、基于模板匹配、基于字符特征、基于方向梯度直方图特征及支持向量机和基于可变形部件模型6种货车车辆号牌定位方法，并开展了对比实验，实验结果表明基于可变形部件模型的货车车辆号牌定位方法优于其他五种货车车辆号牌定位方法，其定位准确率达到99.34%；基于比例分割方法对定位得到的货车车辆号牌进行字符分割，并构建了东南大学货车车辆号牌字符图像集。 其次，对比分析了Resnet50、InceptionV3、Xception和NASNet四种卷积神经网络模型，并基于极限学习理论构建了基于极限学习Resnet50模型、基于极限学习InceptionV3模型、基于极限学习Xception模型和基于极限学习NASNet模型的货车车辆号牌识别方法，并基于东南大学货车车辆号牌字符图像集，开展了对比实验，实验结果表明基于极限学习InceptionV3模型的货车车辆号牌识别方法的性能优于其他3种模型，其识别率达到94.17%； 然后，分析了卷积神经网络融合规则，基于极限学习InceptionV3模型、极限学习Xception模型和极限学习NASNet模型，提出了一种基于极限学习深度网络融合模型的货车车辆号牌识别方法，并基于东南大学货车车辆号牌字符图像集，开展了对比实验，实验结果表明基于极限学习深度网络融合模型的货车车辆牌号识别方法的性能优于极限学习InceptionV3模型、极限学习Xception模型和极限学习NASNet模型，其识别率达到98.18%。 最后，基于车辆号牌及车辆对称性的车脸区域定位方法，构建东南大学货车车辆颜色图像集，并构建了一种货车颜色识别的卷积神经网络模型，实验结果表明采用RMSprop优化器的货车颜色识别的卷积神经网络模型的精度优于采用Adam优化器的模型精度，其识别精度达到96.34%。 |
| 作者： | 张婧 |
| 专业： | 交通运输工程 |
| 导师： | 赵池航;张希亮 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2019 |
| 正文语种： | 中文 |
检索历史
应用推荐
