原文传递
非理想情况下车牌区域精确提取技术研究
| 论文题名： | 非理想情况下车牌区域精确提取技术研究 |
| 关键词： | 车牌定位;非约束环境;卷积神经网络;目标检测 |
| 摘要： | 车牌检测算法的准确度会直接影响后续车牌识别的成败。目前，针对约束场景下的车牌定位技术已日趋成熟。但在非约束环境下，由于受到光照、拍摄角度倾斜、恶劣天气等多种不良因素的影响，传统计算机视觉方法无法有效应对。随着深度学习技术的快速发展，卷积神经网络（CNN）被大量应用于车牌检测上。然而，基于CNN的车牌检测技术大多使用矩形框定位车牌，在非理想情况下，所获取的车牌区域会包含较多冗余信息，严重影响后续车牌识别的准确度。针对以上问题，本论文开展如下研究工作： （1）为解决单一深层卷积神经网络用于非理想环境下车牌定位时，所输出的矩形检测框对非正面车牌定位效果不佳的问题。将目标检测与目标分类CNN级联，通过YOLOv3检测感兴趣区域，并利用轻量级分类网络MobileNetV3，将顶点检测问题转化为回归问题，实现车牌精定位。在CCPD上能达到98.04%的精确率和96.44%的召回率。 （2）基于级联CNNs的车牌定位算法实现了较好的检测效果，但其处理速度有待提升。为此，提出整体与部件目标检测相结合的车牌定位算法。利用YOLOv3对以车牌顶点为中心的局部区域及车牌区域同步检测，并结合CF_NMS、车牌顶点归类、单一缺失顶点预测的后处理操作，获取精确的车牌区域，最后通过透视变换校正车牌。在CCPD上可达到99.50%的精确率和94.35%的召回率，速度为27.5FPS。 （3）为进一步提升整体与部件目标检测相结合的定位算法性能，解决小尺寸车牌无法被精确定位的问题，提出多模型融合、粗定位与精定位相结合两种改进策略。另外，针对顶点靠近图像边缘而不易被检测的问题，设计了一种图像扩展决策准则，克服了所提出算法的缺陷。 本论文所设计的基于级联CNNs的车牌定位算法可有效解决单一目标检测网络所用矩形检测框不适用于非理想车牌检测的问题，但由于使用了两种网络，增加了计算负荷。为此，设计了一种整体与部件目标检测相结合的车牌定位算法，该算法能够在保持较高精确率与召回率的同时，可有效回避级联CNNs算法存在的问题。所提出的多模型融合、粗定位与精定位结合的策略能在保持较高精确率的基础上，进一步提升车牌定位召回率，具有较好的应用价值。 |
| 作者： | 匡婉 |
| 专业： | 计算机科学与技术 |
| 导师： | 雷帮军;徐光柱 |
| 授予学位： | 硕士 |
| 授予学位单位： | 三峡大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
