详情

原文传递基于图像的高速公路场景中车辆全息感知方法研究

论文题名：	基于图像的高速公路场景中车辆全息感知方法研究
关键词：	高速公路;车辆全息感知;卷积神经网络;车牌识别;深度学习
摘要：	随着高速公路网络的不断完善和发展，不停车收费成为高速公路智慧建设的重要部分，车辆的全息检测和车牌信息识别是实现不停车收费的关键技术之一，研究多种天气条件下尤其是异常天气条件下的车辆全息检测及车牌识别技术成为实现不停车收费技术的重要基础。本文基于异常天气条件下高速公路场景中车辆图像，开展了基于图像的高速公路场景中车辆全息感知方法的研究工作，所取得的研究成果及创新点具体如下：　　首先，构建了基于Faster-RCNN、YOLOV3、SSD网络的异常天气条件下高速公路车辆全息检测模型，并基于异常天气条件下高速公路场景中车辆全息检测数据集，开展了异常天气条件下高速公路车辆全息检测网络模型的训练和对比实验，实验结果表明基于YOLOV3的全息检测网络模型的性能优于其他两种网络模型，其类别平均准确率达到99.2％。　　其次，构建了用于异常天气条件下高速公路分割模式车牌字符识别的Inceptionv3-LPCR、ResNet50-LPCR、ResNeXt-LPCR、MNASNet-LPCR四种网络模型，基于异常天气条件下车牌字符识别数据集，开展了分割模式字符识别网络模型的训练和对比实验，实验结果表明，ResNeXt-LPCR网络模型的性能优于其他三种网络模型，其在训练集、验证集和测试集上的准确率分别达到99.89%、98.13%、97.74%。　　然后，分析了基于多分类的CE、CB损失函数和基于CTC的RNN、长卷积方式的两种非分割模式车牌识别框架，基于ResNeXt、ResNet50、InceptionV3、SENet四种网络构建了用于异常天气条件下高速公路非分割模式车牌识别的多种模型，并基于异常天气条件下高速公路车牌非分割识别数据集开展了模型训练与对比实验；实验结果表明，基于CE损失函数的多分类识别框架中ResNet50-LPR-CE模型准确率最高，分别达到93.542%和94.342%，基于CB损失函数的多分类识别框架中InceptionV3-LPR-CB准确率最高，分别达到94.455%和95.132%，基于CTC损失函数的RNN识别框架中InceptionV3-LPR-RNN网络模型准确率最高，分别达到90.933%和91.316%，基于CTC损失函数的长卷积识别框架中ResNeXt-LPR-LONG网络模型准确率最高，分别达到92.172%和92.368%；基于异常天气车牌和正常天气车牌数据集，开展了ResNet50-LPR-CE、InceptionV3-LPR-CB、InceptionV3-LPR-RNN、ResNeXt-LPR-LONG四种网络模型的对比实验，实验结果表明InceptionV3-LPR-CB网络模型优于其他三种网络模型，其准确度分别达到99.257%和96.444%。　　最后，提出了基于深度学习融合网络的字符非分割模式车牌识别方法，该方法采用车牌图像的低层特征信息、高层特征信息和高层语义信息融合，并基于异常天气条件下高速公路车牌非分割识别数据集进行了对比实验，实验结果表明所构建的融合网络模型FResNet50-Attention的性能优于其他两种网络模型，其在训练集、验证集、测试集上的准确率分别达到100.000%、92.955%、93.224%。
作者：	化丽茹
专业：	交通运输工程;载运工具运用工程
导师：	赵池航
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022