發(fā)布時(shí)間：2024-07-06 22:45

　　自21世紀(jì)以來(lái),社會(huì)科技發(fā)展迅速,越來(lái)越多的行業(yè)正在使用計(jì)算機(jī)來(lái)替代人類(lèi)進(jìn)行復(fù)雜或者困難的工作。交通行業(yè)中的汽車(chē)牌照因可以查閱車(chē)主和車(chē)輛的登記信息,在行駛過(guò)程中經(jīng)常會(huì)被檢測(cè)和記錄。計(jì)算機(jī)檢測(cè)車(chē)牌方法能夠從拍攝的包含汽車(chē)的照片中提取出車(chē)牌圖像,之后再根據(jù)該圖像得出具體的數(shù)字和文字信息。而不同的車(chē)輛輪轂的樣式往往不同,在較小的限制區(qū)域可以將輪轂的紋理等特點(diǎn)看成該車(chē)輛的唯一特征來(lái)區(qū)別其他機(jī)動(dòng)車(chē)輛。傳統(tǒng)的方法主要使用圖像處理的方法進(jìn)行車(chē)牌輪轂的定位和分割,最后進(jìn)行識(shí)別,因該方法定位易受環(huán)境影響產(chǎn)生誤差、不易檢測(cè)較小尺度目標(biāo)。故本文使用新型的深度學(xué)習(xí)方法,利用改進(jìn)過(guò)的Faster RCNN網(wǎng)絡(luò)對(duì)車(chē)牌和輪轂進(jìn)行定位檢測(cè)。本文首先對(duì)傳統(tǒng)的車(chē)牌輪轂的檢測(cè)算法進(jìn)行整理和分析,實(shí)驗(yàn)分析其結(jié)論以得出該類(lèi)算法的優(yōu)缺點(diǎn)。之后研究深度學(xué)習(xí)的Faster RCNN網(wǎng)絡(luò),使用該網(wǎng)絡(luò)針對(duì)目標(biāo)及道路行駛的特點(diǎn)對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)。原有的Faster RCNN首先運(yùn)用CNN卷積神經(jīng)網(wǎng)絡(luò)提取特征圖、接下來(lái)用RPN網(wǎng)絡(luò)提取region proposals錨區(qū)域、之后的roi pooling操作對(duì)所有的錨區(qū)域重新定義大小、最后送...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題的選題背景和意義
    1.2 本課題國(guó)內(nèi)外研究現(xiàn)狀
    1.3 深度學(xué)習(xí)技術(shù)簡(jiǎn)析
        1.3.1 深度學(xué)習(xí)技術(shù)發(fā)展及現(xiàn)狀
        1.3.2 深度學(xué)習(xí)技術(shù)主要應(yīng)用
    1.4 本文主要研究?jī)?nèi)容及內(nèi)容安排
        1.4.1 本文內(nèi)容安排
        1.4.2 研究重點(diǎn)及難點(diǎn)
    1.5 本章的組織結(jié)構(gòu)
第2章 傳統(tǒng)車(chē)牌輪轂識(shí)別算法
    2.1 引言
    2.2 傳統(tǒng)車(chē)牌識(shí)別方法
        2.2.1 圖像灰度化
        2.2.2 基于Canny算子邊緣檢測(cè)
        2.2.3 圖像腐蝕處理
        2.2.4 聚類(lèi)填充圖像
        2.2.5 根據(jù)行列像素和標(biāo)記車(chē)牌
    2.3 傳統(tǒng)輪轂識(shí)別方法
        2.3.1 YCbCr色彩空間
        2.3.2 形態(tài)學(xué)閉運(yùn)算
        2.3.3 k-means聚類(lèi)算法
        2.3.4 基于形狀特點(diǎn)過(guò)濾
    2.4 傳統(tǒng)車(chē)牌輪轂方法優(yōu)缺點(diǎn)
    2.5 本章小結(jié)
第3章 Faster RCNN概述
    3.1 Faster RCNN定義
    3.2 Faster R-CNN基本框架
        3.2.1 卷積神經(jīng)網(wǎng)絡(luò)中各層主要作用
        3.2.2 區(qū)域建議網(wǎng)絡(luò)RPN
        3.2.3 VGG卷積神經(jīng)網(wǎng)絡(luò)
        3.2.4 Anchors
        3.2.5 ROI池化層的作用與原理
    3.3 本章小結(jié)
第4章 基于Faster RCNN的車(chē)牌檢測(cè)算法
    4.1 錨框anchor優(yōu)化
    4.2 分類(lèi)回歸優(yōu)化
    4.3 損失函數(shù)
        4.3.1 分類(lèi)損失
        4.3.2 回歸損失
    4.4 本章小結(jié)
第5章 實(shí)驗(yàn)檢測(cè)結(jié)果及算法性能
    5.1 數(shù)據(jù)集VOC19
    5.2 實(shí)驗(yàn)環(huán)境準(zhǔn)備
    5.3 實(shí)驗(yàn)結(jié)果與深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)比分析
    5.4 實(shí)驗(yàn)結(jié)果與傳統(tǒng)算法對(duì)比分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和取得的科研成果
致謝



本文編號(hào)：4002746