基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法研究.pdf

1、隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展、汽車保有量的激增，隨之產(chǎn)生的各類道路管理問(wèn)題日趨嚴(yán)重，智能交通管理系統(tǒng)應(yīng)運(yùn)而生，在此背景下，作為智能交通管理系統(tǒng)核心的車牌識(shí)別系統(tǒng)也越來(lái)越受到關(guān)注，對(duì)其的相關(guān)研究與應(yīng)用開發(fā)具有重要的商業(yè)應(yīng)用前景。傳統(tǒng)的車牌字符識(shí)別方法存在特征提取復(fù)雜的問(wèn)題，而卷積神經(jīng)網(wǎng)絡(luò)處理二維圖像具有獨(dú)特的優(yōu)越性，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)局部感受野和權(quán)值共享將特征提取融入到網(wǎng)絡(luò)結(jié)構(gòu)中，相較于傳統(tǒng)的車牌字符識(shí)別方法，研究基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方

2、法具有重要的現(xiàn)實(shí)意義。
　　本文重點(diǎn)研究基于卷積神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法，在分析了常用的基于模板匹配、神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)的車牌字符識(shí)別方法基礎(chǔ)上，提出了基于SLeNet-5的車牌字符識(shí)別方法，并進(jìn)一步對(duì)SLeNet-5進(jìn)行分析研究，針對(duì)不同應(yīng)用環(huán)境對(duì)車牌識(shí)別速度的不同要求，提出了基于ICCN的車牌字符識(shí)別方法，并通過(guò)并行化來(lái)提高車牌字符的識(shí)別速度，提出了基于CUDA的ICCN識(shí)別算法。論文的主要工作如下:
　　(1)提出

3、了基于SLeNet-5的車牌字符識(shí)別方法，針對(duì)LeNet-5用于車牌字符識(shí)別中存在的輸出層類別過(guò)少、層數(shù)過(guò)多及訓(xùn)練難度大等問(wèn)題，構(gòu)建一種簡(jiǎn)化卷積神經(jīng)網(wǎng)絡(luò)模型(SLeNet-5)，給出其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并引入隨機(jī)對(duì)角LM算法進(jìn)行訓(xùn)練，使用其對(duì)分割后的字符進(jìn)行識(shí)別。與模板匹配和BP神經(jīng)網(wǎng)絡(luò)等方法相比，所提方法具有較高的識(shí)別率，與LeNet-5識(shí)別率相當(dāng)，但具有結(jié)構(gòu)簡(jiǎn)單及識(shí)別速度快等優(yōu)點(diǎn)。
　　(2)提出了基于ICCN的車牌字符識(shí)別方法，

4、SLeNet-5具有固定結(jié)構(gòu)，難以適應(yīng)不同的應(yīng)用環(huán)境，而車牌識(shí)別系統(tǒng)的應(yīng)用環(huán)境復(fù)雜多變，不同的應(yīng)用環(huán)境對(duì)識(shí)別率和識(shí)別速度的要求有所不同，ICCN從一個(gè)簡(jiǎn)單結(jié)構(gòu)開始，隨著訓(xùn)練的進(jìn)行調(diào)整其自身結(jié)構(gòu)，根據(jù)不同的應(yīng)用要求在識(shí)別率和識(shí)別速度中做出取舍，最終達(dá)到處理問(wèn)題的最佳規(guī)模。
　　(3)提出了基于CUDA并行結(jié)構(gòu)的ICCN車牌字符識(shí)別算法，為了提高車牌字符的識(shí)別速度以更好的滿足車牌識(shí)別系統(tǒng)的實(shí)時(shí)性要求，采用CUDA技術(shù)，并在其上定義并行