目錄

前言

課題背景和意義

實現技術思路

一、車牌識別的一般流程

二、智能車牌識別系統(tǒng)的設計思路

三、基于深度學習的智能車牌識別系統(tǒng)的實現

四、智能車牌識別系統(tǒng)的訓練與測試

五、總結

實現效果圖樣例

最后

前言

? ? ??大四是整個大學期間最忙碌的時光,一邊要忙著備考或實習為畢業(yè)后面臨的就業(yè)升學做準備,一邊要為畢業(yè)設計耗費大量精力。近幾年各個學校要求的畢設項目越來越難,有不少課題是研究生級別難度的,對本科同學來說是充滿挑戰(zhàn)。為幫助大家順利通過和節(jié)省時間與精力投入到更重要的就業(yè)和考試中去,學長分享優(yōu)質的選題經驗和畢設項目與技術思路。

??對畢設有任何疑問都可以問學長哦!

選題指導:?https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,這里是海浪學長畢設專題,本次分享的課題是

??畢業(yè)設計-基于深度學習的智能車牌識別系統(tǒng)

課題背景和意義

智能車牌識別技術是智能交通工程領域的重要環(huán)節(jié)，在交通監(jiān)視與控制方面占有舉足輕重的地位。從車 牌識別的一般流程出發(fā)，設計基于CenterNet目標檢測以及CNN卷積神經網絡的智能車牌識別系統(tǒng)。利用CenterNet網絡 高效定位車牌位置，通過對檢測截取出的車牌進行直方圖增強、灰度處理、傾斜矯正、邊框去除等圖像預處理，有效增強圖片對比度，便于提取有用的特征信息。將處理后的車牌信息傳入卷積神經網絡進行訓練，結果顯示智能車牌識別系 統(tǒng)有較高的準確率和時效性，對于不同光照、不同環(huán)境、不同天氣等情況下的車牌識別效果較好。智能車牌識別是現代智能交通系統(tǒng)的重要組成部分， 廣泛應用于高速公路、停車場、路口等場景。隨著大數 據、人工智能的不斷發(fā)展，智能車牌識別在數據處理、自 適應學習以及特殊場景訓練等方面都有較大程度提升，具 有更強的容錯性和魯棒性。通過車牌號碼的自動識別與跟 蹤，能有效降低車輛自動化管理的成本，規(guī)范車輛不規(guī)范 行為，為社會穩(wěn)定與居民便捷生活提供堅實保障。

實現技術思路

一、車牌識別的一般流程

車牌識別的一般流程包括原始車輛圖片的獲取、車 牌檢測與車牌識別三個步驟，如圖所示。其中車牌檢測 主要實現車牌在車輛圖片中的檢測、車牌圖片的定位及預 處理等，常用的檢測技術包括基于傳統(tǒng)的特征檢測及基 于深度學習的車牌檢測。

針對數據量一般，對雨雪、光照 等環(huán)境要求不高的情況，可采用傳統(tǒng)特征檢測，對車牌色 彩、紋理、邊緣等關鍵特征進行提取。比如采用Mallat算 法和小波變換進行區(qū)域邊緣特征提??；結合顏色分割及 Sobel算子實現車牌顏色邊緣特征提取。針對干擾因素 較多的復雜場景，可采用深度學習算法，比如SSD卷積神 經網絡等實現快速檢測與定位。

二、智能車牌識別系統(tǒng)的設計思路

為增強車牌檢測的容錯率以及車牌字符識別的精確 度，本設計將采用CenterNet Resnet目標檢測以及循環(huán)神 經網絡CNN共同實現智能車牌識別功能，其整體設計框架 如圖所示。針對采集的車牌圖像，采用CenterNet目標檢 測，對原始車輛圖片進行車牌目標位置的定位、檢測與保 存，再對車牌圖片進行直方圖均衡、灰度處理、傾斜矯正 等預處理操作后，得到較為精確的車牌圖像信息。將處理 后的車牌字符傳入卷積神經網絡進行模型的訓練與優(yōu)化， 最終預測得到較為準確的車牌識別結果。

三、基于深度學習的智能車牌識別系統(tǒng)的實現

基于CenterNet Resnet的車牌檢測

2019年，Xingyi Zhou,等人在“Objects as Points” 一文中提出了基于中心點的CenterNet Resnet目標檢測 網絡，它通過關鍵點估計來找到物體中心點，并回歸到 對象屬性上，如大小、3D位置、方向甚至姿勢，相較于 Faster-RCNN、Retina Net、YOLOv3等算法，該結構在速 度和精度上都較占優(yōu)勢。

系統(tǒng)采用CenterNet網絡結構實現車牌檢測，具體流 程描述如下：

步驟1 選擇Resnet50作為目標檢測網絡，即對輸入車 輛圖片進行50次卷積操作，實現特征提取；

步驟2 通過反卷積模塊，對上一步得到的特征圖片 進行三次上采樣，得到增強后的特征圖片；

步驟3 將上一步的特征圖片放入三個分支卷積網絡， 分別預測檢測目標的熱力圖heatmap、目標的寬度與高度 占比以及目標的中心點坐標，所得參數可用于車牌圖片的 截取。

步驟4 采用仿射變換，在原圖中實現檢測目標的裁剪 和縮放，用邊框框出車牌位置，并顯示位置比例，測試效 果如圖所示。

車牌圖像預處理

通過CenterNet截取出的車牌圖像數據集中存在車牌 位置傾斜、照明不均勻、車牌不清晰等多種特殊情況，因 此車牌圖像的預處理顯得尤為重要，甚至直接影響車牌字 符的讀取和字符識別的精度。本系統(tǒng)車牌圖片預處理的步 驟描述如下：

步驟1 采用直方圖均衡化方法，增強車牌圖片的對比 度。因每張圖片都是彩色的，包括BGR三個通道，不同通 道都可能出現暗部細節(jié)不足或丟失的情況，因此可將車牌 圖片的直方圖分布變成近似均勻分布，從而實現圖像增強 功能；

步驟2 采用基于冪次變換的伽馬校正實現圖片的灰 度處理，將輸入圖片的灰度值進行指數變換，從而拓展暗 部細節(jié)，也便于加快運算速度；

步驟3 檢測灰度變換后的車牌圖片是否存在傾斜，如 存在，則采用霍夫變換檢測車牌的邊界形狀，不斷擬合車 牌的邊界線條，然后通過空間角度的調整，實現車牌圖片 的矯正；

步驟4 通過統(tǒng)計邊框像素出現的頻率，對矯正后的 車牌圖片進行邊緣去除。每一步處理效果如圖所示。

基于CNN的車牌識別模型的搭建

車牌識別較為常用的手段是基于車牌字符的分割， 但實際情況中車牌圖片容易出現傾斜、污損、不清晰等情 況，導致字符分割不準確或不完整，因此系統(tǒng)采用基于 CNN卷積神經網絡實現端到端的車牌字符識別。

在網絡搭建前先明確輸入與輸出變量。由于預處理 后的車牌圖片大小不一致，此處將所有圖片統(tǒng)一縮放為寬 240px，高80px的圖片，灰度處理后統(tǒng)一選擇一維通道。假設訓練集樣本數量為N張，則網絡的輸入層維度則為 N×80×240×1。輸出層要識別的車牌字符有7位，第一位 為省份字符(共34個)，后6位為除去“I”和“O”的字母及 0-9數字的組合(共34個)，由此可知網絡的輸出變量字對 應離散的68個字符。

構建CNN卷積神經網絡模型如圖5所示，包含三個卷 積圖、1個扁平層、1個全連接層。

?具體參數及函數選擇如下：

（1）卷積圖：第一個卷積圖中，C1的卷積核大小為 32，卷積形狀為3×3，C2的卷積形狀為2×2，隨機丟棄50% 樣本；第二個卷積圖中，C2的卷積核大小為64，卷積形狀 為3×3，C4的卷積形狀為2×2，隨機丟棄50%樣本；第三個 卷積圖中，C5的卷積核為128，卷積形狀為3×3，C6的卷積 形狀為2×2，隨機丟棄50%樣本。卷積后采用relu非線性 函數增強數據的擬合度。

（2）池化層：基于最大值原則，根據池化形狀進行欠 采樣，有效降低特征維度，一般選擇2×2的池化形狀。

（3）全連接層：通過自適應矩估計(Adaptice Moment Estimation:Adma)激活函數實現公式：

?（4）輸出層：將全連接層得到的神經元分類結果輸 入Softmax函數，并映射至(0,1)區(qū)間內。模型訓練期間以 交叉熵為損失函數，不斷監(jiān)控損失最小值，由此判斷字符 匹配的概率。

四、智能車牌識別系統(tǒng)的訓練與測試

以公開的中國城市停車數據集（Chinese City ?Parking Dataset, CCPD）為基礎，隨機選取了6000張車輛 圖片，包含了不同天氣、不同光照角度、不同車輛位置以及 傾斜和模糊的車輛樣本。實驗選取4000張作為訓練集進行 模型的訓練與優(yōu)化，2000張作為測試集進行結果驗證。

將所有車輛圖片經過CenterNet網絡進行車牌檢測與 截取后，進行對比度增強、灰度處理、傾斜校正以及去邊 緣化等預處理操作，并獲取處理過后的圖像通道信息轉 換為tensor變量傳入CNN網絡。模型編譯時選擇Adam自適 應優(yōu)化器，以交叉熵作為監(jiān)控損失值，在訓練過程中保 存損失值最小的模型參數，便于測試樣本的驗證。實驗中 epoch設為200，訓練時最小損失值為0.0315，模型的識別 準確率達到94.7%。

該模型針對不同的光照變化、不同角度、不同清晰度 的車牌識別都有較高的辨別度，識別效果如圖所示。

五、總結

隨著人工智能的不斷發(fā)展，將深度學習算法應用于車 牌識別領域屢見不鮮，然而部分算法在簡單場景下有較 高的識別效果，但對于不同光照、不同環(huán)境、不同天氣、 不同清晰度等多變的場景識別，還存在一定難度，且不同 神經網絡的選擇或者網絡參數的自適應調整都會進一步 影響車牌識別效率。

選擇CenterNet網絡進行車牌 定位與檢測，選擇直方圖均衡化、傾斜度矯正等圖像預處 理技術增強車牌的對比度，都為后續(xù)卷積神經網絡的訓練 提供了有效保障。測試結果顯示，該系統(tǒng)能有效辨別不同 場景下車牌信息，且平均識別準確率高。

實現效果圖樣例

智能車牌識別系統(tǒng)：

我是海浪學長,創(chuàng)作不易,歡迎點贊、關注、收藏、留言。

畢設幫助，疑難解答，歡迎打擾！文章來源地址http://www.zghlxwxcb.cn/news/detail-458726.html

最后

到了這里，關于畢業(yè)設計-基于深度學習的智能車牌識別系統(tǒng)的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！