基于深度信念网络的车牌字符识别算法研究与实现

摘要

车牌识别技术是现代智能交通系统的核心基础技术之一，目前已经广泛应用于道路交通监控中。经过近30年的发展，车牌识别取得长足进展，常规条件下，无论识别准确率和效率都能达到令人满意的程度。然而在某些恶劣条件如雾天、雨天、强光、倾斜等情况下，车牌识别的准确度大大降低，仍然无法满足实际应用需求。
　　本论文针对恶劣条件下车牌字符模糊、噪声、残缺和倾斜使得车牌识别系统准确率低的问题，将深度信念网络引入车牌字符识别应用中，构建了一种基于深度信念网络的车牌字符识别算法。针对车牌字符图像数据特点，实验研究并设计了深度信念网络分类器的结构参数。还研究了分类器在实际训练过程中的问题，包括受限波尔兹曼机的训练参数选择和全局训练的误差函数和停止判据的选择，结合实验筛选出适用于车牌字符识别的最优参数组合。为解决样本不足问题，本文还采用图像处理方式生成训练样本。
　　将本文的方法与基于浅层神经网络的方法和基于SVM的方法做了对比实验和分析。用本文方法与其他两种方法分别在模糊字符、噪声字符、残缺字符和倾斜字符4种测试集下进行比较，结果显示本文方法的识别准确率分别为94.9％，95.4％，96.3％和85.6％，均优于其他传统方法。实验表明，基于深度信念网络的车牌字符识别方法对恶劣条件下的车牌识别准确率有所改善。
　　本文最后还对算法的训练和识别过程进行了性能优化。训练过程方面，提出了一种改进的冲量因子，使受限波尔兹曼机训练速度提升16.6％。识别过程方面，将分类器处理过程进行并行优化，经过4核并行优化的算法识别性能提升2.5倍，整张车牌的字符识别总时间为19ms，满足实际应用需求。

目录

声明

致谢

摘要

1 绪论

1．1 课题背景与意义

1．2 车牌字符识别研究现状

1．2．1 基于模板匹配的方法

1．2．2 基于k-NN分类器的方法

1．2．3 基于浅层神经网络的方法

1．2．4 基于SVM的方法

1．2．5 浅层结构学习算法存在的问题

1．3 深度学习技术

1．4 课题内容与论文结构

1．4．1 课题内容

1．4．2 论文结构

2 基本概念与理论

2．1 马尔可夫链及其平稳分布

2．2 马尔可夫链蒙特卡罗方法

2．3 Gibbs采样

2．4 受限波尔兹曼机

2．4．1 RBM网络结构

2．4．2 RBM的训练方法

2．4．3 对比散度算法

2．5 深度信念网络

2．5．1 DBN的网络结构

2．5．2 DBN的训练方法

2．6 本章小结

3 基于深度信念网络的字符识别算法

3．1 字符识别算法流程

3．2 图像预处理与特征提取

3．2．1 图像预处理

3．2．2 特征提取

3．3 DBN分类器设计

3．3．1 DBN分类器的结构

3．3．2 DBN网络深度

3．3．3 隐单元类型及数量

3．4 DBN分类器的训练

3．4．1 贪心逐层训练

3．4．2 基于BP算法的全局训练

3．5 RBM训练

3．5．1 训练集分批

3．5．2 权重与偏置的初始化

3．5．3 单元状态更新

3．5．4 学习率选择

3．5．5 停止判据

3．6 训练样本生成

3．6．1 恶劣条件车牌图像分析

3．6．2 训练样本生成

3．7 本章小结

4 实验与分析

4．1 字符识别测试

4．2 与其他算法的比较

4．2．1 模糊字符集

4．2．2 噪声字符集

4．2．3 残缺字符集

4．2．4 倾斜字符集

4．2．5 结论

4．3 本章小结

5 算法性能优化

5．1 RBM训练过程优化

5．1．1 冲量

5．1．2 改进的冲量因子

5．2 全局训练的并行优化

5．3 识别过程的并行优化

5．4 算法性能测试

5．5 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

作者简介