基于卷積神經(jīng)網(wǎng)絡的車牌字符識別方法研究.pdf

1、隨著我國經(jīng)濟的飛速發(fā)展、汽車保有量的激增，隨之產(chǎn)生的各類道路管理問題日趨嚴重，智能交通管理系統(tǒng)應運而生，在此背景下，作為智能交通管理系統(tǒng)核心的車牌識別系統(tǒng)也越來越受到關注，對其的相關研究與應用開發(fā)具有重要的商業(yè)應用前景。傳統(tǒng)的車牌字符識別方法存在特征提取復雜的問題，而卷積神經(jīng)網(wǎng)絡處理二維圖像具有獨特的優(yōu)越性，卷積神經(jīng)網(wǎng)絡通過局部感受野和權值共享將特征提取融入到網(wǎng)絡結構中，相較于傳統(tǒng)的車牌字符識別方法，研究基于卷積神經(jīng)網(wǎng)絡的車牌字符識別方

2、法具有重要的現(xiàn)實意義。
　　本文重點研究基于卷積神經(jīng)網(wǎng)絡的車牌字符識別方法，在分析了常用的基于模板匹配、神經(jīng)網(wǎng)絡及支持向量機的車牌字符識別方法基礎上，提出了基于SLeNet-5的車牌字符識別方法，并進一步對SLeNet-5進行分析研究，針對不同應用環(huán)境對車牌識別速度的不同要求，提出了基于ICCN的車牌字符識別方法，并通過并行化來提高車牌字符的識別速度，提出了基于CUDA的ICCN識別算法。論文的主要工作如下:
　　(1)提出

3、了基于SLeNet-5的車牌字符識別方法，針對LeNet-5用于車牌字符識別中存在的輸出層類別過少、層數(shù)過多及訓練難度大等問題，構建一種簡化卷積神經(jīng)網(wǎng)絡模型(SLeNet-5)，給出其網(wǎng)絡拓撲結構，并引入隨機對角LM算法進行訓練，使用其對分割后的字符進行識別。與模板匹配和BP神經(jīng)網(wǎng)絡等方法相比，所提方法具有較高的識別率，與LeNet-5識別率相當，但具有結構簡單及識別速度快等優(yōu)點。
　　(2)提出了基于ICCN的車牌字符識別方法，

4、SLeNet-5具有固定結構，難以適應不同的應用環(huán)境，而車牌識別系統(tǒng)的應用環(huán)境復雜多變，不同的應用環(huán)境對識別率和識別速度的要求有所不同，ICCN從一個簡單結構開始，隨著訓練的進行調(diào)整其自身結構，根據(jù)不同的應用要求在識別率和識別速度中做出取舍，最終達到處理問題的最佳規(guī)模。
　　(3)提出了基于CUDA并行結構的ICCN車牌字符識別算法，為了提高車牌字符的識別速度以更好的滿足車牌識別系統(tǒng)的實時性要求，采用CUDA技術，并在其上定義并行