未来智讯 > 神经网络论文 > 基于改良卷积神经网络的车牌辨认要领

基于改良卷积神经网络的车牌辨认要领

发布时间:2019-03-29 01:06:01 文章来源:未来智讯    
    基于gailiangjuanjishen经wang络de车牌bian认要领作者未知 zhai 要切磋车牌bianren技艺时存zai着辨认正确lv颠簸较大正确率较低等问题为提高车牌辨认正确率提议liao一种gai良dejuan积shen经wang络算法在juanjishen经wang络模子的根ben上dui其条li、参shu进行gai良议jue配置对比尝试de到较好的训练参数数值使改良的juan积神经wang络对车牌辨认的正确率you必然升迁ping据尝试fang案对全联guanshen经网络、LeNet-5,以及改良的卷积神经网络在辨认正确率fangmian进行对zhao尝试,尝试数据证明,改良的卷积神经网络在辨认正确lvfangmian高于全联贯神经网络和LeNet-5
关头词:机械进修车牌辨认;卷积神经网络
zhongtu分类号:TP183 文献标识码:A
AbstractIn the study of license plate recognition technology,there are some problems,such as large fluctuation of recognition accuracy,low accuracy and so on.In order to improve the accuracy of license plate recognition,an improved convolutional neural network algorithm is proposed.On the basis of the convolutional neural network model,the hierarchy and parameters are optimized.Better training parameters are obtained by setting the control experiment,which enables the improved convolutional neural network to improve the accuracy of license plate recognition to a certain extent.According to the experimental scheme,a comparison experiment is carried out on the recognition accuracy of fully connected neural network,LeNet-5 and improved convolutional neural network.The experimental data shows that the improved onvolutional neural network is better than the other two neural networks in recognition accuracy.
  Keywords:machine learning;license plate recognition;convolutional neural network
  1 引yanIntroduction
  全球的�济cheng长麻利,汽车数目不息添加,交通淤塞、交通事故多发、交通qingkuang日趋恶化等问题是各个国du都无法忽略的,智能交通体xi简称ITS[1]qi点进来ren们的视xian。车牌辨认技艺简chengLPR作为ITS范畴中不行或缺的一ju部施展着越来越yanzhong的作用。
  因为缺乏大规模tu像数据库和硬件本能不及,造成了早期deCNN不克不及chu置纷乱问题。近nian出处于硬件技艺上的突破和越来越多的大规模图像数据库被ren平易近设立,CNN逐步成为人造智能方面切磋热门,跟着对其不息的切磋,很多新的布局被人们提议。近年比力有名的CNN布局有ResNet[2]、AlexNet[3]、VGGNet[4]、GoogleNet[5]等。在yingyong方面上,图像辨认方面[6],动态视pin剖析[7]、天然shuo话处置[8]等方面都取得了许多成果。因为CNN在图片辨认方面具有很好的本能,以是jiangCNN应用到LPR范畴。
  本文首简略先容卷积神经网络的布局,提议了几种改良方案对卷积神经网络的布局进行了改良,对付改良后的卷积神经网络布局进行先容和剖析,改良后的卷积神经网络解决了辨认正确率低的问题。设计了尝试方案,尝试对照了改良卷积神经网络与、文献[9]中的卷积神经网络和全联贯神经网络辨认正确率,得出了改良后的卷积神经网络在辨认正确率方面有所升迁的结论
  2 卷积神经网络布局(Convolution neural network structure
  卷积神经网络是近年来崛起的人造神经网络的一个特例,在图片和说话辨认范畴取得了较多的切磋成果。这种技艺被普遍传布和应用,最多见的应用是在谋略机图像辨认方面,药物发现、动态视频剖析、天然说话处置也都使用了这门技艺。
  卷积神经网络buzai是对图片的一个个像su点进行处置,而是使用卷积查对一块像素区域进行扫描,这种要领是为了增强图像信息的赓续性,加shen神经网络对图像的领会。经典的卷积神经网络首要由三个局部构成:输入ceng为第一局部,两层卷积层和降采样层组成dier局部,卷积层谋略特性图公式如式(1)所示:
  3 改良后的卷积神经网络(Improved convolution neural network)
  3.1 设计方案
  针对我国车牌中存在10个数字和24个zimu(不蕴含I、O)的环境,我们将神经网络的输出层中的神经元个数改为34,对辨认正确率方面提议以下要领进行改良:
  (1)参照Lenet-5卷积神经网络布局增加C5ceng。
  (2)在卷积层和降采样层之间增加标注化层。
  (3)调解C5层的卷jihe个数。
  3.2 网络布局
  改良后的卷积神经网络条理如图2所示。输入层为第一局部,由卷积层、激活函数、尺度批处zhiceng、chihua层这三局部构成第二局部。全联贯层、Softmax层和输出层组成第三局部。   改良后的卷积神经网络布局如图3所示,改良后的卷积神经网络布局各层先容:(1)输入层为zifu的图片,图片巨细32×32;(2)C1为卷积层,输入图片颠末该层后huo得6zhang28×28的特性图,该层中共用了6个巨细为5×5的过滤器;(3)S2为池化层,6张C1层处置得出的的特性图颠末池化酿成巨细为 28×28 的特性图,每个过滤器巨细为2×2;(4)C3为卷积层,池化处置过的图片颠末C3层后获得16个10×10de特性图,每个过滤器巨细为5×5,共16×6个卷积he(5)S4为为池化层,16张C3层处置得出的的特性图颠末池化酿成巨细为5×5的特性图,每个过滤器巨细为2×2;(6)C5层为卷积层,池化处置过的图片颠末C3层后获得120个1×1的特性图,每个过滤器巨细为5×5;(7)F6层为全联贯层,C5层的120个特性图颠末F6层后获得120×1×1共120个神经元,输出节点数为84个;9)输出层蕴含34个神经元,对应着34个字符的输出。
  3.3 尝试了局
  尝试情况:GPU为NVIDIA GTX960M自力显示芯片,2G自力显存;CPU为Intel i5-6300HQ,主频2.30GHz、4GB内存、4核;64位Microsoft Windows 10操作体系,MatlabR2017b编程说话。DeepLearnToolbox-master深度进修算法软件包,使用GPU谋略。在Chars74K数据集结采用36040张字符图像,每个字符1060张,共34个字符(10类数字字符,24类字母字符,撤除字母O和I)。
  3.3.1 尺度化层对辨认正确率的影响
  尝试对象:卷积神经网络与改良卷积神经网络。尝试了局如表1所示。
  从表中能够看出在不异的参数下,参加尺度化层与未参加尺度化层的卷积神经网络在辨认率上由94.12%提高到了94.95%。由此能够看出尺度化层对卷积神经网络在辨认正确率方面有必然升迁。
  3.3.2 C5层和C5层卷积核个数对辨认率的影响
  尝试对象:卷积神经网络与含C5层的卷积神经网络。尝试了局如表2所示。
  从表中能够看出在不异的参数下,参加C5卷积层与未参加C5卷�e层的卷积神经网络在辨认率上由94.12%提高到了94.83。凭据该尝试数据能够得出C5卷积层在提高辨认正确率方面有着必然效率。
  尝试对象:C5层卷积核个数。尝试了局如表3所示。
  从表中能够看出C5层卷积核个数对辨认正确率有着必然的影响,跟着卷积核个数的提高辨认正确率也随之提高,这体现了在输出层的神经元个数添加后,辨认精度跟着卷积核数添加而提高,但当卷积核数添加到必然数量时,辨认精度不会提高。
  3.3.3 三种神经网络的对照
  尝试对象:全联贯神经网络、卷积神经网络与改良卷积神经网络。参数配置:迭代次数30,进修率0.003,尝试数据集:4200张样本图片。尝试了局如表4所示。
  从表中能够看出改良后的卷积神经网络与全联贯神经网络比拟辨认正确率提高了yue10%,与卷积神经网络相对照辨认正确率提高了约2%。
  3.3.4 三种神经网络正确率对照图
  图4表现的是这三种神经网络在不异迭代次数下的正确率对照图,长划线类型曲线代表全联贯神经网络的正确率改变图,体系点线类型曲线代表LeNet-5神经网络的正确率改变图,长划线―点线类型代表改良后的卷积神经网络准正确率改变图。由图4可知,卷积神经网络在图像辨认方面确实优于全联贯神经网络,而改良后的卷积神经网络的辨认正确率最佳。
  4 结论(Conclusion)
  本文对卷积神经网络对车牌辨认方面进行了深入的切磋。为了提高车牌辨认正确率,我们对卷积神经网络的条理布局进行改良,改良后的卷积神经网络颠末试验中参数的调解正确率到da了96.24%,相较于经典的卷积神经网络正确率提高了大约2%。
  参考文献(References)
  [1] 赵娜,袁家斌,徐晗.智能交通体系综述[J].谋略机科xue,2014,41(11):7-11;45.
  [2] HE K,ZHANG X,REN S,et al.Deep residual learning for image recognition[EB/OL].https://arx-iv.org/abs/1512.03385,2016-12-10.
  [3] Ding,H.Li,C.Hu,et al.ALEXNET FEATURE EXTRACTION AND MULTI-KERNEL LEARNING FOR OBJECTORIENTEDCLASSIFICATION[J].ISPRS-International Archives of the Photogrammetry,Remote Sensing and SpatialInformationSciences,2018,XLII-3.
  [4] SIMONYAN K,ZISSERMAN A.Very deep convolutional networks for largescale image recognition[EB/OL].https://arxiv.org/abs/1409.1556,2016-12-10.
  [5] Pengjie Tang,Hanli Wang,Sam Kwong.G-MS2F:GoogLeNet based multistage feature fusion of deep CNN for scene recognition[J].Neurocomputing,2017,225(15):188-197.
  [6] 易神人,邓yanni.多通道卷积神经网络图像辨认要领[J].河南科技大学学报(天然科学版),2017,38(03):41-44;5-6.
  [7] 单勇,程环环,张晓燕.基于多窥察条理动态贝叶斯网络的视频行为剖析[J].电luyu体系学报,2012,17(06):124-131.
  [8] 奚雪峰,周国栋.面向天然说话处置的深度进修切磋[J].主动化学报,2016,42(10):1445-1465.
  [9] 赵zhi宏,杨绍普,马加强.基于卷积神经网络LeNet-5的车牌字符辨认切磋[J].体系仿真学报,2010,22(03):638-641.
  作者简介:
  徐绍凯(1997-)nan,本科生.切磋范畴:软件kai辟,人造智能.
  陈 尹(1997-),男,本科生.切磋范畴:软件开辟,人造智能.
  赵林娟(1993-),女,本科生.切磋范畴:软件开辟,人造智能.
  姜代红(1969-),女,bo士,传授.切磋范畴:数据库,人造智能.
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0329/86580/
 与本篇相关的热门内容: