论文部分内容阅读
目前,清晰的车牌识别算法已经成熟,但是对于人眼不能识别或者识别困难的模糊车牌,还鲜有算法能够做到,传统车牌识别算法的识别率较低或者根本无法识别。鉴于此,提出了一种基于改进卷积神经网络的模糊车牌字符识别算法,和现有超分辨率算法以及去模糊算法相结合对模糊车牌进行识别,和传统方法相比识别率明显提高。本文的研究对象是分割好的单一模糊车牌,是对字符识别这一环节研究,不涉及区域车牌检测和分割。主要工作和成果如下:（1）构建了适用于识别模糊车牌字符的11层卷积神经网络结构。为了提高模糊车牌字符的识别率,对网络模型学习和优化算法进行了深入研究:1)采用了Xavier权值初始化;2)为防止训练过拟合问题,在目标函数中添加2L正则化项,增加Dropout层;3)采用SGD优化算法对网络训练进行优化。（2）依据图像退化因素,本文建立了模糊程度不一的模糊车牌样本集。主观上把每一类字符分为清晰、半清晰和模糊三挡,即看得清、似看清似看不清和看不清,形成从清晰到模糊的梯度样本集,确保能够识别每一类清晰度不一的车牌字符,共有26970幅图。将24273（90%总样本）幅样本图像对卷积神经网络进行训练,其余2697（10%总样本）幅样本作为测试集,训练出了11层卷积神经网络。实验结果表明,该11层网络对训练集的准确识别率达到100%,对测试集的准确识别率为96.13%。（3）针对特征不明显的模糊车牌,本文提出了一种盲分割算法,精确地分割出了每一个字符。在图像预处理阶段,采用了透视变换法对图像进行校正。（4）从图像清晰化的角度分别介绍了去模糊算法和超分辨率增强算法,并给出了实验结果。结果表明,单纯对图像清晰化处理效果不理想,还达不到人眼直接辨识的目的。（5）对于模糊车牌的识别,本文分别对两种模糊车牌（雾化和非雾化）做了实验,并且给出了4种方法对200张模糊车牌1400个字符的识别率:1)直接调用本文训练的CNN网络进行识别;2)采用超分辨率算法处理后再调用训练好的卷积神经网络识别;3)采用去模糊算法处理后再调用训练好的卷积神经网络识别;4)只用传统方法对字符进行识别。实验结果表明,将超分辨率算法结合卷积神经网络的识别准确率为71.4%;将去模糊处理结合卷积神经网络的识别准确率为66.7%;直接调用本文训练的CNN网络进行识别的准确率为57.1%;而用传统方法的识别准确率仅为14.3%。相比之下识别率明显提高。