论文部分内容阅读
随着我国机动车保有量的日益增长,交通堵塞和交通安全等问题日益严重,因此交通及停车场智能管理的需求也随之日益增长。而在该智能管理系统中,车辆型号和车牌号就类似于车辆的“身份证”,因此研究如何精确地识别出机动车的型号和车牌具有很大的实际意义。因此本文研究了精确的车型识别和车牌识别,此外还开发了两者的人机交互界面,从而便于推广。本文首先介绍了深度学习相关的理论,然后使用MATLAB构建了四种卷积神经网络模型,分别是Alexnet、VGG-16、Resnet-18和Inception v3,并逐一分析了四种模型的结构和参数。对于车型识别,为了解决粗粒度车型识别无法满足当今智能管理系统需求的问题,本文使用斯坦福大学的车型数据库进行实验,从而实现车辆品牌、型号和年份的识别。在训练过程中为了避免由于参数量过大而导致模型迟迟不能收敛的现象,本文通过迁移学习来训练四种模型。此外,四种模型的分类器都使用Softmax分类器。最后对训练好后的模型进行测试,结果显示Resnet-18的测试性能最佳,测试正确率达到了96.12%。在车牌识别中,针对由于摄像机和环境等外界因素可能影响车牌图像明暗的问题,本文对较明和较暗的图像使用不同参数的形态学处理方法。其次针对车牌图像可能存在倾斜的问题,本文使用Radon算法进行车牌矫正。然后进行按照二值化车牌图像的投影规律进行字符分割。最后使用支持向量机进行字符识别,从而得出测试车牌图像的车牌号。为了方便智能交通和停车管理系统的管理人员使用,本文设计并测试了车型识别和车牌识别的人机交互界面,结果显示本人机交互界面具有良好的人机交互性,其中车型识别使用训练好后的Resnet-18模型。最后对本文的车型识别、车牌识别和人机交互界面进行了总结,并针对模型、数据库、车牌识别的局限性和后期可发展的研究方向进行了展望。