基于卷积神经网络的车牌定位算法.docVIP

Paper NO1 ?????（注：满分为五星） 论文分类 完成时间 2019-8-8 英文题目 A CNN-Based Method for Car License Plate Location 中文题目 基于卷积神经网络的车牌定位算法 期刊时间 激光与光电子学进展 2019 中文摘要 针对当前车牌识别系统存在复杂环境以及车牌倾斜的情况无法精确定位的问题，本文提出一种基于卷积神经网络的端到端车牌精确定位算法，对车牌的坐标精确计算。通过Faster RCNN 网络对输入车辆图片中的信息进行处理，提取候选区域的特征映射，利用特征映射计算车牌的精确坐标。实验结果表明本文提出的算法在 OpenITS 数据库的功能评测数据库识别准确率为 99%，性能评测数据库的识别准确率为 85%。 关键词 卷积神经网络；Faster RCNN；车牌检测；精确定位 概括主旨 基于卷积神经网络的车牌定位算法。利用Faster RCNN网络提取图片的特征映射，基于计算出的特征值进行车牌坐标的精确计算。本文提出的算法主要有以下两方面的优势：在复杂环境下，如车牌倾斜、车牌旋转、阴影遮挡、车牌模糊等，可以对车牌的坐标精确定位；可以通过提高目标检测算法精度提高定位的准确度。针对训练集难以标注及训练集难以很好覆盖现实环境中的复杂环境，引入数据增强算法，并通过VertexNet 在测试集上取得了较好的表现性能。通过实验验证VertexNet 可以依托提高目标检测网络的准确度实现更高的车牌检测准确率。 笔记部分 F-R-FCN： RCNN 通过 selective search 将输入图片生成若干的 region proposal，将每一个 region proposal 输入到卷积神经网络中对其进行目标类别和尺寸的预测。RCNN 方法不仅在生成候选框时需要耗费大量的时间，且神经网络之间相互独立，增大了待计算参数的数量，极大浪费了计算资源。针对RCNN出现的问题，Faster RCNN对候选框的选取和目标预测方式进行了改进。 对于一张输入图片，Faster RCNN 先使用 ResNet计算得到图片的特征映射，根据预先设定的 anchor box，从特征映射中每个位置提取对应 anchor box 大小的特征图。在得到特征图之后，通过卷积网络对每一个特征图进行前景和背景的判断，并输出对 anchor box 尺寸的修正，将尺寸修正后且认为是前景的 region proposal 进行下一阶段的处理。通过 ROI Pooling，将处理后的 region proposal 映射为相同大小，随后将这些 region proposal 输入至卷积网络进行目标类别和坐标值的计算。由于直接预测坐标存在极大的误差，FasterRCNN 使用偏移量和尺度因子作为预测值，通过与 anchor 中心点的坐标和长宽进行比较，得到目标的坐标和尺寸。相较于之前的 RCNN 网络，Faster RCNN 不再使用 Selective Search等传统方法生成 region proposal，通过使用卷积神经网络生成 region proposal，极大减少了生成 region proposal 需要的时间，并且由于将所有的运算整合到了一个神经网络中，实现了网络参数的共享，减少了训练难度，在识别准确率和识别效率上实现了提高。Faster RCNN 由于是一种 two-stage 的目标检测方法，在目标检测的准确率尤其是小目标的检测准确率上会优于 one-stage 的目标检测方法，如 YOLO 等，在交通标志识别上的准确率较高。基于摄像机中的车牌往往会出现车牌在图像中占比很小的情况，因此选择Faster RCNN 作为改进网络的参考。Faster RCNN 在 COCO数据集上实现了 42.7% map 的准确率，测试时识别一张图片需要 200ms。 损失函数： 对每一个anchor定义一个二分类的类别用于指定该anchor是否为正。认为以下两种情况下 anchor 的类别为正：一个 anchor 和某一个标记的 box 有最大的Intersection-over-Union(IOU)；一个 anchor 和任意一个标记的矩形框的 IOU 值大于 0.7。因此每一个归类为正的 anchor 都有一个与之匹配的标定 box。对于 RPN 网络的损失函数定义如下： 为了提高预测相对位移的准确度，我们采取对相应的点求偏移值的方法，即四边形的左上角点与 anchor 的左上角点比较，右下角点与 anchor 的右下角点比较。顶点预测网络的损失函数定义为： 因此整个网络的损失函数定义为： 实验： 数据集使用中山大学 OpenITS 公共服务平台提供的 Open Dat