深度学习卷积神经网络车牌识别系统

专业技术开发，收藏关注不迷路

---

一、项目介绍

传统中文车牌识别方法对场景约束较大，且算法实时性差，无法部署在边缘设备上。为解决这些问题，本文提出了一种基于YOLO的无约束场景中文车牌检测与识别方法。该方法利用YOLO目标检测算法进行车牌定位，并结合端到端的识别网络进行车牌字符识别。而车牌识别技术在车辆管理中扮演着至关重要的角色。传统的车牌识别算法通常包括三个步骤：首先利用像素信息确定车牌的位置，然后将车牌标记从位置中分离出来，最后在定位的基础上进一步识别单个字符。这种方法可以处理生活中相对简单的车牌识别场景，但对于复杂的场景，比如矿山车辆、被灰尘覆盖的车牌、车牌变形等，传统的车牌识别算法往往表现出较低的鲁棒性，并且容易出现识别错误。
相比传统的车牌检测方法，本文基于YOLOv3和LPRnet识别方法，利用几何校正原理改进了算法，以实现对车牌的精细化识别。实验结果充分展示了基于YOLOv3和LPRnet识别方法在复杂环境中识别车牌的优势，将车牌的综合识别率提高至95%。
这项研究的突破之处在于采用了YOLOv3和LPRnet识别方法，并结合几何校正原理，以应对复杂环境下的车牌识别挑战。通过这一方法，研究人员成功地提高了车牌识别的准确性和鲁棒性，为解决复杂环境下的车辆管理问题提供了有力的技术支持。这一成果对于提升车辆管理效率，保障交通安全具有重要意义，也为车牌识别技术在实际应用中的推广提供了有力的技术支撑。

关键词：YOLOv3; LPRnet; 车牌识别

二、开发环境

环境：Python3.8、OpenCV4.5、PyCharm2020
YOLOv3; LPRnet

三、功能介绍

我们的车牌识别技术的整合包括了图像采集、预处理、车牌定位、字符分割、字符识别和输出结果等步骤，利用深度学习技术来优化车牌检测和字符识别的过程。
具体的步骤及实现方法：

1. 图像采集：
   使用摄像头或者其他图像采集设备获取车辆的图像数据。这些图像可以是静态的照片，也可以是动态的视频流。
2. 预处理：
   对采集到的图像进行预处理，包括但不限于图像的尺寸调整、灰度化、去噪、增强对比度等操作，以便提高后续处理的准确性和效率。
3. 车牌定位：
   利用YOLOv3等目标检测模型，对预处理后的图像进行车牌定位。YOLOv3是一种端到端的目标检测模型，可以有效地检测出图像中的车辆和车牌区域。
4. 字符分割：
   在车牌定位的基础上，对车牌区域进行字符分割，将车牌上的字符分割成单个的字符区域。这一步可以采用传统的图像处理方法，也可以结合深度学习模型来实现。
5. 字符识别：
   利用LPRNet等字符识别模型，对分割后的单个字符区域进行识别。LPRNet是一种专门设计用于车牌字符识别的深度学习模型，能够准确地识别车牌上的字符信息。
6. 输出结果：
   将识别出的车牌字符信息与车辆信息等相关数据进行关联，并将最终的识别结果输出到用户界面或者存储到数据库中，以供后续的应用和管理使用。
   

图3-1 车牌识别流程图
将训练后的车牌检测网络YOLOv3和字符识别网络LPRNet进行结合，前期在训练前将数据进行整合，针对LPRNet不需要过多的训练模型，对于单一的车型只需要进行单次的训练。如果训练模型较好，后期便不需要花时间训练，将训练后的车牌检测网络YOLOv3与字符识别网络 LPRNet连接，输入图像，并经过检测网络提取检测框，输出的候选框作为LPRNet网络的输入。通过简单的车牌二值化图像能够较易确定车牌四个角点的位置，再利用透视变换矫正车牌，将矫正的车牌输入LPRNet中。字符识别网络LPRNet首先对检测到的候选框利用主干网络提取字符信息，利用CTC和集束搜索输出最终的车牌号。由于在实际应用场景中，车牌倾角一直发生变化，而且摄像头绝大部分捕捉到的车牌图像都有畸变，本文的车牌识别系统能够增加检测时间，获得更好的识别效果。

五、效果图

六、文章目录

 目   录

1 绪论 1
1.1 设计的背景 1
1.2 当前的研究现状 1
1.2.1 国外车牌识别研究现状 1
1.2.2 国内车牌识别研究现状 2
1.3 课题主要工作 2
2 相关理论及技术介绍 3
2.1 卷积神经网络概述 3
2.2 卷积神经网络理论基础 4
2.3 激励函数与损失函数 5
2.3.1 激励函数 5
2.3.2 损失函数 6
2.4 优化算法 7
2.5 YOLOv3算法 7
2.5.1 新的网络结构Darknet-53 7
2.5.2 YOLOV3的输入与输出形式 8
2.5.3 多尺度检测 9
2.6 LPRNet算法 10
2.6.1 网络组成 10
2.6.2 实现原理 11
2.7 小结 11
3 车牌识别方案设计 12
3.1 车牌识别 12
3.2 数据集描述 14
3.2.1 数据集来源 14
3.2.2 数据集标注 15
3.2.3 模型超参数设置 15
3.3 结果分析 16
3.6 小结 18
4 系统设计与实现 19
4.1系统主界面 19
4.2系统运行依赖模块 20
4.3选择打开摄像头、视频识别模式和单张图像模式 21
4.2调节摄像头参数 22
4.4 控制按钮 23
4.3车牌校正及定位 23
4.4 小结 24
5 系统测试 26
5.1 测试目标 26
5.2 测试方式 26
5.3 测试环境 26
5.4 前置条件 26
5.5测试用例 26
5.6 小结 28
总结 29
致谢 29
参考文献 30