导读:本文包含了车牌字符识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,字符,车牌,卷积,向量,图像,深度。
车牌字符识别论文文献综述
张长青,杨楠[1]（2019）在《基于混合神经网络的车牌字符识别技术》一文中研究指出车牌识别是智能交通系统的重要组成部分,其关键是车牌字符识别技术。单一的神经网络难以识别模糊的车牌字符,文中提出了一种混合神经网络实现车牌字符识别技术。该混合神经网络结合联想记忆与BP神经网络,对输入的字符进行两次判别,经过训练、特征提取得到检测结果。通过在不同的噪声和不同的角度实验表明,采用混合神经网络具有更高的识别精度。(本文来源于《电子科技》期刊2019年09期）
马李昕,李凤坤[2]（2019）在《一种轻量级的车牌字符识别算法》一文中研究指出字符识别是车牌识别的一个关键环节。在对车牌字符集进行深入分析的基础上,提出了形状特征向量等概念,从理论上分析并证明了形状特征向量用于车牌字符识别的可行性。文中提出了一种基于形状特征向量的车牌字符识别算法,并进行了仿真实验。实验结果表明,形状特征向量能够用作车牌字符识别,基于形状特征向量的车牌识别算法具有97.31%的正确率;此外,该算法没有复杂的训练过程,不需要大量数据来记录训练结果,实现简单,是一种轻量级的车牌字符识别算法。(本文来源于《计算机科学》期刊2019年S1期）
陈慷[3]（2019）在《车牌识别中去噪与字符识别算法的研究》一文中研究指出在科技飞速发展的21世纪,家家户户都在享受着种种交通工具带来的好处。科技融入生活,为我们带来了方便,却也造成了交通管理难度越来越大。因此,为解决城市交通管理,国家提出了智能化交通管理系统。车牌识别系统作为智能交通系统的核心技术之一,为城市交通管理以及国民出行带来了巨大的方便。针对其各方面技术的探索,受到越来越多科研人员的热衷与重视。本文针对如何提高车牌识别系统的工作效率为主,从改善车牌图像质量和提高识别算法效率入手进行研究。论文主要工作如下:1.为改善车牌图像质量,本文研究了传统的非局部均值去噪算法,发现其测量相似性具有不稳定性以及容易导致边缘细节丢失,对此不足本文提出了基于边缘检测的车牌图像去噪算法。该算法使用标准化欧几里德距离代替简单欧几里德距离来测量邻域块之间的相似性,同时利用改进的Canny边缘检测算子进行边缘独立去噪。通过实验与经典算法进行比较,证明改进算法提高了相似性度量的准确性和稳定性,且较好保留了边缘细节信息。2.为进一步提高车牌字符识别的效率,本文针对模板匹配算法以及卷积神经网络进行了研究与分析,发现模板匹配法识别相似字符精确度低,而卷积神经网络识别时间效率低。针对上述不足本文提出了一种新的字符识别算法。该算法使用模板匹配判断相似字符,并使用改进的卷积神经网络对相似字符进行二次识别处理。实验表明,本文算法的字符识别率高达98.6%,识别时间仅为35.5毫秒,在保证了高识别率的同时又明显减少了识别时间,具有一定的实践和理论指导意义。图[32]表[8]参[57](本文来源于《安徽理工大学》期刊2019-06-05）
赵艳芹,童朝娣,张恒[4]（2019）在《基于LeNet-5卷积神经网络的车牌字符识别》一文中研究指出针对车牌字符类别多、背景复杂等特点,以卷积神经网络LeNet-5模型为基础,通过去除全连接层F_6层以及增加卷积层C_1和C_3层特征图的数目改进网络结构,通过字符分割,大小归一化、去除噪声、二值化、字符区居中、去除复杂背景等预处理,构建神经网络模型。结果表明:简化后的LeNet-5神经网络模型比传统的LeNet-5神经网络模型更为简单,其车牌字符识别算法准确率为99.96%。该研究对提高车牌字符识别的准确性提供了一定的参考。(本文来源于《黑龙江科技大学学报》期刊2019年03期）
贺瑜飞[5]（2019）在《基于小波分析的倾斜车牌图像字符识别仿真》一文中研究指出针对传统倾斜车牌图像字符识别率较低、识别精度不高的问题,提出一种基于小波分析的倾斜车牌图像字符识别方法。首先对原始倾斜车牌图像转换成灰度图像预处理,获得图像像素点,利用小波矩对预处理后的车牌图像像素点提取字符特征,运用直线拟合方程矫正字符倾斜角度目标图像,然后通过主分量分析对提取的字符特征进行选择,并降低字符特征维数,获得特征向量,并输入到BP神经网络,通过对该网络权值初始化,分析输入层与输出层之间的线性映射,并通过线性映射关系完成字符识别。实验结果表明,所提方法能有效提高倾斜车牌图像字符识别率。(本文来源于《计算机仿真》期刊2019年05期）
黄榜[6]（2019）在《基于深度学习的多车牌字符识别算法研究》一文中研究指出随着社会经济的高速发展,汽车数量的急剧增加,智能交通管理成为当今社会主流,其中车牌识别是智能交通的核心环节之一。目前,市场上已出现各种各样的车牌识别系统产品且取得不错效果,但针对单一车牌来说,当光照不足、背景复杂、车牌倾斜变形时,识别效果就差强人意了。如何克服这些问题,让车牌识别系统变得更加稳定和通用,成为新的研究热点。本文就近几年在图像识别领域取得巨大成就的深度学习方法进行研究,采用其中的卷积神经网络来实现多车牌字符识别,主要包括叁个步骤:车牌定位、字符分割和字符识别。首先是车牌定位环节。由于拍摄的图像质量参差不齐,提出基于改进二维离散小波变换的图像增强方法改善图像质量,获取车牌边缘信息;接着,利用车牌字符在车牌底色上整齐排列产生规律的纹理信息,检测到车牌边缘线的跳变次数,可以粗略定位车牌所在行;然后,根据车牌底色的阈值范围,将小范围的车牌信息图经过颜色空间转换,找到多车牌的可能位置;最后,通过先验知识,筛选车牌,精确定位所有车牌。实践证明,这种定位方法准确率高、速度快。但其中的颜色筛选过程对光照敏感,使得夜晚的定位效果欠佳,因此,又加入基于机器学习的方法弥补这一不足,通过Adaboost算法对特征进行训练,不依赖于颜色特征检测车牌,实现夜晚条件下的多车牌的定位。其次,字符分割是中间环节。由于拍摄角度可能影响车牌倾斜,因此,提出基于角点仿射变换的方法来快速矫正倾斜车牌。其主要思想是根据车牌的形状特征,找到车牌矩形框的角点,取其中不共线的叁个点仿射变换成直角叁角形,实现整个车牌的倾斜矫正;接着,对于矫正后的车牌提出基于垂直投影和连通域判断的方法分割字符,得到用于识别的单个字符。最后是字符识别。通过分析当前流行的AlexNet、VGGNet、GoogLeNet和ResNet等卷积神经网络,根据字符识别的难度和特点,设计基于改进的AlexNet模型用于字符识别。由于整个网络的模块较多、不同的卷积核大小、批量化大小和Dropout率对于网络性能的影响不一,需要通过设计实验来得到最优化的网络参数;最后,通过开源的OpenCV平台,将字符识别结果打印在待识别的车牌图像上。(本文来源于《合肥工业大学》期刊2019-04-01）
张倩蓓[7]（2019）在《车牌字符识别算法研究》一文中研究指出随着社会的发展,越来越多的车辆,给交通带来了便利,同时也给交通部门带来了新的挑战.经过长期的研究,国内外提出了很多车牌识别的方法.本文将对其中叁种重要的算法进行研究,利用模板匹配算法得到训练集和测试集,再利用支持向量机和卷积神经网络来识别车牌字符.模板匹配算法通过计算待检测字符和字符模板之间的相似度来得到识别结果.本文的车牌字符检测均为对单个字符进行检测.因此先对原始车辆图像做相应的图像预处理得到单个字符,再进行模板匹配.保存识别结果为支持向量机和卷积神经网络识别车牌字符实验提供训练集和测试集.支持向量机是一种二类分类模型,而车牌由汉字,字母和数字组成,因此需要利用一对多方法来构造多分类器.利用模板匹配得到的训练集,提取车牌字符的多维特征得到支持向量机的训练数据,再利用核函数得到非线性支持向量机.支持向量机的正确识别率相比较模板匹配有所提高.卷积神经网络充分利用车牌字符的特征进行学习.卷积神经网络将整幅灰度图像作为输入,经过多层卷积和池化操作,提取字符的局部特征和全局特征,达到识别字符的目标.结合车牌字符的特征进行网络设计和实验,卷积神经网络应用于字符识别时,有较高的识别率.(本文来源于《郑州大学》期刊2019-04-01）
童朝娣[8]（2019）在《卷积神经网络在车牌字符识别中的应用》一文中研究指出随着机器学习、模式识别、人工智能等技术快速发展,促进了机器人、自动驾驶、虚拟现实等领域的快速发展。卷积神经网络是一种先进的机器学习技术,可以准确的、可靠的识别车牌字符,以便能够帮助人们实现智能交通、视频监控和自动驾驶。本文基于笔者多年的研究,详细地描述了卷积神经网络及其在车牌字符识别中的应用,分析了卷积神经网络识别车牌字符时存在的过度拟合问题,然后提出叁个解决对策,进一步提高车牌字符识别的准确度和可靠性。(本文来源于《电子技术与软件工程》期刊2019年01期）
邱薇[9]（2018）在《基于GABP神经网络的车牌字符识别研究》一文中研究指出汽车车牌是准许汽车正常上道行驶的凭证,是道路交通管理部门和车主识别与查找对应车辆的主要依据。作为智能化的综合交通服务系统的重要组成部分,车牌字符识别技术是在模式识别和计算机视觉技术领域中实现交通管理智能化的重要环节。机器学习领域中的一个重要的方法,BP神经网络以其强大的非线性函数映射能力、良好的分类识别能力成为应用最为广泛的人工神经网络,本文将车牌字符图像处理和机器学习技术相结合,提出一种基于集成GABP神经网络的车牌字符识别模型,用于汽车牌照识别工作。本文的主要工作量包括:(1)车牌字符图像处理:主要包括车牌字符图像的定位和分割工作,通过对相似车牌字符的全面分析,选用对对垂直和水平方向的边缘检测效果较好的robert算子进行边缘检测;在车牌字符图像分割中,首先对车牌字符图像进行灰度阈值分割,然后选定阈值进行二值化处理,得到一个二值化的数字矩阵,最后通过计算像素点灰度值累计和将车牌字符图像进行分割。(2)车牌字符识别:将二值化矩阵对应神经网络的输入神经元,将数据库中目标标识作为神经网络的输出神经元,隐含层神经元根据输入输出神经元个数确定,从而构建了本文仿真实验的神经网络结构模型。由于BP神经网络初始权值和阈值随机给定,造成神经网络收敛速度慢和容易陷入局部最小的缺陷,本文利用遗传算法优化神经网络的初始权值和阈值(GABP神经网络模型)加快神经网络的收敛速度和预测精度。(3)通过引入集成学习概念降低车牌字符识别误差:将车牌字符图像分割后的车牌字符分为7个独立的字符图像,然后将这7个字符图像分别进入各子基分类器,每个基分类器为即为一个GABP神经网络模型,在模型中独立进行训练识别,最后将各个基分类器识别结果在集成端共同输出,作为该车牌字符识别的最终识别结果。(本文来源于《吉林大学》期刊2018-11-01）
肖秀春,吴伟鹏[10]（2018）在《基于深度学习的车牌字符识别的设计与实现》一文中研究指出由于应用场景的复杂性,从车牌图像中通过定位和分割技术得到的车牌字符通常存在倾斜、扭曲、光照条件差、像素分辨率低等情况,导致在实际应用中,传统车牌字符识别方法存在诸多不足与困难。将深度学习运用到车牌字符识别技术中,通过大量样本训练,让深度卷积神经网络(CNN)学习车牌字符的图像特征,进而自动识别出其中的车牌字符。由于深度学习模型具有很强的学习能力,可克服实际应用中诸多困难,从而提高车牌字符的识别率。(本文来源于《电子技术与软件工程》期刊2018年16期）
车牌字符识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
字符识别是车牌识别的一个关键环节。在对车牌字符集进行深入分析的基础上,提出了形状特征向量等概念,从理论上分析并证明了形状特征向量用于车牌字符识别的可行性。文中提出了一种基于形状特征向量的车牌字符识别算法,并进行了仿真实验。实验结果表明,形状特征向量能够用作车牌字符识别,基于形状特征向量的车牌识别算法具有97.31%的正确率;此外,该算法没有复杂的训练过程,不需要大量数据来记录训练结果,实现简单,是一种轻量级的车牌字符识别算法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车牌字符识别论文参考文献
[1].张长青,杨楠.基于混合神经网络的车牌字符识别技术[J].电子科技.2019
[2].马李昕,李凤坤.一种轻量级的车牌字符识别算法[J].计算机科学.2019
[3].陈慷.车牌识别中去噪与字符识别算法的研究[D].安徽理工大学.2019
[4].赵艳芹,童朝娣,张恒.基于LeNet-5卷积神经网络的车牌字符识别[J].黑龙江科技大学学报.2019
[5].贺瑜飞.基于小波分析的倾斜车牌图像字符识别仿真[J].计算机仿真.2019
[6].黄榜.基于深度学习的多车牌字符识别算法研究[D].合肥工业大学.2019
[7].张倩蓓.车牌字符识别算法研究[D].郑州大学.2019
[8].童朝娣.卷积神经网络在车牌字符识别中的应用[J].电子技术与软件工程.2019
[9].邱薇.基于GABP神经网络的车牌字符识别研究[D].吉林大学.2018
[10].肖秀春,吴伟鹏.基于深度学习的车牌字符识别的设计与实现[J].电子技术与软件工程.2018
论文知识图
