基于级联卷积网络的自然场景下的车牌检测-论文笔记

随着经济的发展，智能交通在各个城市普遍应用，图像的获取及图像的存储付出的成本越来越低廉，在社会生活中，各个行业都积累了大量的历史车牌图像数据，这些车牌图像在自然场景下获得的特定情况，决定了这些图像表现出高清化、多元化、大数据的特质。在现实生产环境中，如何在短时间内准确检测出车牌区域，是提高这些车牌图像利用率的基础。然而，现有车牌检测系统通常应对于特定的应用场景，对获取到的车牌图像都有严格的约束，自然场景下获得的车牌图像数据很难满足这些约束条件，使这些现有的车牌检测系统失去了有效性。因此，基于对自然场景下的车牌检测技术的研究，在满足一定的检测率和检测效率的情况下，开发出适应于自然场景的车牌检测技术，具有重要的实践意义。

在查阅大量的历史技术文献后，为了提高自然场景下车牌的检测效率的同时提高车牌检测的准确率，本文提出了一种新的鲁棒的快速车牌检测方法，前期使用手动分割的车牌区域图像作为训练和检测的原子数据，并且直接使用基于卷积网络的检测器，设计出级联多个卷积网络模型，基于历史数据对模型进行训练，使之适应自然场景。通过引入卷积网络作为基本的学习子单元，并进一步把多个子单元组织成级联结构，有效的满足了自然场景下的车牌检测对检测准确率和检测效率的要求。通过对算法的可行性及有效性进行验证，实验结果表明，级联卷积网络在保证较低误报率的同时具有较高的检测率和检测效率。

本文考虑使用级联卷积网络（Cascade Convolutional Networks）来构建车牌检测系统模型，结合历史车牌数据对模型训练，最终完成在自然场景下的车牌检测。在人工神经网络领域，卷积神经网络在图形图像处理上的成熟应用，使其成为了当前研究的热点。在卷积网络结构中，权值共享的特性降低了网络模型的复杂度，减少了权值的数量。卷积网络作为识别二维形状进行了特殊的设计，具有一个多层感知机，这种特殊的结构属性使卷积网络对等比例缩放、角度倾斜、位移变换或其他形式的二维图形形变具有了高度不变性。一般情况下，单个卷积网络通过减少神经元个数来降低计算量，从而可以达到提高检测效率的目的，但这样同时也降低了准确率。本文通过级联多个分类器，建立由粗到精的逐步筛选过程，以此来提高分类准确率和效率是一种简单且有效的方法。在本文提出的级联卷积网络结构，级联多个分类器，使用逐层训练过的基本网络，对输入的图像信息进行逐步的检测筛选，从而取得较高的检测效率和较好的准确率。

关键字：自然场景,车牌检测,级联分类器,卷积网络