基于CNN卷积神经网络的车牌识别研究

本文研宄并实现了一个车牌自动识别系统，该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Ｔｅｎｓｏｒｆｌｏｗ开发平台，搭建ＣＮＮ卷积神经网络，通过采集到的车牌图片训练神经网络，使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分，本文具体研究了利用ＳＴＭ３２ＭＰ１５７嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理，以及如何利用ＳＴＭ３２ＣＵＢＥ－ＡＩ软件将训练好的ＣＮＮ神经网络部署到嵌入式平台中，实时进行车牌识别。最后通过试验得到了识别结果，并达到了预期的效果，分析出了相应的车牌号。本文的主要工作与创新之处总结如下：１．对车牌自动识别技术的发展现状做了全面深入的调研与总结概括，将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点２．提出了基于ＣＮＮ卷积神经网络的车牌定位方案３．设计并实现了一个简便的嵌入式车牌自动识别系统，并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明，与其他单函数方法相比，卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外，与现有车辆识别系统对比，本文提出的设计方案，在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。