基于卷积神经网络的车牌字符识别

车牌字符识别是智能车牌识别系统中的重要组成部分。针对车牌字符类别多、背景复杂影响正确识别率的问题,提出了一种基于卷积神经网络（CNN）的车牌字符识别方法。首先对车牌字符图像进行大小归一化、去噪、二值化、细化、字符区域居中等预处理,去除复杂背景,得到简单的字符形状结构;然后,利用所提出的CNN模型对预处理后的车牌字符集进行训练、识别。实验结果表明,所提方法能够达到99.96%的正确识别率,优于其他三种对比方法。说明所提出的CNN方法对车牌字符具有很好的识别性能,能满足实际应用需求。     

基于OpenCV和卷积神经网络的车牌识别研究

车牌识别在高速收费口、小区车辆出入口、停车场自动收费系统等方面得到越来越多的应用,这在一定程度上可以减少交通道路的拥挤,缓解交通压力.本文应用OpenCV库相关功能完成车牌的定位以及字符的分割,在此基础上利用TensorFlow框架的Keras模块搭建卷积神经网络,对车牌中的汉字、数字和字母分别进行识别,其中车牌汉字模...     

基于全卷积神经网络的屏幕区域定位算法

很多情况下,人们需要记录屏幕、投影仪中出现的信息,但是在拍摄到屏幕的同时不可避免地会拍摄到屏幕外的背景。为了解决这个问题,提出一种在手机等便携设备上找到拍摄视频中出现的屏幕区域的算法。提取出视频中的每一帧;对每一帧用全卷积神经网络得到屏幕边缘图像和屏幕位置图像;在屏幕边缘图像上用直线检测算法检测直线;对屏幕位置图像进行分析,从检测到的直线中找到四条直线作为屏幕区域的边缘。由于全卷积神经网络的加入,该方法不需要设定复杂的参数,而且便于扩展到名片、文档等检测上。实验结果表明,该方法拥有很强的鲁棒性,较好的识别速度和准确率。     

基于单个卷积神经网络的面部多特征点定位

深度学习在面部特征点定位领域取得了比较显著的效果。然而,由于姿态、光照、表情和遮挡等因素引起的面部图像的复杂多样性,数目较多的面部特征点定位仍然是一个具有挑战性的问题。现有的用于面部特征点定位的深度学习方法是基于级联网络或基于任务约束的深度卷积网络,其不仅复杂,且训练非常困难。为了解决这些问题,提出了一种新的基于单个卷积神经网络的面部多特征点定位方法。与级联网络不同,该网络包含了3组堆叠层,每组由两个卷积层和最大池化层组成。这种网络结构可以提取更多的全局高级特征,能更精确地表达面部特征点。大量的实验表明,所提方法在姿态、光照、表情和遮挡等变化复杂的条件下优于现有的方法。     

基于角点检测与颜色连贯性分析的车牌定位算法

针对低分辨率视频图像,提出一种基于角点检测与颜色连贯性分析的快速车牌定位算法。考虑到车牌具备固定的颜色连贯性特点,首先由车牌背景颜色与车牌字体颜色得出分析掩膜;然后使用较小的阈值和最小角点间距计算得出掩膜内角点;最后对角点进行颜色加权,选择权值最大的分析区域。该方法对图像噪声具有极好的抗干扰性,适用于分辨率较低的视频图像数据。实验表明与其他方法相比,该方法的车牌定位准确率高,平均耗时短。     

复杂环境下的车牌定位方法

为使车牌定位技术适应复杂环境,给字符识别提供便利条件,提出基于区域放大的车牌定位方法。对图像进行边缘检测,粗定位时采用形态学处理和基于迭代融合的连通域筛选的方法检测车牌初步定位区域,第二次通过多因素决策的方法去除伪车牌,采用区域放大法进行车牌精定位。实验结果表明,该方法准确性高,在工程应用中具有一定的实用价值。     

基于卷积神经网络的左心室超声图像特征点定位

针对传统级联卷积神经网络（CNN）在左心室超声图像中定位准确度较低的问题，提出一种融合更快速区域卷积神经网络（Faster-RCNN）模型提取区域的级联卷积神经网络，实现对超声图像中左心室心内膜和心外膜轮廓特征点的定位。首先，采用两级级联的方式改进传统级联卷积神经网络的网络结构，第一级网络利用一个改进的卷积网络粗略定位左心室心内膜和心外膜联合的特征点，第二级网络使用四个改进的卷积网络分别对心内膜特征点和心外膜特征点进行位置微调，之后定位输出左心室心内膜和心外膜联合的轮廓特征点位置；然后，将改进的级联卷积神经网络与目标区域提取融合，即利用Faster-RCNN模型提取包含左心室的目标区域并将目标区域送入改进的级联卷积神经网络；最后，由粗到细对左心室轮廓特征点进行定位。实验结果表明，与传统级联卷积神经网络相比，所提方法在左心室超声图像上的定位效果更好，更逼近真实值，在均方根误差的评价标准下，特征点定位准确度提升了32.6个百分点。     

动态车牌跟踪识别系统——基于OpenCV和卷积神经网络

新世纪以来,随着我国公路运输的迅速发展,对智能交通的要求也随之提高。汽车自身的车牌已经成为当前汽车信息获取的重要途径,因此,在智能交通领域中,牌照识别技术发挥了巨大的作用。为了适应高速发展的时代,需要对随处可见的车辆实行相应的检测,为此针对车辆的身份检测,我们小组提出了动态车牌跟踪识别系统。一套完整的车牌识别系统由车牌定位、字符分割、字符识别等部分构成。其中,车牌识别与字符跟踪是整个系统的核心,其处理的好坏将直接影响到整个系统的准确性。该系统需要对车辆在移动中的车牌进行提取和识别,对车牌进行预处理、特征提取和字符识别。     

全卷积神经网络研究综述

近年来,全卷积神经网络发展迅猛,在多个视觉研究领域表现出了非常亮眼的成绩。重点收集了近几年的高质量文献,对其中提出的全卷积方法进行分析总结,力求让读者通过对研读,对全卷积神经网络的关键技术、研究现状和最新进展有一个比较全面的了解。将收集到的文献,按照研究领域的不同进行分类汇总,重点提取几个研究非常活跃的领域,详细介绍一些非常具有代表性的算法,并重点介绍了各种方法的精髓所在,同时还对近一年来的最新研究进展进行了概述。通过对大量文献的梳理研究,总结出全卷积神经网络在近几年取得的成就,分析各种方法的优缺点,根据全卷积神经网络目前还存在的一些问题,归纳出未来可能的发展方向。     

全卷积多并联残差神经网络

随着人工智能的火热发展,深度学习已经在很多领域占有了一席之地.作为深度学习中一个典型网络--残差神经网络模型自提出之日起就成为了众多研究者的关注点.然而,残差神经网络还有很大的改进空间.为了更好地解决反向传播中梯度减小的问题,本文提出了一种改进的残差神经网络,称为全卷积多并联残差神经网络.在该网络中,每一层的特征信息不仅传输到下一层还输出到最后的平均池化层.为了测试该网络的性能,分别在三个数据集(MNIST,CIFAR-10和CIFAR-100)上对比图像分类的结果.实验结果表明,改进后的全卷积多并联残差神经网络与残差网络相比具有更高的分类准确率和更好的泛化能力.     

复杂场景下基于热图的车牌检测

随着车牌识别的应用场景不断扩展,处理的图像复杂性也随之提高,车牌检测面临车牌定位困难、检测速度慢和精度低等挑战。为提高光照不均衡、透视变形、雨雾天气、低分辨率等复杂场景下车牌检测的准确率,提出一种基于车牌角点热图的检测网络LPHD-Net。不同于传统模板匹配和目标检测中矩形先验框的方式,该网络通过车牌角点热图和车牌边界向量场的方法对车牌进行检测。在中国城市停车数据集中进行训练和测试,使用目标检测任务中常用的平均精度和召回率对模型的整体性能进行评价。实验结果表明,LPHD-Net模型对多种复杂场境下的车牌检测精确率和速度分别达到99.2%和78 frame/s,较LMAFLPD模型提升1.15个百分点和14 frame/s。同时,其对场景中的多车牌检测也具有较好的检测效果。     

真实场景中基于卷积神经网络的去噪算法

For dealing with the noise image processing in the real scene, this paper proposes a denoising algorithm based on convolu-tional neural network according to the noise model which closer to the real scene. The algorithm uses multiple convolution layers inthe convolutional neural network to learn the data characteristics of the noise image in the real scene, so as to continuously optimizeits own parameters. The simulation results show that the denoising algorithm based on convolutional neural network has a good de-noising effect on the noise image in real scene, the denoised image is clearer, the visual effect is better, and the edge details in the im-age are well preserved.     

基于全卷积网络的叠层薄片条纹检测方法

烟标、卡片等片状产品的准确计数对企业成本的控制具有重要价值。然而,薄片产品数量大、种类多,其端面图像易出现薄片条纹对比度低、灰度不均、宽度不一、粘连和断裂等问题。此外,传统视觉检测方法仅凭图像的单一特征无法实现多种叠层薄片的兼容检测。针对这些难题,提出一种基于深度卷积神经网络的叠层薄片条纹检测方法。此方法利用端到端卷积网络分割叠层薄片端面图像的条纹区域,用于薄片计数。实验结果表明,本文方法相比于传统方法具有更好的准确性和鲁棒性。深度卷积神经网络拥有较大的上下文和多尺度信息,从而可解决困扰传统图像处理方法面临的粘连、破损和低对比度等问题,拓宽叠层薄片智能计数的应用领域。     

一种基于强化学习的限定代价下卷积神经网结构自动化设计方法

目前的神经网络结构自动化设计方法主要对所设计神经网络结构的预测准确率进行优化。然而,实际应用中经常要求所设计的神经网络结构满足特定的代价约束,如内存占用、推断时间和训练 时间等。该文提出了一种新的限定代价下的神经网络结构自动化设计方法,选取内存占用、推断时间和训练时间三类代表性代价在 CIFAR10 数据集上进行了实验,并与现有方法进行了对比分析。该方法获得了满足特定代价约束的高准确率的卷积神经网络结构,可优化的代价种类比现有方法更多。     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

松耦合图卷积文本分类网络

文本分类任务是自然语言处理领域内一个重要的研究问题.近年来,因处理复杂网络结构的出色能力,图神经网络模型(Graph Neural Network,GNN)受到广泛关注并被引入到文本分类任务中.在之前的研究中,基于图卷积网络(Graph Convolu-tional Neural Network,GCN)的分类模型使用...     

基于神经网络的车牌识别技术的研究

汽车牌照识别技术研究与实现一直是现代化交通发展中倍受关注的问题,也是制约交通系统智能化、现代化的重要因素。本文深入研究了基于神经网络的识别技术,提出了一种基于多个神经网络的字符识别方法,实现了车牌字符识别。     

Deep Convolutional Neural Network Approach for COVID-19 Detection

Coronavirus disease 2019 (Covid-19) is a life-threatening infectious disease caused by a newly discovered strain of the coronaviruses. As by the end of 2020, Covid-19 is still not fully understood, but like other similar viruses, the main mode of transmission or spread is believed to be through droplets from coughs and sneezes of infected persons. The accurate detection of Covid-19 cases poses some questions to scientists and physicians. The two main kinds of tests available for Covid-19 are viral tests, which tells you whether you are currently infected and antibody test, which tells if you had been infected previously. Routine Covid-19 test can take up to 2 days to complete; in reducing chances of false negative results, serial testing is used. Medical image processing by means of using Chest X-ray images and Computed Tomography (CT) can help radiologists detect the virus. This imaging approach can detect certain characteristic changes in the lung associated with Covid-19. In this paper, a deep learning model or technique based on the Convolutional Neural Network is proposed to improve the accuracy and precisely detect Covid-19 from Chest Xray scans by identifying structural abnormalities in scans or X-ray images. The entire model proposed is categorized into three stages: dataset, data pre-processing and final stage being training and classification.