卷积神经网络在车牌识别中的应用研究

为了改善传统车牌识别方法中过分依赖车牌特征和鲁棒性不强等问题,将具有良好图像识别性能的卷积神经网络LeNet-5模型引入到车牌字符识别中,并对其结构进行改进以满足需要。设计了2个网络分别进行汉字和数字/字母识别,将输出层类别由10增加到31和34;C5卷积层的特征面数目增加到480,输入图像像素增加到64×64。对改进后的网络进行了实验,并分别与3层BP神经网络和支持向量机（SVM）进行对比测试。实验结果表明,该卷积神经网络避免了传统车牌字符识别方法中复杂的特征提取,增强了鲁棒性,提高了准确率。改进后的LeNet-5相比BP神经网络在识别准确率上可提高约6%,识别速度也更快;与SVM相比较,汉字分类准确率可以提高约7%,字符/数字准确率可以提高约4%。