基于全卷积神经网络的船舶检测和船牌识别系统

被引：7

作者：

李兆桐

孙浩云

机构：

[1] 中国石油大学(华东)计算机与通信工程学院

来源：

计算机与现代化 | 2019年 / 12期

关键词：

船舶检测; 船牌识别; 全卷积神经网络; YOLO; AIS; 在线自适应;

D O I：

暂无

中图分类号：

U69 [水路运输技术管理]; TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

081505 ; 080203 ;

摘要：

船舶检测与识别对于港口智能监控,实现港口资源的有效管理具有重要意义。由于复杂的船舶轮廓、船牌位置不固定、船牌文本类型复杂多样和船牌文字个数不确定等因素,使得船舶的检测和识别非常具有挑战性。本文提出一种基于全卷积神经网络的船舶检测与识别方法:SDR-FCN。SDR-FCN利用本文提出的船舶检测算法SDNet进行船舶检测定位,然后利用本文提出的船牌文本检测算法PDNet进行船牌文字检测,最后利用具备在线自适应性的分类器OA-Classifier进行船牌分类识别。OA-Classifier综合了AIS(船舶自动识别系统)反馈的信息,提高了分类器的识别精度。实际SDR-FCN部署运行表明,它能够以较高的精度可靠地工作,满足实际应用。

引用

页码：72 / 77

页数：6

共 19 条

[1] 船牌识别系统中的变形校正方法研究
古辉
王益义
[J]. 现代电子技术, 2009, 32 (10) : 87 - 90
[2] 候选框算法在图像车辆检测中的应用研究[D]. 于兰兰.青岛大学 2018
[3] 基于深度学习的目标检测算法研究[D]. 李明攀.浙江大学 2018
[4] Chinese Character CAPTCHA Recognition and performance estimation via deep neural network[J] . Dazhen Lin,Fan Lin,Yanping Lv,Feipeng Cai,Donglin Cao. &nbspNeurocomputing . 2018
[5] Fast R-CNN. Girshick R. IEEE International Conference on Computer Vision . 2015
[6] SSD:Single shot MultiBox detector. LIU W,ANGUELOV D,ERHAN D,et al. Proceedings of the 14th European Conference . 2016
[7] You only look once:unified,real-time object detection. Redmon J,Divvala S,Girshick R,et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . 2016
[8] Rich feature hierarchies for accurate object detection and semantic segmentation. Girshick R,Donahue J,Darrell T, et al. Proceedings of the IEEE conference on computer vision and pattern recognition . 2014
[9] 港口管理的现状与创新改革新思路
金千汇
[J]. 科技经济导刊, 2018, (33) : 243 - 243
[10] 基于深度学习卷积神经网络图像识别技术的研究与应用
杨子贤
[J]. 中国设备工程, 2018, (23) : 146 - 149

← 1 2 →