基于机器视觉的道路行驶车辆识别检测技术研究开题报告

1. 研究目的与意义

随着经济社会的迅猛发展，人们的生活水平的提高，机动车辆的数量也越来越多。为了提高车辆的管理效率，缓解公路上的交通压力，我们必须找到一种解决。而作为汽车“身份证”的汽车车牌，是在公众场合能够唯一确定汽车身份的凭证。我们可以以此为依据，研究一种车牌、车速以及车辆类型识别系统。为此，我国交通管理部门对汽车车牌的管理非常重视并制定了一套严格的管理法规。其中对汽车车牌的制作、安装、维护都要求由制定部门统一进行管理。在此基础上，如果研制出一种能在公众场合迅速准确地对汽车牌照进行自动定位识别的系统(CPR)，那么这将是一件非常有意义的工作，并将极大地提高汽车的安全管理水平及管理效率。

车辆牌照定位、车速识别、车辆类型识别是计算机机器视觉与模式识别技术在智能交通领域应用的重要研究课题之一, 该技术应用范围非常广泛, 其中包括: (1) 交通流量检测； (2)交通控制与诱导；(3) 机场、港口等出入口车辆管理；(4) 小区车辆管理；(5) 闯红灯等违章车辆监控；(6) 不停车自动收费；(7) 道口检查站车辆监控；(8) 公共停车场安全防盗管理；(9) 计算出行时间；(10) 车辆安全防盗、查堵指定车辆等。其潜在市场应用价值极大，有能力产生巨大的社会效益和经济效益。

2. 课题关键问题和重难点

1、车牌识别的难点在于汽车牌照组成比较复杂，汉字 字母 数据混合，不只有英文字母和阿拉伯数字，还有汉字，识别难度比较大；颜色种类多，车牌格式多。我国车牌颜色大致有四种：黄底黑字、蓝底白字、白底黑字、黑底白字；车牌格式包括民用车牌、武警车牌、军车车牌、外交车牌、特种车牌、消防车牌等等。

2、车速识别的难点是由于视频数据和算法的限制，所以对车速的检测精度仍然较低；由于如果监控设备位置发生变化，或者由光线引起的其他变化，现有的算法，对该种变化的适应性较低。

3、车辆类型识别的难带是自然环境中存在背景多变、地物遮挡、阴影等干扰；图像品质易受光照变化、阴天、雾霾等天气因素干扰；车辆型号多、外形复杂，拍摄角度和高度不同导致车辆出现一定的形变和尺度变化。

3. 国内外研究现状（文献综述）

基于深度学习的目标检测算法主要分为Two-Stage检测算法和One-Stage检测算法两种，Two-Stage检测算法也被称为基于候选区域的目标检测算法，其将目标检测过程分解为候选区域提取、候选区域分类和候选区域坐标修正三个步骤。One-Stage检测算法也被称为基于回归分析的目标检测算法，其将目标检测问题视为对目标位置和类别信息的回归分析问题，通过一个神经网络模型可直接输出检测结果以R-CNN系列为代表的Two-Stage算法；以SSD、YOLO为代表的One-Stage算法。两种流派各有优势，通常来说，前者精度更高，后者速度更快[2]。

机器学习研究如何使计算机系统利用经验改善性能。它是人工智能领域的分支，也是实现人工智

4. 研究方案

一、必要的环境依赖

1.1 环境的安装

1) NVIDIA驱动安装与更新(首先目前来讲，深度学习优先使用NVIDIA的显卡，AMD其次。因为下面大部分代码都是用CUDA来加速的，而且使用到了NVIDIA的cudnn技术）。

5. 工作计划