论文部分内容阅读
随着技术的发展,通信、雷达、交通等领域对多场景、抗干扰、实时目标定位算法的需求越来越迫切,而神经网络技术近年来的发展使其成为了可能。本文主要研究了基于全连接网络的信源定位算法以及基于卷积神经网络的车牌定位算法。信源定位需要根据接收信号确定出信源所在方位,车牌定位则需要找出图片中车牌的位置并确定其大小。传统到达角估计算法和车牌定位算法存在诸如鲁棒性差、适用场景有限等问题。当传统算法面对的场景发生变化时,必须根据实际场景对算法做针对性处理。另外,当场景中的环境因素发生变化时,传统算法性能会受到严重影响,甚至可能失效。基于此,本文将神经网络引入到到达角估计和车牌定位这两个定位问题中,并取得了优异的效果。本文将神经网络引入到信源定位问题中,提出了基于神经网络的信源定位算法。实验结果显示,该算法成功解决了信源相干以及阵列存在位置误差情况下的信源定位问题。且该算法估计速度较之传统算法更快,可以实现实时估计。本文将神经网络引入到车牌定位问题中,提出了基于YOLOv3、SE-YOLOv3和L-YOLOv3的车牌定位算法。实验结果显示以上算法具有优异的定位速度和准确率,且对光照变化、拍摄角度变化、天气干扰、污渍遮挡等干扰因素具有强大的鲁棒性。本文在深入研究YOLOv3工作原理的基础上根据本文车牌定位任务的特点针对性地修改了YOLOv3的锚框和网络结构,成功将其应用到车牌定位任务中。而后本文在一个包含六种场景的测试集上对该算法进行了实验。实验结果显示,该算法的定位准确率远远超过传统算法。此外,实验结果显示该算法对环境因素具有强大的鲁棒性,可以在各种环境中实现车牌定位。针对基于YOLOv3的车牌定位算法的定位结果不够精确,和车牌实际位置间的误差略大的问题,本文在YOLOv3中引入了通道注意力机制,进而提出了SE-YOLOv3。实验结果表明SE-YOLOv3的定位结果较之YOLOv3更为精确。针对基于YOLOv3的车牌定位算法存在参数过多、权重文件过大、定位时间较长的问题,本文提出了L-YOLOv3。L-YOLOv3采用了新的特征提取网络和本文自行设计的新检测网络。此外,L-YOLOv3减小了模型输入尺度和检测特征图尺度。以上做法极大减少了L-YOLOv3的参数量和计算量并减小了模型权重文件,提升了算法的定位速度。此外,实验结果显示L-YOLOv3的定位结果较之YOLOv3更为精确。