【摘 要】
：
车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNetSSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割
【基金项目】
：
国家重点研发计划资助项目(2017YFB1002605),国家自然科学基金资助项目(61272304)。
论文部分内容阅读
车牌识别是构建智慧城市交通系统的重要技术,当前车牌识别系统对于单行车牌已经达到了较好的识别和应用效果,但无法满足对包含堆叠字符的车牌的识别需求。针对该问题,提出了一种基于深度学习且不依赖于字符分割的方法以识别含堆叠字符的车牌。首先对倾斜、扭曲的车牌进行投影矫正;然后使用MobileNetSSD算法检测定位车牌中的单排字符和堆叠字符;之后将堆叠字符送入基于CTC损失的堆叠字符识别网络,进行非字符分割的端到端识别。实验结果表明,该算法不仅对含堆叠字符的车牌具有较高的识别精度,同时对倾斜、扭曲等复杂环境下
其他文献
目的研究毛细血管再充盈时间(capillary refill time,CRT)联合序贯器官衰竭评分(sequential organ failure score,SOFA)对感染性休克患者预后的评估价值。方法选择2018年1月
如何在计算能力和存储能力有限的移动或嵌入式设备中部署神经网络是神经网络发展过程中必须面对的一个问题。为了压缩模型大小和减轻计算压力,提出了一种基于信息瓶颈理论的神经网络混合压缩方案。以信息瓶颈理论为基础,找到相邻神经网络层之间冗余信息,并以此为基础修剪冗余的神经元,然后对剩余的神经元进行三值量化,从而进一步减少模型存储所需内存。实验结果表明,在MNIST和CIFAR-10数据集上与同类算法对比,所
目的考察采用穴位注射法联合小承气汤剂治疗剖宫产术后腹胀的效果。方法选取2015年1月至2017年12月湖北省武汉市普仁医院剖宫产手术后腹胀者114例,按随机数字表法分为对照组
创建世界一流的出版企业是文化强国的使命任务,走出去也是世界一流出版企业的必由之路。本文从产品贸易、版权贸易、国际出版交流、国际合作出版、跨国经营、国际出版物网上
云控制系统是软件定义的云计算基础理论和方法在自动控制领域中的延伸和应用,然而其研究尚处于起步阶段,其概念内涵、体系架构、理论方法和关键技术还需进一步明确。通过对体系结构和构成要素的分析,归纳总结了云控制系统的典型特征;综合分析了云控制系统与相关技术的支撑关系;基于云控制系统的理论特点引申出五项关键技术,并对各关键技术的研究现状进行了详细阐述;最后提出了云控制系统未来发展所面临的问题与挑战。
针对现有的序列推荐算法仅利用短期顺序行为进行推荐,而没有充分考虑用户的长期偏好和项目之间更深层次的联系等问题,提出一种融合自注意力机制与长短期偏好的序列推荐模型(combines self-attention with long-term and short-term recommendation,CSALSR)。该模型首先建模用户和项目的潜在特征表示,将用户短期交互序列中的项目成对编码为三向张量
针对大数据下密度聚类算法中存在的数据划分不合理、参数寻优能力不佳、并行性能较低等问题,提出一种基于IFOA的并行密度聚类算法(density-based clustering algorithm by using improve fruit fly optimization based on MapReduce,MR-DBIFOA)。首先,该算法基于KD树,提出网格划分策略(divide gird
灰狼优化算法(grey wolf optimization,GWO)存在收敛的不合理性等缺陷,目前对GWO算法的收敛性改进方式较少,除此之外,当GWO迭代至后期,所有灰狼个体都逼近α狼、β狼、δ狼,导致算法陷入局部最优。针对以上问题,提出了一种增强型的灰狼优化算法(disturbance and somersault foraging-grey wolf optimization,DSF-GWO)
针对当前市场燃油汽车与新能源汽车并存现状,为探究竞争态势下新能源汽车长期扩散情况,首先,对影响顾客采纳率的关键变量进行归纳、整合,并基于种间竞争机制和顾客感知效用构建新能源汽车长期扩散的系统动力学模型;其次,在模型中考虑顾客模糊感知对新能源汽车扩散的影响,使用模糊控制系统处理新能源汽车采纳率;最后,根据当前市场数据,在Vensim PLE环境下对所建模型进行仿真研究。结果显示:顾客模糊感知情境下,
针对现有基于K-means的半监督聚类算法存在的共同问题,即对离群点敏感、在非凸数据集与不平衡数据集上表现差,提出了一种基于层次策略的散布种子半监督中心聚类算法。首先通过基于影响空间的样本边缘因子将数据集分为核心层与边缘层,然后应用一种改进的K-medoids算法完成核心层聚类,最后采用一种递进半监督分配策略对边缘层进行分配得到最终聚类结果。算法通过层次策略解决了离群点干扰问题、半监督子簇聚类及合