一种基于GMP-LeNet网络的车牌识别方法
车牌识别技术是智能交通管理系统的核心,对它的研究与开发具有重要的商业前景.传统的车牌字符识别方法存在特征提取复杂的问题,而卷积神经网络作为一种高效识别算法,对处理二维车牌图像具有独特的优越性.针对传统卷积神经网络 LeNet-5 识别车牌图像时,存在训练数据较少、全连接层参数冗余以及网络严重过拟合等一系列的问题,设计了一种全局中间值池化(GMP-LeNet)网络,其使用卷积层代替全连接层,利用 Network In Network网络中的 1?1 卷积核进行通道降维,全局均值池化层直接将降维后的特征图馈送到输出层.实验证明,GMP-LeNet网络能有效抑制过拟合现象,并具有较快的识别速度和较高的鲁棒性,车牌识别率达到了 9 8.5%.
车牌识别、卷积神经网络、LeNet-5、过拟合、池化
45
TP181(自动化基础理论)
2018-08-15(万方平台首次上网日期,不代表论文的发表时间)
共4页
183-186