基于Matlab的LeNet-5车牌字符识别系统实现

一、网络结构改进方案

1. 输入层调整

   • 输入尺寸：将LeNet-5原始输入尺寸（32×32）调整为车牌字符标准尺寸（28×28或48×48）
   • 通道扩展：增加颜色通道（RGB→灰度需归一化，或保留RGB通道）

2. 卷积层优化

   layers = [
       imageInputLayer([28 28 1]) % 输入层
       convolution2dLayer(5, 6, 'Padding', 'same') % C1层（6个5×5卷积核）
       reluLayer
       maxPooling2dLayer(2, 'Stride', 2) % S2层（2×2最大池化）
       
       convolution2dLayer(5, 16, 'Padding', 'valid') % C3层（16个5×5卷积核）
       reluLayer
       maxPooling2dLayer(2, 'Stride', 2) % S4层（2×2最大池化）
       
       convolution2dLayer(5, 32, 'Padding', 'valid') % 新增C5层（32个5×5卷积核）
       reluLayer
       maxPooling2dLayer(2, 'Stride', 2) % 新增S5层
       
       fullyConnectedLayer(128) % 全连接层
       reluLayer
       dropoutLayer(0.5) % 防止过拟合
       fullyConnectedLayer(76) % 输出层（76类：数字+字母+省份简称）
       softmaxLayer
       classificationLayer];
   

3. 关键参数修改

   • 卷积核数量：C3层从16→32，提升特征表达能力
   • 池化策略：采用重叠池化（Stride=1）保留更多细节
   • 激活函数：ReLU替代Sigmoid，缓解梯度消失

---

二、数据预处理流程

1. 车牌字符数据集构建

   • 数据来源： 合成数据：使用MATLAB生成车牌模板（参考的合成代码） 真实数据：采集交通监控视频帧（需标注字符位置）

   • 类别分布：

     classes = {'0','1','2','3','4','5','6','7','8','9',...
                'A','B','C','D','E','F','G','H','J','K','L','M',...
                'N','P','Q','R','S','T','U','V','W','X','Y','Z',...
                '京','沪','粤','苏','浙','皖','闽','赣','鲁','豫'};
     

2. 图像增强技术

   • 几何变换：随机旋转±10°，平移±5像素
   • 光照模拟：添加高斯噪声（σ=0.05）和椒盐噪声（密度=0.01）
   • 对比度调整：直方图均衡化（histeq函数）

3. 数据划分策略

   % 假设总样本10000张
   cv = cvpartition(size(data,4),'HoldOut',0.2);
   trainData = data(:,:,:,cv.training);
   testData = data(:,:,:,cv.test);
   

---

三、训练优化

1. 迁移学习应用

   • 使用预训练的AlexNet提取特征：

     net = alexnet;
     featureLayer = 'fc7';
     inputSize = net.Layers(1).InputSize;
     

2. 优化器配置

   参数	LeNet-5默认值	改进值
   学习率	0.01	0.001
   动量因子	0.9	0.99
   批量大小	64	128
   最大迭代次数	100	500

3. 正则化方法

   • Dropout：在全连接层后添加（概率0.3）
   • 早停机制：验证集损失连续5轮不降则终止训练

参考代码 基于matlab版lenet5,改成识别车牌字符 www.youwenfan.com/contentcnh/54755.html

四、Matlab实现代码框架

%% 数据加载与预处理
data = load('license_plate_dataset.mat'); % 包含训练/测试集
[XTrain, YTrain] = preprocess_data(data.train);
[XTest, YTest] = preprocess_data(data.test);

%% 模型构建
layers = create_lenet5_modified(); % 自定义网络结构
options = trainingOptions('adam',...
    'MaxEpochs', 300,...
    'MiniBatchSize', 128,...
    'InitialLearnRate', 0.001,...
    'Shuffle', 'every-epoch',...
    'Verbose', false,...
    'Plots', 'training-progress');

%% 模型训练
net = trainNetwork(XTrain, YTrain, layers, options);

%% 性能评估
YPred = classify(net, XTest);
accuracy = mean(YPred == YTest);
confMat = confusionmat(YTest, YPred);

%% 可视化结果
figure;
plotconfusion(YTest, YPred);
title('Confusion Matrix');

%% 保存模型
save('lenet5_license_plate.mat', 'net');

---

五、扩展应用场景

1. 新能源车牌识别
   • 适配新能源车牌的渐变底色和汉字+字母+数字混合布局
2. 跨境车牌识别
   • 支持港澳、台湾地区特殊车牌格式
3. 历史车牌识别
   • 构建跨年代车牌数据集（1990-2025）