基于改进YOLOv5m的电动车骑行者头盔与车牌检测方法

电动车上路必须佩戴安全头盔已成为交管部门的强制性规定.为了能自动检测出电动车骑行者的头盔佩戴情况,提出一种基于改进的YOLOv5m模型的头盔与车牌检测方法,在检测出骑行者未佩戴头盔的同时还能检测出电动车车牌.模型使用自建电动车骑行者头盔与车牌检测数据集进行训练,用DIOU损失函数代替GIOU损失函数,DIOU_NMS代替加权NMS,增强模型对密集骑行场景的识别能力.在Backone部位与预测中小目标的Neck部位加入ECA注意力机制,使得模型对中小目标的识别率有所提高;用K-means算法对锚框尺寸重新进行聚类.最后,改进Mosaic数据增强方式.实验结果表明:改进的YOLOv5m电动车骑行者头盔与车牌检测模型的mAP为92.7%,较原YOLOv5m模型提高2.15个百分点,较YOLOv4-tiny、Faster RCNN模型分别提高5.7个百分点与6.9个百分点.改进后的YOLOv5m模型能有效提高对头盔与车牌的识别率.

低能见度下GYOLOv5-SPD算法的车牌检测

车牌自动检测技术是构建智慧城市、加强交通管理等方面的重要内容。目前车牌检测技术正在逐步完善,但对于光照条件过低、雨天、雪天等能见度极低的气候环境下所拍摄的车牌照片,车牌检测技术还处于一个相对落后的水平。本文在中国城市停车数据集(CCPD)中能见度极低的车牌图像的基础上利用添加了伽玛(Gamma)变换的你只需看一次(YOLO)v5s模型与空间到深度层及无步长卷积层(SPD-Conv)进行融合用于车牌检测,将低能见度条件下的车牌视为小物体进行检测,目的是最大限度地识别其特征以提高精度。实验结果表明,本文用到的方法在车牌定位检测阶段达到了99.68%的召回率,在低能见度条件下对车牌的定位检测相较其他算法确实有一定的优势。

基于深度学习的轻量化车牌检测算法研究

针对现有车牌检测算法存在的模型参数量过大、实时性差和检测效果不佳等问题,提出一种基于深度学习的轻量化车牌检测网络(Lightweight License Plate Detection Networks,LW-LPDNet)模型。该模型以PP-LCNet作为骨干网络,大幅减少模型参数量,同时融入压缩-激励网络(Squeeze and Excitation Networks,SE-Net)注意力模块,增加车牌信息的通道权重。最后,引入SimSPPF和GSConv,对多尺度特征进行融合,增大感受野,进一步提高检测准确率。通过对模型进行训练和测试,LW-LPDNet在中国城市停车数据集(Chinese City Parking Dataset,CCPD)上获得98.9%的平均精确率,优于其他车牌检测方法,且模型参数量仅有0.13 MB,检测速度达到243 f·s^(-1),具备较高的实时性。

基于Haar与MB-LBP特征的车牌检测算法

针对传统AdaBoost算法中训练耗时及权值扭曲现象,提出了一种融合Haar和MB-LBP特征的车牌检测算法.首先,分别计算使得分类误差最小的Haar与MB-LBP特征,经比较2种特征的误差,选择最优的特征构成弱分类器,并利用AdaBoost算法将各弱分类器进行有效的级联;其次加入了权重阈值,调整了样本权值的更新规则,避免了训练过程中权值扭曲现象.该算法用于检测图像中的数字0～9,利用非最大抑制合并检测到的数字区域,通过车牌的灰度跳变特征过滤候选区域,更精确地定位车牌.实验表明,该方法有效地缩短了训练时间、减少了特征的个数、避免了训练中出现的权值扭曲现象、检测率较高且误检率较低.

一种基于彩色图像分割的车牌检测方法

提出一种彩色图像车牌检测方法,主要包括三个步骤,首先对车牌图像执行多尺度区域生长分割,然后在分割结果中进行车牌区域的粗定位,最后对粗定位提取的车牌区域作精确定位分析。区域生长分割方法可以产生封闭的区域,容易提取其形状信息,而长矩形是车牌目标一个显著特征,因此可以通过形状信息检测车牌。在图像分割中,采取多尺度的分割方法,生成多个不同细节程度的分割结果。在每个分割图像中搜索具有车牌外形特征的图像区域,初步检测出候选车牌目标。根据车牌字符的大小和笔画特征,对候选车牌区域进行精确判别分析,得到最终的车牌检测结果。实验部分验证了车牌检测的有效性。

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。

一种改进AdaBoost算法的车牌检测方法

针对传统AdaBoost算法的不足,分析了分类器训练耗时和训练过程中容易出现样本权重扭曲的问题,并提出了解决这一问题的有效方法。新方法主要对特征值和排序结果进行缓存以及对样本权重的更新规则进行适当调整。实验结果表明,使用该方法训练级联车牌检测器能较好地解决传统AdaBoost算法中所出现的权重扭曲及训练时间长的问题,在提高检测率的同时训练时间缩短了50%左右。

基于多类别特征信息融合的车牌检测

自然场景下复杂多变的影响因素给车牌检测带来困难,为检测并定位自然场景下移动车辆的车牌区域,通过分析信息融合和多类特征提取的特点,提出基于多类别特征信息融合的车牌检测方法。该算法在两种不同场景数据集上的测试效果验证了信息融合和多类特征提取能显著提高车牌检测的检测率和场景鲁棒性。

基于最近邻链的车牌检测算法

根据车牌字符的几何特征和空间排列规则,提出了一种基于最近邻链的自适应车牌检测算法,首先,采用自适应阈值分割算法消除光照变化的影响,并采用连通体分析方法消除部分干扰目标;其次,根据车牌字符连通体的区域特征,将宽度和高度都相近的连通体构造为最近邻连通体对,并将最近邻对连接为最近邻链,从而检测出所有可能的车牌区域;最后,利用两组不同长度的方波模板分别对车牌的水平和竖直投影进行匹配,它能够验证候选车牌区域的有效性,并求解所有车牌字符的最佳切分位置实验表明,该算法能够自适应地处理光照不均匀、尺度变化、透视失真、背景干扰以及质量退化等因素的影响,可以有效地检测出复杂背景中的车牌区域.

基于HSV和MB_LBP特征的级联Adaboost车牌检测算法

车牌检测作为车牌识别系统中的重要环节,直接影响着车牌识别的准确度.为提高车牌的检测率和检测速度,提出了一种基于HSV颜色模型和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法.首先将车牌图像由RGB颜色空间转换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次对车牌字符样本提取MB_LBP特征,利用Adaboost分类器训练方法进行特征选择及分类器训练,最后利用Cascade结构检测法形成一种新的车牌检测算法.实验表明,本文算法有效的提高了车牌检测率和检测速度.

车牌检测级联分类器快速训练算法

针对传统AdaBoost算法的不足,分析了训练过程中出现过训练及分类器退化的问题,并提出了解决这一问题的有效新方法。新方法主要对样本及时更新和样本权重的更新规则进行了调整。使用该方法训练级联车牌检测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练及退化问题,在保证检测率的同时降低了误检率,并且训练时间缩短了50%左右。

雨天条件下基于总变差和频域处理的车牌检测

在恶劣的雨天环境中,随机分布了大量快速运动的雨滴,造成目标物体与背景光线的反射和折射,使得图像对比度降低、成像模糊、细节信息丢失,从而降低成像系统获取的汽车图像质量,影响了车牌检测的效果。针对该问题,提出了一种基于相对总变差模型和频域处理的车牌检测方法。首先,基于相对总变差模型分解图像,可以得到包含雨线的纹理图;然后,将纹理图作离散傅里叶变换后,在频域内有效地对雨线进行分析和滤除,对去除雨线后的纹理图与结构图重构得到去雨后的汽车图像;最后,采用基于局部统计滤波的方法对去除雨线后的图像进行车牌检测。试验结果表明,该方法可以有效地检测出雨天条件下的车牌,并且车牌检测准确率高、耗时短,具有实际工程应用意义。

自适应不同条件的车牌检测算法

针对不同条件下车牌检测速度慢和检测精度低的问题,提出了一种改进自适应形态闭和开操作的车牌检测算法。该算法首先采用局部直方图对车牌图像均衡化处理,使用自适应形态闭操作对所有灰度化区域进行平滑处理,之后引入局部自适应阈值处理,能得到平滑图像和被分离的车牌,最后采用形态学开操作,将外部区域和车牌数连接部分分离。实验结果表明,所提方法的检测精度高于其他算法,同时,平均检测时间少于其他算法,适合不同条件下实时车牌检测。

基于Adaboost cascade的车牌检测技术

研究基于Adaboost cascade算法的车牌检测技术,针对收费站车辆照片,选用局部矩形特征,利用cascade算法得到了98%的识别率,误识对象一般都集中在真实目标附近,从而验证了方法的可行性.

基于MobileNet-SSD和Bi-GRU的车牌检测识别系统设计与实现

针对传统车牌检测和车牌号码识别任务存在的不足,提出了一种基于MobileNet-SSD和Bi-GRU的车牌检测与车牌号码识别方案,并基于Keras深度学习框架和OpenCV库实现了车牌检测识别系统.首先利用轻量化神经网络MobileNet-SSD对输入图像中的车牌进行检测定位,然后剪裁包含车牌的图像区域并输入Bi-GRU字符识别网络,完成对车牌号码的识别.实验结果表明,所设计的方案具有较高的检测准确率、识别速度和可靠性.

一种应用于车牌检测的改进暗原色去雾算法

针对暗原色先验方法不适用于白色和高亮区域的问题,提出一种改进的暗原色去雾算法,使还原图像在车牌检测时的表现更好。首先从大气中雾构成的角度出发,变型化简大气散射模型,得到去雾物理模型。然后利用暗原色先验方法求得透射率,并对原方法中会失真的高亮区域进行透射率修正。最后利用去雾模型还原图像。实验证明,改进的算法去雾效果更好,而且能够改善原暗原色算法中的失真情况,提高车牌检测的准确性。

基于adaboost算法的车牌检测

车牌识别技术(LPR)是智能交通(ITS)领域的重要研究课题之一。车牌的自动识别分为车牌检测、字符分割、字符识别三个主要部分。车牌检测是LPR中的关键技术。车牌图像由于受到噪声、车牌倾斜、光照不均、运动模糊等的影响,检测存在着很大的困难。因此,在总结前人检测算法的优点和缺点的基础上,提出了基于adaboost算法的检测算法,其优点是检测率高,检测时间少,适应性特别强。

基于颜色融合和匹配滤波器的车牌检测

提出了一种基于颜色融合和匹配滤波器的车牌检测算法。经实验验证,该算法取得了良好的效果。

基于Faster RCNN的车牌检测算法

针对传统的识别车牌方法易受环境影响产生误差、不易检测较小尺度目标等问题,根据车牌特点提出了一种改进的Faster RCNN车牌检测方法。优化了候选框建议网络RPN中的候选框尺寸,改进了算法的分类回归方式,使用全局性的池化层替代了原有的全连接层。在汽车牌照数据集VOC19中测试,实验结果表明,最终检测平均精确度mAP达到了88.4%,在复杂环境下其检测精度与检测速率相较于Faster RCNN均有提高,最终达到了精确检测车牌的目的。

基于可变形部件模型的车牌检测

针对传统的利用车牌先验信息后检测的方法受背景、分辨率、光照和车辆姿态影响较大的问题,提出了一种基于可变形部件模型的车牌检测方法。该方法首先提取车牌样本的HOG特征,分别获取根滤波器模型和部件滤波器模型,融合后得到最终的检测模型;然后计算待检测图像的HOG特征,用检测模型分别计算根滤波器的得分和部件部件滤波器的得分;最后将根滤波器的得分与进行距离变换之后的部件滤波器的得分相加,根据相加后的结果确定车牌的真实位置。实验结果表明,该方法能够准确检测出车牌位置,能应用于各种复杂背景、低分辨率、恶劣光照和任意车辆姿态的环境中,具有一定的实用价值。