基于改进YOLOv4的轻量化车牌检测算法

针对现有的车牌检测算法在复杂环境下检测效果不佳的问题,提出一种基于深度学习的GEG-YOLOv4轻量化车牌检测模型。该模型以YOLOv4为基础框架,采用轻量级网络GhostNet作为主干网络,大幅减少了模型参数量,并融入能够避免降维且能有效捕获跨通道交互信息的ECA注意力模块,增加车牌信息的通道权重,减小复杂环境背景对车牌信息的干扰。最后,在深层网络中使用Ghost模块来代替部分普通卷积,在进一步降低模型参数量的同时更好地保留了特征图的冗余信息。在大型车牌数据集CCPD上的实验结果表明,GEG-YOLOv4模型的参数量比YOLOv4减少了约88%,AP值增加了0.09%,速度提高了约55%。相较于其他方法,该方法对于复杂环境下的车牌数据具有更好的检测性能,可以满足实际应用场景的需要。