结合GAN的轻量级模糊车牌识别算法

目的模糊车牌识别是车牌识别领域的难题,针对模糊车牌图像收集困难、车牌识别算法模型太大、不适用于移动或嵌入式设备等不足,本文提出了一种轻量级的模糊车牌识别方法,使用深度卷积生成对抗网络生成模糊车牌图像,用于解决现实场景中模糊车牌难以收集的问题,在提升算法识别准确性的同时提升了部署泛化能力。方法该算法主要包含两部分,即基于优化卷积生成对抗网络的模糊车牌图像生成和基于深度可分离卷积网络与双向长短时记忆(long short-term memory,LSTM)的轻量级车牌识别。首先,使用Wasserstein距离优化卷积生成对抗网络的损失函数,提高生成车牌图像的多样性和稳定性;其次,在卷积循环神经网络的基础上,结合深度可分离卷积设计了一个轻量级的车牌识别模型,深度可分离卷积网络在减少识别算法计算量的同时,能对训练样本进行有效的特征学习,将特征图转换为特征序列后输入到双向LSTM网络中,进行序列学习与标注。结果实验表明,增加生成对抗网络生成的车牌图像,能有效提高本文算法、传统车牌识别和基于深度学习的车牌识别方法的识别率,为进一步提高各类算法的识别率提供了一种可行方案。结合深度可分离卷积的轻量级车牌识别模型,识别率与基于标准循环卷积神经网络(convolutional recurrent neural network,CRNN)的车牌识别方法经本文生成图像提高后的识别率相当,但在模型的大小和识别速度上都优于标准的CRNN模型,本文算法的模型大小为45 MB,识别速度为12.5帧/s,标准CRNN模型大小是82 MB,识别速度只有7帧/s。结论使用生成对抗网络生成图像,可有效解决模糊车牌图像样本不足的问题;结合深度可分离卷积的轻量级车牌识别模型,具有良好的识别准确性和较好的部署泛化能力。

基于卷积神经网络的模糊车牌字符识别

基于TensorFlow深度学习框架构建卷积神经网络对模糊车牌字符进行自动识别输出。在Window10系统,利用Anaconda配置TensorFlow-Gpu算法环境,在Pycharm中进行网络的搭建,将经典的卷积神经网络Lenet-5进行结构改进和参数调整,并将第一和第二个卷积层的特征图进行通道融合后增加第三个卷积层。训练时将车牌汉字、字母、数字的图像数据随机打乱并分成训练集和验证集,然后分别对训练集中的汉字、字母、数字进行训练,训练次数达到5000次时,训练结束并保存最后一次的训练参数。所构建的卷积神经网络在不同的车牌数据集合上经过测试,其在验证集(测试集)上的识别率均可达99%以上。另外,选取实际案例中的模糊车牌实例10个进行测试,其识别结果均正确无误。基于卷积神经网络的方法可以应用到司法鉴定实务中的模糊车牌自动识别输出。

公路车辆智能监控系统专题讲座（第一讲）——公路车辆智能监控系统的主要用途与基本构成

“公路车辆智能监控系统”是多学科的综合。主要集成光电、计算机、车辆检测、视频和图像处理、互联网等技术，实时采集经过监控区域的每一辆机动车辆的动态信息，对车辆图像进行存储和处理，自动识别通行车辆的车牌号码，并提供各种报警服务，为路面车辆管理提供信息和证据。下面就公路车辆智能监控系统的主要用途与基本构成作一介绍。