开放场景中的高精度车牌识别算法

目前,限制条件下的车牌识别算法比较成熟,广泛应用于各种车牌识别系统。由于拍摄角度差异较大、车辆运动模糊等因素的影响,中文车牌识别仍具有较大的挑战性。针对上述问题,该文放弃单一的端到端深度学习的车牌识别方法,提出了一种检测、分类一体化的逐级车牌识别算法,采用逐级对象检测策略与字符分类相结合预测车牌的字符结果。在此基础上,提出一种多锚点字符位置回归算法,进一步精确回归所有车牌字符的局部区域位置信息。同时为了满足字符检测和字符分类的需求,解决现有车牌数据集类别不均衡的问题,该文贡献了一系列配套的车牌数据集。充分实验表明,该方法在不同数据集上都能达到目前的先进水平,并在公开数据集CCPD上准确率达到了99%,在开放场景中具备高精度和高鲁棒性。

基于历史车牌识别数据的套牌车并行检测方法

针对现有套牌车检测方法中所具有的成本高及检测效率低等缺点,提出一种基于历史车牌识别数据(ANPR)集的套牌车并行检测方法 TP-Finder,实现了基于整数划分的数据分块策略,能有效求解大规模数据并行处理时的数据倾斜问题,显著提升套牌车辆的发现性能。此外,实现了基于TP-Finder方法的套牌车辆查询系统,可准确呈现所有疑似套牌车辆的历史行车轨迹。最后,在某市真实交通数据集上对TP-Finder方法的性能进行了实验验证。实验结果表明,与缺省的MapReduce分块策略相比较,TP-Finder的分块策略能够带来最大20%的性能提升。

改进注意力机制实现车牌图像清晰化

为避免低分辨率模糊图像对识别车牌的影响,提出基于残差网络的空间和通道双重注意力网络(RSCAN)来恢复模糊车牌图像。RSCAN在Residual Channel Attention(RCAN)网络基础上添加空间注意力机制来捕获更多空间信息,引入新的通道注意力机制加强采集图片通道信息能力,以及改进损失函数,加入梯度损失函数改善重建车牌图片的视觉效果,通过自制的车牌数据集来训练和测试网络。使用测试车牌图片将RSCAN网络与常规处理图片、EDSR(Super-resolution)网络、RCAN网络进行对比实验,通过峰值信噪比(PSNR)和结构相似性(SSIM)进行模型评估,分别为31.284/0.862。验证结果表明,设计的RSCAN网络处理车牌图像和其他方法相比取得很好的效果。

基于字符区域感知的端到端车牌识别方法

随着智能交通领域车牌应用需求的升级,自然场景下的车牌识别依然面临挑战。针对多变的自然光照以及多样的拍摄角度导致的车牌识别精度与实时性无法兼顾的问题,提出了一种基于字符区域感知的端到端车牌识别算法。通过引入字符区域感知网络直接在图像中定位字符,无需车牌检测即可直接对字符进行识别,有效优化了车牌识别流程。使用ResNet18作为主干网络,结合FPEM和FFM组合成的低计算分割头弥补轻量级网络的缺陷,在不降低算法精度的前提下使其具有良好的实时性。构造车牌内容相关人造数据集对字符感知网络进行预训练,进一步提升字符感知能力和算法精度。在CCPD数据集上的实验结果表明,与现有车牌识别方法相比,所提出的算法在推理速度保持6帧/秒的情况下平均准确率可达46%,比现有的基线模型超出约3%。

基于小波域的深度增强车牌图像去雾算法设计

为解决雾天拍摄的车牌图像边缘模糊、色彩失真的问题,提出了端到端的基于小波域的深度增强车牌雾图去雾算法。先根据大气散射模型构建了雾天车牌图像数据集,之后利用小波变换将车牌雾图从空间域转换成小波域分量图像,最后将处理后的小波域分量图像进行逆小波变换,重构出的干净车牌图像。去雾网络以U-Net的编解码结构为主体框架,通过多个残差组从训练集中提取特征,并在解码器中引入“SOS”深度增强策略对编码器和下层输入的特征进行融合和细化,用以提高去雾车牌图像的峰值信噪比。实验表明,上述网络在结构相似度和峰值信噪比上具有明显优势,在处理合成车牌雾图和实际拍摄的车牌雾图上,去雾效果表现良好。