基于空间转换网络的端到端车牌检测与识别

在复杂场景中,许多现有的车牌检测和识别方面的研究方法存在数据集单一且有限、算法复杂等问题。因此提出了一个端到端的统一网络:残差-空间变换-连接时序分类融合的车辆号牌检测识别网络(LPDR-RSCNet)。该网络结合残差神经网络、空间变压器网络和连接主义者时间分类,联合训练检测和识别模块,以减少中间错误积累。通过在残差神经网络提取特征过程中引入空间变换网络,使特征提取器具有平移不变性、旋转不变性和缩放不变性;在分类器引入连接时序分类,可以自动识别图片标签和特征之间的关系。同时,还可以适应可变长度序列的识别。在中国城市停车场数据集(CCPD)上进行了比较实验,CCPD是一个大规模、多样的中文车牌数据集。实验证明LPDR-RSCNet模型在实际应用中可实现98.8%的识别精度和34 fps的速度,并且相较于YOLO9000、Faster-RCNN、SSD300,具有更好的检测准确度,可满足智能交通系统中对移动车辆实时车牌检测和识别的要求。