基于YOLO的无约束场景中文车牌检测与识别

传统中文车牌识别方法对场景约束有要求,算法实时性差,且无法被部署在边缘设备上。针对上述问题,文中提出一种基于YOLO(You Only Look Once)的无约束场景中文车牌检测与识别方法。该方法分为车牌检测和车牌字符识别两个模块。在车牌检测部分,使用改进的YOLOv5模型,在预测目标候选区域的基础上多预测4组关键点用于车牌矫正,并使用在COCO数据集上训练的预训练模型进行训练,减少了由环境复杂引起的误检问题,具有高实时性。在车牌字符识别部分,改进了CRNN(Convolutional Recurrent Neural Network)模型,减少了算法的参数量和计算量,使其能成功部署于各类边缘设备。实验结果表明所提出的车牌识别方法能在复杂环境中高效检测并识别车牌。文中提出的车牌检测模型在车牌检测数据集上的map值相较Retina-face提升了3.0%,车牌字符识别模型在车牌识别数据集上精确度相比LPR-Net提升了4.2%。

基于深度学习的车牌图像识别数据可视化平台的设计与实现

随着汽车数量逐年上升,如何提高车辆管理水平成为难题,其中车牌识别成了智能交通领域中一项重要课题。设计了基于深度学习和图像识别技术开发车牌识别数据可视化系统,系统主要有图像识别、图像裁剪、记录查询和信息可视化等功能。先将上传的车辆图像进行识别从而得到车牌信息并将其输入系统,系统能有效地管理和查询所有输入的车牌数据,然后通过可视化界面直观展示系统中的车牌数据信息,经过测试,能有效识别车牌信息,提高车辆管理效率。

城市机动车识别综合应用系统的设计与实现

介绍了一种城市机动车识别综合应用系统.该系统综合利用图像处理、模式识别和网络通讯等技术实时采集车辆牌照,然后通过软件进行各种运算完成交通控制、管理和公安交警的综合业务.系统已投入运行,投资小、运行可靠、扩展性好,因此极具推广应用价值.

车牌识别系统中的超分辨率图像重建技术研究

针对车牌识别系统中图像模糊和分辨率低而影响车牌识别效果的问题,提出利用超分辨率重建来提高车牌图像分辨率的解决方法.建立了凸集投影(POCS)算法的数学模型,研究了凸集投影超分辨率重建的实现过程,并用仿真实验进行了验证.实验结果表明:采用凸集投影算法进行图像重建,可以提高车牌图像分辨率,丰富图像细节信息,能够有效提高车牌识别的准确率,并且迭代次数越多,图像重建效果越好.

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。

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。