基于级联CNNs的非约束车牌精确定位

为解决单一深层卷积神经网络用于非约束场景下车牌定位时,所输出的矩形检测框对非正面车牌定位效果不佳的问题,提出将目标检测与目标分类CNN网络级联,通过检测网络得到感兴趣区域,接着利用轻量级分类网络,将车牌顶点检测问题转化为回归问题。首先,利用YOLOv3网络进行粗定位,获取图像中所有车牌的候选区域;然后,使用基于MobileNetV3改进的轻量级神经网络定位候选区域中的车牌顶点,实现车牌区域精定位;最后,通过透视变换将车牌区域投影到矩形框内实现车牌校正。实验结果表明,所提出的级联CNNs能够有效解决单一CNN目标检测网络仅能输出矩形检测框,而不适用于非约束车牌定位的问题,具有较好的应用价值。     

U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法

由于眼底血管结构复杂多变,且图像中血管与背景对比度低,眼底血管分割存在巨大困难,尤其是微小型血管难以分割。基于深层全卷积神经网络的U-Net能够有效提取血管图像全局及局部信息,但由于其输出为灰度图像,并采用硬阈值实现二值化,这会导致血管区域丢失、血管过细等问题。针对这些问题,提出一种结合U-Net与脉冲耦合神经网络（PCNN）各自优势的眼底血管分割方法。首先使用迭代式U-Net模型凸显血管,即将U-Net模型初次提取的特征与原图融合的结果再次输入改进的U-Net模型进行血管增强;然后,将U-Net输出结果视为灰度图像,利用自适应阈值PCNN对其进行精准血管分割;在U-Net模型中引入Batch Normalization和Dropout,提高训练速度,有效缓解过拟合问题。实验结果表明,所提方法的AUC在DRVIE、STARE和CHASE_DB1数据集上分别为0.979 6,0.980 9和0.982 7。该方法可以提取更多的血管细节,且具有较强的泛化能力和良好的应用前景。     

YOLOv3与顶点偏移估计相结合的车牌定位

深层卷积神经网络(deep convolutional neural networks, DCNN)因其能够自动学习图像有效特征,被广泛应用于视觉目标检测.为克服DCNN目标检测算法大多因采用矩形检测框,而无法有效地应对非约束环境下倾斜性车牌的准确定位问题.提出一种可同时输出矩形目标检测框与关键点的车牌定位解决方案,并具体以YOLOv3所用网络为对象,通过扩展其输出维度,增设车牌顶点相对于矩形检测输出框角点的偏移量损失,在保留其高效计算性能的前提下,训练使其可同时输出矩形检测框及车牌顶点,实现精准定位.在广泛使用的大型非约束性车牌数据集CCPD上的实验结果显示,所提算法不仅可以准确检测车牌顶点,而且能够在Base,Tilt和Weather子集上取得99%以上的定位精度.该方法还可扩展至其他需同时输出目标检测框及关键点的应用领域,具有较好的应用价值.