基于YOLOv5和LPRnet的车辆精细化识别研究

随着中国汽车数量的增加,市场上大规模车辆管理的复杂性也在增加。在采矿、建材运输等相对复杂的环境中,车辆的精细化管理变得更加困难,车牌识别技术在车辆管理中发挥着重要作用。传统车牌识别算法主要基于以下三个步骤:利用像素信息确定车牌的位置,将车牌标记从位置中分离出来,在定位的基础上进一步识别单个字符;这种方法可以处理生活中相对简单的车牌识别场景,但针对复杂的场景如矿山车辆、大部分车牌被灰尘覆盖、车牌变形等,传统车牌识别算法很难表现出很强的鲁棒性,并且经常识别错误。与传统的车牌检测方法相比,文章基于YOLOv5和LPRnet识别方法,利用几何校正原理改进算法,对车辆外观和车牌进行识别,实验结果充分体现了基于YOLOv5和LPRnet识别方法在复杂环境中精细化识别车辆的优势,车牌的综合识别率提高至95%。     

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。     

基于SVM和BP神经网络的车牌识别系统

针对车牌识别系统的车牌精确定位和车牌字符准确识别问题。提出一种基于SVM(支持向量机)和BP神经网络的车牌定位与识别算法。通过将HSV颜色空间和形态学方法相结合确定候选轮廓,以判断轮廓外接矩形的面积和长宽比筛选符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行测试判断,最终精确定位车牌的位置。此外,还可使用了BP神经网络进行车牌字符识别。经验证,该系统适用于复杂的车牌定位环境,且识别速度快,准确率高。     

基于卷积神经网络的复杂光照变化车牌图像识别

为解决车牌图像识别因复杂光照变化,导致车牌图像识别质量差的问题,提出基于卷积神经网络的复杂光照变化车牌图像识别方法。先采用复杂光照变化下车牌图像核心目标增强方法,对车牌图像核心目标进行有效聚类增强;再将复杂光照变化下核心目标增强后的车牌图像,作为基于深度可分离卷积网络的车牌图像识别方法的输入样本,导进卷积神经网络中,获取车牌图像特征图,然后将其变换为特征序列,通过双向循环神经网络,学习与预测车牌图像特征序列,实现对复杂光照变化下车牌图像的识别。实验结果表明,所提方法的识别精度高达0.99,比同类方法的识别精度高;在车牌图像数量逐渐增多时,该方法识别耗时仍低于2 s,识别效率显著。     

雾霾环境下基于PLATE-YOLO的车牌检测方法

针对目前车牌识别领域中，雾霾环境下车牌检测准确率低的问题，本文提出一种基于深度学习的抗雾霾车牌检测方法，该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理，然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点，对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一，提出了一种基于层次聚类算法的锚盒(anchor box)个数和初始簇中心的计算方法；第二，针对车牌目标较大的特点，对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测，且提高了检测速度。实验证明，PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS；在雾霾环境下，经去雾预处理的 PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。      

差分进化算法和神经网络的车牌自动识别模型

为了提高对车牌的自动识别和检测能力,针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割,采用差分进化算法进行车牌测试样本图像的子块连续遍历,实现车牌图像的特征分割和信息点增强,采用神经网络算法进行车牌特征信息分类,实现车牌识别。测试结果表明,采用该方法进行车牌识别的准确性较好,识别模型的可靠度较高。     

基于注意力机制的车牌快速检测方法研究

针对光照、车辆密集和低分辨率等复杂场景下车牌定位困难、检测速度慢和准确率 低等问题,提出了一种基于注意力机制的车牌快速检测方法。首先,综合车牌的特征,设计 了轻量级网络单元LeanNet,并使用该单元构建一种计算量低且精准的骨干网络。其次,设 计了MLA(muti-scale light attention)模块,用于引导网络关注不同尺度的车牌,生成 基 于车牌的局部显著图,抑制背景噪声。最后,设计了一个四尺度预测网络,其中的FSPF(fo ur scale pyramid fusion)模块能够生成四尺度特征金字塔,有利于实现不同尺度车牌的检测 。 实验结果表明,本文方法在CCPD(Chinese city parking dataset)数据集中的准确识别率 为 99.12%,与最新的YOLOv4(you only look once v4)检测方法相比,准确率提高了1.9%,运行速度提高了6倍,能 够在嵌入式设备中实现复杂场景下的车牌检测。     

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%。     

基于自编码神经网络重构的车牌数字识别

提出了一种基于自编码神经网络重构的车牌数字识别方案.首先对车牌图像进行预处理,利用车牌字符的原图和Gabor特征作为自编码神经网络的输入进行识别实验.然后对每个车牌字符构造一个自编码神经网络,利用训练样本进行图像的重构训练,并根据训练得到的网络权值重构出训练样本集中的各个字符图像或特征.最后,将测试样本输入到每个自编码...     

车牌识别系统应用场景识别率的研究

车牌识别技术(Vehicle License Plate Recognition,VLPR)是计算机视频图像识别技术在车辆牌照识别中的一种应用。能够将运动中的汽车牌照从复杂背景中提取并识别出来,通过车牌提取、图像预处理、特征提取、车牌字符识别等技术来实现。车牌识别系统广泛应用于高速公路出入口、城市交通、停车场等场景。