針對(duì)傳統(tǒng)中文車牌識(shí)別方法準(zhǔn)確率不高、速度慢的問題,提出一種在自然交通場(chǎng)景下進(jìn)行車牌定位和識(shí)別的端到端的深度學(xué)習(xí)模型。在卷積神經(jīng)網(wǎng)絡(luò)上擴(kuò)展多尺度檢測(cè)的深度,改進(jìn)YOLOv3原有的檢測(cè)網(wǎng)絡(luò),提升車牌對(duì)小物體的定位精度;系統(tǒng)利用BGRU優(yōu)化識(shí)別網(wǎng)絡(luò),完成對(duì)定位車牌的無字符分割的識(shí)別任務(wù),明顯縮短訓(xùn)練時(shí)間,提升網(wǎng)絡(luò)的收斂速度和識(shí)別準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明,相比現(xiàn)存的傳統(tǒng)車牌識(shí)別技術(shù),改進(jìn)方法極大地提高了車牌識(shí)別準(zhǔn)確率和速度,魯棒性和可靠性較好。 

【文章來源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(08)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

系統(tǒng)模型框架

改進(jìn)算法YOLOv3-LPR的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其中的DBL即為Conv（卷積）+BN（批歸一化）+Leaky Relu（帶泄露修正線性單元）的組合，BN和Leaky Relu不可分，是網(wǎng)絡(luò)中的最小組件，resn(n位數(shù)字）是殘差結(jié)構(gòu)，表示res＿block（殘差塊）中有多少個(gè)res＿unit（殘差單元），其為網(wǎng)絡(luò)的最大組件，concat則代表張量拼接，其會(huì)將中層以及后層的上采樣進(jìn)行拼接，該操作與殘差層的add含義不同，拼接操作會(huì)增加張量的維度，而殘差層的add是直接相加并不會(huì)帶來張量數(shù)量的擴(kuò)充。整個(gè)網(wǎng)絡(luò)主要利用上采樣的方式來實(shí)現(xiàn)多尺度的feature map（特征層），圖中concat連接的是兩個(gè)尺度一樣的張量，將52×52尺度與104×104尺度通過（2,2）上采樣進(jìn)行拼接，擴(kuò)展為網(wǎng)絡(luò)的第4個(gè)尺度，進(jìn)而擴(kuò)充張量的維度，增加檢測(cè)的細(xì)粒度，提升對(duì)于小物體的檢測(cè)效果。

圖4則為BGRU序列識(shí)別過程對(duì)應(yīng)的參數(shù)模型，該方法允許在沒有字符級(jí)別分割和識(shí)別的情況下重新識(shí)別整個(gè)車牌，明顯改善了傳統(tǒng)識(shí)別模式依賴先分割后識(shí)別的方案，減少了識(shí)別過程所需的時(shí)間。GRU可以幫助捕獲序列中的特征之間的相互依賴性，利用待標(biāo)語素左側(cè)和右側(cè)上下文的信息，通過門限機(jī)制實(shí)現(xiàn)對(duì)長(zhǎng)距離依賴的建模，并且在處理低質(zhì)量圖像時(shí)依然可以取得不錯(cuò)的效果。因此，本文模型采用BGRU級(jí)聯(lián)的構(gòu)造結(jié)構(gòu)，很好地利用了GRU本身的特性，同時(shí)也增強(qiáng)了其序列識(shí)別的性能。另外，精密的CNN模型所學(xué)習(xí)到的高級(jí)特征對(duì)于這種方法的成功也至關(guān)重要。2.4.2 序列特征生成

【參考文獻(xiàn)】：
期刊論文
[1]多級(jí)細(xì)粒度特征融合的端到端車牌識(shí)別研究[J]. 張文超,胡玉蘭.  沈陽理工大學(xué)學(xué)報(bào). 2018(05)



本文編號(hào)：3600352