目的模糊車牌識(shí)別是車牌識(shí)別領(lǐng)域的難題,針對(duì)模糊車牌圖像收集困難、車牌識(shí)別算法模型太大、不適用于移動(dòng)或嵌入式設(shè)備等不足,本文提出了一種輕量級(jí)的模糊車牌識(shí)別方法,使用深度卷積生成對(duì)抗網(wǎng)絡(luò)生成模糊車牌圖像,用于解決現(xiàn)實(shí)場(chǎng)景中模糊車牌難以收集的問題,在提升算法識(shí)別準(zhǔn)確性的同時(shí)提升了部署泛化能力。方法該算法主要包含兩部分,即基于優(yōu)化卷積生成對(duì)抗網(wǎng)絡(luò)的模糊車牌圖像生成和基于深度可分離卷積網(wǎng)絡(luò)與雙向長(zhǎng)短時(shí)記憶（long short-term memory,LSTM）的輕量級(jí)車牌識(shí)別。首先,使用Wasserstein距離優(yōu)化卷積生成對(duì)抗網(wǎng)絡(luò)的損失函數(shù),提高生成車牌圖像的多樣性和穩(wěn)定性;其次,在卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,結(jié)合深度可分離卷積設(shè)計(jì)了一個(gè)輕量級(jí)的車牌識(shí)別模型,深度可分離卷積網(wǎng)絡(luò)在減少識(shí)別算法計(jì)算量的同時(shí),能對(duì)訓(xùn)練樣本進(jìn)行有效的特征學(xué)習(xí),將特征圖轉(zhuǎn)換為特征序列后輸入到雙向LSTM網(wǎng)絡(luò)中,進(jìn)行序列學(xué)習(xí)與標(biāo)注。結(jié)果實(shí)驗(yàn)表明,增加生成對(duì)抗網(wǎng)絡(luò)生成的車牌圖像,能有效提高本文算法、傳統(tǒng)車牌識(shí)別和基于深度學(xué)習(xí)的車牌識(shí)別方法的識(shí)別率,為進(jìn)一步提高各類算法的識(shí)別率提供了一種可行方案。結(jié)合深度可分離卷積的輕量級(jí)車... 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(09)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

算法流程圖

在卷積生成對(duì)抗網(wǎng)絡(luò)中，判別器的結(jié)構(gòu)由4層全卷積網(wǎng)絡(luò)組成，在卷積層后面不設(shè)置池化層，而是在卷積層中使用帶步長(zhǎng)且大小為5×5的卷積核進(jìn)行卷積操作，替代特征圖的下采樣，在判別器中使用LeakyReLU作為激活函數(shù);生成器則由4層反卷積層組成，使用5×5的卷積核進(jìn)行反卷積操作;在訓(xùn)練過程中使用反向傳播為生成器和判別器更新權(quán)值。生成器結(jié)構(gòu)示意圖如圖3所示，首先從潛層空間中隨機(jī)提取一個(gè)100維的向量z，將其轉(zhuǎn)換為4×4×1 024的張量，然后通過4層反卷積操作(卷積核為5×5)，形成一幅64×64×3的圖像。本文的卷積生成對(duì)抗網(wǎng)絡(luò)在深度卷積對(duì)抗生成網(wǎng)絡(luò)(deep convolutional GAN,DCGAN)(Radford等，2016)的基礎(chǔ)上修改了生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，沿用Radford等人(2016)方法中生成器和判別器的損失計(jì)算方式，即卷積生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練圍繞進(jìn)行的博弈為圖3 DCGAN生成器結(jié)構(gòu)

DCGAN生成器結(jié)構(gòu)


本文編號(hào)：3400835