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

【文章來源】：計算機工程與設(shè)計. 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，其會將中層以及后層的上采樣進行拼接，該操作與殘差層的add含義不同，拼接操作會增加張量的維度，而殘差層的add是直接相加并不會帶來張量數(shù)量的擴充。整個網(wǎng)絡(luò)主要利用上采樣的方式來實現(xiàn)多尺度的feature map（特征層），圖中concat連接的是兩個尺度一樣的張量，將52×52尺度與104×104尺度通過（2,2）上采樣進行拼接，擴展為網(wǎng)絡(luò)的第4個尺度，進而擴充張量的維度，增加檢測的細粒度，提升對于小物體的檢測效果。

圖4則為BGRU序列識別過程對應的參數(shù)模型，該方法允許在沒有字符級別分割和識別的情況下重新識別整個車牌，明顯改善了傳統(tǒng)識別模式依賴先分割后識別的方案，減少了識別過程所需的時間。GRU可以幫助捕獲序列中的特征之間的相互依賴性，利用待標語素左側(cè)和右側(cè)上下文的信息，通過門限機制實現(xiàn)對長距離依賴的建模，并且在處理低質(zhì)量圖像時依然可以取得不錯的效果。因此，本文模型采用BGRU級聯(lián)的構(gòu)造結(jié)構(gòu)，很好地利用了GRU本身的特性，同時也增強了其序列識別的性能。另外，精密的CNN模型所學習到的高級特征對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】：
期刊論文
[1]多級細粒度特征融合的端到端車牌識別研究[J]. 張文超,胡玉蘭.  沈陽理工大學學報. 2018(05)



本文編號：3600352