基于深度學習的非約束場景多車牌識別方法研究

張振威 王紅成

(1.東莞理工學院 電信工程與智能化學院,廣東東莞 523808;2.東莞理工學院 計算機科學與技術學院,廣東東莞 523808)

在特定的約束場景,如充足均勻的光照、簡單的背景、固定的拍攝角度等情況下,現有的車牌識別系統(ALPR)能取得較高的車牌識別準確率,但在光照不均、大角度偏轉、雨雪天氣等非約束場景下該系統存在較大的局限性。趙[1]等人分別從不同的城市調研了5套商業的自動車牌識別系統,發現這些系統在他們的數據集上測試的平均識別準確率均從聲稱的99%下降到了75%～92%。由此可知,在非約束條件下的自動車牌識別技術仍是一項很有挑戰且有價值的研究課題。本文對非約束場景下的車牌識別問題進行研究,旨在得到一種識別精度高、實時性強以魯棒性良好的車牌識別算法模型。

近年來的車牌識別方法大概分為車牌檢測以及車牌識別兩個部分。傳統的車牌檢測技術主要基于圖像處理方法[2],根據車牌顏色、紋理[3]等信息檢測車牌位置。隨著神經網絡的發展,人們通過設計神經網絡的結構,獲得了一系列效果良好的目標檢測算法,比如Faster R-CNN[4]、YOLO[5]系列、SSD[6]等。Laroca[7]等人以YOLO為基礎,設計出了一種名為Fast-YOLO的車牌檢測器。該檢測方法先粗略定位到車牌所在區域的大致位置,然后將粗略定位的車牌圖像再次輸入到網絡中進行精確定位。然而此檢測方法受限于第一個階段,若粗略定位過程中未檢測到包含車牌圖像的區域,則無法保證此方法車牌識別準確率。……