基于改进YOLOv4的轻量化车牌检测算法

摘要：

针对现有的车牌检测算法在复杂环境下检测效果不佳的问题,提出一种基于深度学习的GEG-YOLOv4轻量化车牌检测模型.该模型以YOLOv4为基础框架,采用轻量级网络GhostNet作为主干网络,大幅减少了模型参数量,并融入能够避免降维且能有效捕获跨通道交互信息的ECA注意力模块,增加车牌信息的通道权重,减小复杂环境背景对车牌信息的干扰.最后,在深层网络中使用Ghost模块来代替部分普通卷积,在进一步降低模型参数量的同时更好地保留了特征图的冗余信息.在大型车牌数据集CCPD上的实验结果表明,GEG-YOLOv4模型的参数量比YOLOv4减少了约88%,AP值增加了0.09%,速度提高了约55%.相较于其他方法,该方法对于复杂环境下的车牌数据具有更好的检测性能,可以满足实际应用场景的需要.

关键词：车牌检测、深度学习、复杂环境、轻量化、YOLOv4

分类号：TP391.4(计算技术、计算机技术)

资助基金：邯郸市科学技术研究与发展计划项目21422031252

在线出版日期：2023-08-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：99-104,111