自然场景下变形车牌检测模型DLPD-Net
目的 随着智能交通领域车牌应用需求的升级,以及车牌图像复杂性的提高,自然场景下的车牌识别面临挑战.为应对自然场景下车牌的不规则变形问题,充分考虑车牌的形状特征,提出了一种自然场景下的变形车牌检测模型DLPD-Net(distorted license plate detection network).方法 该模型首次将免锚框目标检测方法应用于车牌检测任务中,不再使用锚框获取车牌候选区域,而是基于车牌热力值图与偏移值图来预测车牌中心;然后基于仿射变换寻找车牌角点位置,将变形车牌校正为接近于正面视角的平面矩形,从而实现在各种自然场景下变形车牌的检测.结果 一方面,基于数据集CD-HARD评估DLPD-Net检测算法的性能;另一方面,基于数据集AOLP(the application-oriented license plate database)和CD-HARD评估基于DLPD-Net的车牌识别系统的有效性.实验结果表明,DLPD-Net具有更好的变形车牌检测性能,能够提升车牌识别系统的识别准确率,在数据集CD-HARD上识别准确率为79.4％,高出其他方法4.4％～12.1％,平均处理时间为237 ms.在数据集AOLP上取得了96.6％的识别准确率,未使用扩充数据集的情况下识别准确率达到了94.9％,高出其他方法1.6％～25.2％,平均处理时间为185 ms.结论 本文提出的自然场景下的变形车牌检测模型DLPD-Net,能够实现在多种变形条件下的车牌检测,鲁棒性强,对遮挡、污垢和图像模糊等复杂自然环境下的车牌检测具有良好检测效果,同时,基于该检测模型的车牌识别系统在非受限的自然场景下具有更高的实用性.
自动车牌识别(ALPR)、深度学习、车牌检测、车牌校正、字符识别
26
TP391.41(计算技术、计算机技术)
国家自然科学基金项目;安徽省重点研究;开发计划项目
2021-04-26（万方平台首次上网日期，不代表论文的发表时间）
共12页
556-567
