使用深度卷积神经网络和 LSTMs 读取汽车牌照
本研究提出了一种融合深度神经网络的方法,在单个前向传递中同时定位车牌并识别车牌上的字符。与现有方法不同的是,我们的方法可以避免中间误差的积累,并加快处理速度,并在三个数据集上进行实验,证明了我们的方法的有效性和效率。
Sep, 2017
使用基于卷积神经网络(CNN)的 YOLOv4-tiny 模型检测车牌,利用卷积递归神经网络(CRNN)和 CCT 算法进行检测,无需将字符分割和标注,只需提取车牌号码。
May, 2023
本文提出了一种实时精准的自动车牌识别方法,其中采用了基于卷积神经网络的车牌识别模型、几何校正模型以及字符编码器等技术,通过使用顶点信息和共享特征分类器等,达到了较好的识别效果及较强的泛化能力。
Nov, 2020
本文提出了基于 YOLO 名物体检测器的自动车牌识别系统,使用卷积神经网络 (CNN) 对每个车牌识别阶段进行训练和微调,实现在不同条件下具有稳健性。针对字符分割和识别,本文设计了一个两阶段方法,并采用倒置车牌和翻转字符等简单的数据增强技巧。该系统在两个数据集中均取得了卓越的成绩。
Feb, 2018
本研究提出了一个自动化的框架,由三个步骤组成:车型识别、车牌定位和阅读。我们使用深度学习算法,在新采集的多样化车型和车牌数据集上进行训练, 最终在车型识别、车牌定位和阅读三个任务中,YOLOv4 算法获得了最佳表现,同时我们也发布了我们的数据集和训练代码。
Feb, 2022
该研究利用最先进的扩散模型在低分辨率和高分辨率的沙特车牌图像上进行训练,实现了超分辨率处理,其在识别精度和结构相似性指数方面都超过了现有技术,并获得了 92%的人工评估员的认可,为监控系统提供了具有实际潜力的车牌超分辨率的创新解决方案。
Sep, 2023
本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构,以处理在单一图像中无法精确检测车道的情况,并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中,以成功预测车道。
Mar, 2019
该篇论文提出了一种针对车牌内文本检测问题的方法,通过合并多个不同角度的图像帧,从车牌的角点和面积等特征中提取描述性特征,使用相似度估计和距离度量来恢复同一车牌行中的文本组件。随后,采用 CnOCR 方法进行车牌内文本识别。对自收集的数据集 (PTITPlates) 和公开的 Stanford Cars 数据集进行的实验结果表明,该方法在各种情景下都优于现有方法。
Sep, 2023
本文提出了一种针对孟加拉语车牌的高效自动车牌识别系统,采用新的端到端深度神经网络模型 Bengali License Plate Network (BLPnet),实现了字符旋转不变性和实时车牌字符识别,Mean Squared Error 为 0.0152,平均车牌字符识别准确率达到 95%。与其他模型相比,BLPnet 具有更高的号牌检测准确率和更短的时间要求。
Feb, 2022