Sep, 2017

深度神经网络实现端到端车牌检测和识别

PDF
TL;DR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。
car license plate detectionrecognitiondeep neural networkend-to-end trainingperformance evaluation
发现论文，激发创造
  • 使用深度卷积神经网络和 LSTMs 读取汽车牌照

    本文提出了一种基于深度学习的级联结构，在自然场景图像中使用卷积神经网络（CNN）和循环神经网络（RNN）来检测和识别汽车车牌，具有高召回率、高精确度和无需分割的优点。

    Jan, 2016

  • 一种可靠的深度学习方法用于伊朗车牌识别

    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

  • 使用新颖数据集的车辆与车牌识别技术用于收费

    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

  • 基于多角度视角模型的车牌识别

    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

  • 重新思考和设计一种高性能自动车牌识别方法

    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

  • 一种基于 YOLO 检测器的高效、与布局无关的自动车牌识别系统

    本文提出了一种基于 YOLO 物体检测器的高效且与布局无关的自动车牌识别系统，实现了车牌检测和布局分类的统一方法，通过后处理规则提高了识别结果的准确性，并使用多样的数据增强技术使该系统在不同条件下鲁棒性强，通过在多个数据集上的实验取得了优异的识别率和帧速率。

    Sep, 2019

  • 基于 YOLO 检测器的鲁棒的实时自动车牌识别

    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

  • 使用半监督归一化流与 Yolo 的高级组合 (YoloNF) 来检测和识别车辆牌照

    本研究基于 YOLO 对象检测器和归一化流技术，提出了一种鲁棒性和高效性的自动车牌识别系统，包括两个新策略：使用两阶段网络检测车牌并使用多尺度图像转换解决背景噪声问题，同时引入来自摩洛哥的数据集以鼓励更多关于车牌识别的研究。

    Jul, 2022

  • 基于卷积递归神经网络的端到端文本定位

    该论文提出了一种基于卷积循环神经网络的统一网络，该网络可以同时定位和识别文本，通过端到端训练，提高了性能，在多个基准数据集上取得了竞争性的表现。

    Jul, 2017

  • 利用车牌检测和面部特征识别进行可疑车辆检测

    本研究旨在开发一种结合人脸识别和车牌识别技术的模型，以保障车辆安全和实时追踪逃犯和被盗车辆。

    Apr, 2023