Jul, 2022

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

PDF
TL;DR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。
license plate recognitionyolonormalization flowsmulti-scale image transformationsannotated data set
发现论文，激发创造
  • 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

  • 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

  • 孟加拉车牌的自动识别方法

    提出了一种自动扫描车牌并识别其字符的混合方法，其中使用了 YOLO 模型、Otsu 阈值和 CNN 模型，以便创新性地实现自动化车辆识别，随着的普及，这有助于防止盗用和滥用。

    Sep, 2021

  • 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

  • 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

  • BLPnet：一种新的 DNN 模型和孟加拉自动车牌识别 OCR 引擎

    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

  • 孟加拉车牌识别：用卷积神经网络和 GFP-GAN 揭示清晰度

    自动车牌识别（ALPR）是一种利用图像处理和计算机视觉技术自动读取和提取车辆车牌数据的系统。该方法包括处理孟加拉低分辨率模糊的车牌并识别车牌字符，通过图像恢复、对比度最大化、形态学图像处理、卷积神经网络进行特征提取、字符分割和识别。为该项目准备了 1292 张孟加拉数字和字符的数据集。

    Dec, 2023

  • 字符时序匹配用于鲁棒车牌识别

    提出在多帧中跟踪车牌并通过自适应车牌旋转算法和字符时间序列匹配方法提高车牌识别精确度的研究。在 UFPR-ALPR 数据集上达到 96.7% 的实时准确率，用于越南 ALPR 系统的车牌检测和字符识别准确率分别达到 0.881 和 0.979 [email protected]。

    Jul, 2023

  • 深度神经网络实现端到端车牌检测和识别

    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