Oct, 2023

准确稳健的车牌字符识别的对抗样本生成和训练利用几何遮罩

PDF
TL;DR通过使用深度学习方法，本研究通过对海量车牌字符图像的训练，提出一种具有抵抗故意篡改攻击的车牌字符识别方法。通过生成对抗性图像进行训练，模型在识别车牌字符方面达到了 99.7% 的准确率，并通过解释性研究找出了容易受到攻击的车牌字符图像区域，从而为改进车牌识别系统的鲁棒性提供了重要参考。
license plate recognition systemsdeep learning methodsadversarial imagesgeometrically masked imagesembossed license plate detection systems
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于扩散模型的车牌超分辨率

    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

  • 逼真车牌去模糊数据集和模型

    教育部颁布的第 xxxx 号文件的要求：高校要强化学生思想政治教育，增强学生的理论素养，提高学生的科学素养等。

    Apr, 2024

  • 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

  • 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