结合GAN的轻量级模糊车牌识别算法

发布时间：2021-09-19 02:35

　　目的模糊车牌识别是车牌识别领域的难题,针对模糊车牌图像收集困难、车牌识别算法模型太大、不适用于移动或嵌入式设备等不足,本文提出了一种轻量级的模糊车牌识别方法,使用深度卷积生成对抗网络生成模糊车牌图像,用于解决现实场景中模糊车牌难以收集的问题,在提升算法识别准确性的同时提升了部署泛化能力。方法该算法主要包含两部分,即基于优化卷积生成对抗网络的模糊车牌图像生成和基于深度可分离卷积网络与双向长短时记忆（long short-term memory,LSTM）的轻量级车牌识别。首先,使用Wasserstein距离优化卷积生成对抗网络的损失函数,提高生成车牌图像的多样性和稳定性;其次,在卷积循环神经网络的基础上,结合深度可分离卷积设计了一个轻量级的车牌识别模型,深度可分离卷积网络在减少识别算法计算量的同时,能对训练样本进行有效的特征学习,将特征图转换为特征序列后输入到双向LSTM网络中,进行序列学习与标注。结果实验表明,增加生成对抗网络生成的车牌图像,能有效提高本文算法、传统车牌识别和基于深度学习的车牌识别方法的识别率,为进一步提高各类算法的识别率提供了一种可行方案。结合深度可分离卷积的轻量级车... 

【文章来源】：中国图象图形学报. 2020,25(09)北大核心CSCD

【文章页数】：12 页

【部分图文】：

算法流程图

在卷积生成对抗网络中，判别器的结构由4层全卷积网络组成，在卷积层后面不设置池化层，而是在卷积层中使用带步长且大小为5×5的卷积核进行卷积操作，替代特征图的下采样，在判别器中使用LeakyReLU作为激活函数;生成器则由4层反卷积层组成，使用5×5的卷积核进行反卷积操作;在训练过程中使用反向传播为生成器和判别器更新权值。生成器结构示意图如图3所示，首先从潜层空间中随机提取一个100维的向量z，将其转换为4×4×1 024的张量，然后通过4层反卷积操作(卷积核为5×5)，形成一幅64×64×3的图像。本文的卷积生成对抗网络在深度卷积对抗生成网络(deep convolutional GAN,DCGAN)(Radford等，2016)的基础上修改了生成器和判别器的网络结构，沿用Radford等人(2016)方法中生成器和判别器的损失计算方式，即卷积生成对抗网络训练围绕进行的博弈为图3 DCGAN生成器结构

DCGAN生成器结构


本文编号：3400835