基于改进YOLOv3和BGRU的车牌识别系统

发布时间：2022-01-21 13:32

　　针对传统中文车牌识别方法准确率不高、速度慢的问题,提出一种在自然交通场景下进行车牌定位和识别的端到端的深度学习模型。在卷积神经网络上扩展多尺度检测的深度,改进YOLOv3原有的检测网络,提升车牌对小物体的定位精度;系统利用BGRU优化识别网络,完成对定位车牌的无字符分割的识别任务,明显缩短训练时间,提升网络的收敛速度和识别准确率。实验结果表明,相比现存的传统车牌识别技术,改进方法极大地提高了车牌识别准确率和速度,鲁棒性和可靠性较好。 

【文章来源】：计算机工程与设计. 2020,41(08)北大核心

【文章页数】：7 页

【部分图文】：

系统模型框架

改进算法YOLOv3-LPR的网络结构如图2所示，其中的DBL即为Conv（卷积）+BN（批归一化）+Leaky Relu（带泄露修正线性单元）的组合，BN和Leaky Relu不可分，是网络中的最小组件，resn(n位数字）是残差结构，表示res＿block（残差块）中有多少个res＿unit（残差单元），其为网络的最大组件，concat则代表张量拼接，其会将中层以及后层的上采样进行拼接，该操作与残差层的add含义不同，拼接操作会增加张量的维度，而残差层的add是直接相加并不会带来张量数量的扩充。整个网络主要利用上采样的方式来实现多尺度的feature map（特征层），图中concat连接的是两个尺度一样的张量，将52×52尺度与104×104尺度通过（2,2）上采样进行拼接，扩展为网络的第4个尺度，进而扩充张量的维度，增加检测的细粒度，提升对于小物体的检测效果。

图4则为BGRU序列识别过程对应的参数模型，该方法允许在没有字符级别分割和识别的情况下重新识别整个车牌，明显改善了传统识别模式依赖先分割后识别的方案，减少了识别过程所需的时间。GRU可以帮助捕获序列中的特征之间的相互依赖性，利用待标语素左侧和右侧上下文的信息，通过门限机制实现对长距离依赖的建模，并且在处理低质量图像时依然可以取得不错的效果。因此，本文模型采用BGRU级联的构造结构，很好地利用了GRU本身的特性，同时也增强了其序列识别的性能。另外，精密的CNN模型所学习到的高级特征对于这种方法的成功也至关重要。2.4.2 序列特征生成

【参考文献】：
期刊论文
[1]多级细粒度特征融合的端到端车牌识别研究[J]. 张文超,胡玉兰.  沈阳理工大学学报. 2018(05)



本文编号：3600352