论文部分内容阅读
随着社会的发展,国内的机动车数量不断增加,为交通管理带来了巨大的挑战。车牌是车辆最重要的属性,因此车牌识别算法在智能交通系统中起着非常关键的作用。车牌识别算法除了被广泛应用于出入口控制等系统,近年来还被用于识别无人机和手机拍摄图像中的车牌,这意味着算法将面临比以往更复杂的场景,本文主要对复杂场景下的车牌识别算法展开了研究:1.研究了基于GAN(Generative Adversarial Nets)的车牌生成算法。使用CycleGAN将类别均衡的人工合成车牌数据变换到真实数据域,解决了生成车牌数据标签错误的问题。通过使用CycleGAN生成大量类别均衡的生成车牌数据,缓解了车牌序列识别算法所面临的字符类别严重不均衡问题,为车牌序列识别算法带来了可观的性能提升。2.研究了基于SSD(Single Shot MultiBox Detector)改进的车牌检测算法。根据车牌的宽高比特性改进了default box的比例和回归偏移和类别卷积核的大小,并在垂直方向上对default box做了稠密化处理,大大提高了车牌的召回率。接着再使用FPN(Feature Pyramid Networks)将深层特征与浅层特征融合,特征提取网络经过改进后降低了小车牌的漏检率,提升了检测算法在复杂尺度下的性能,然后为了减少特征提取网络计算量,将特征提取网络更换为更轻量级的MobileNet,得到了一个实时的检测模型。3.研究了基于多标签的车牌序列识别算法。分析了基于深度学习的各种车牌序列识别算法的优缺点,最后使用多标签网络设计了端到端车牌序列识别算法,该算法具有识别多种类型车牌的潜力。为了使算法能够识别发生复杂形变的车牌,使用了空间变换网络自动校正车牌,根据训练过程中遇到的问题,总结出了空间变换网络的训练技巧,为了改善易混淆字符的识别,使用了注意力机制和Focal Loss。