摘要
随着改革开放40年的经济社会的发展，当下的国内机动车保有量已经突破4亿辆。如何对庞大的机动车进行有效、快速的管理，是社会交通发展急需解决的关键性问题。当下，传统的车牌识别系统已经在社会发展中随处可见。但是其受制于传统算法模型的限制、亦或是设备性能的瓶颈，算法的检测结果不理想，存在诸如误检测、识别速度慢等特点。基于此，本文提出了一种端到端的车牌识别方案，将原本的车牌分割识别方案替换为车牌文本序列识别问题，降低模型训练参数的同时，也加快了检测的速度和提升检测识别准确率。以下是本文的主要贡献内容。 对于车牌定位算法：本文提出的基于改进的YOLOv4算法模型来提取车牌信息，在原有的Darknet53网络结构上，在网络的特征融合层引入轻量化的CSP结构。将轻量化的CSP结构中的两个卷积层的结果直接融合，有效的降低了计算量和避免了单独使用批量归一化操作，进一步减少网络模型的运算压力。通过在提取层引入DenseNet网络，将各个网络层直接相互连接，确保每层获取的特征信息能够最有效且最大程度的传递到下一层，避免了由于网络层数的加深导致的梯度消失的问题。引入K-means++聚类算法解决YOLOv4原有的聚类算法不稳定的问题。最终采用可分离卷积操作，进而有效的降低网络模型的参数量，也降低了运算的成本和时间。通过在CCPD数据集以及自主采集的数据集混合组合的数据集上进行实验，最终结果显示定位准确度高达98%。 车牌字符识别方面：本文通过采用无分割的车牌识别方案。区别于传统车牌识别的分割方案，本文将整个车牌的图像信息作为统一整体，将其看成是语音序列问题，进行模型的训练和识别。基于改进的CRNN网络模型，采用双向LSTM的网络模型结构进行语义的分析提取。相较于传统的模板匹配、分类等检测模型，性能较之以往有提升，识别准确率在CCPD数据集以及自有数据集上的识别精度搞到97%。
NETL