摘要
在自然道路交通环境中,车牌定位检测与识别是实现智慧交通系统的关键技术之一.为了解决传统方法受到分割字符失败以及暗光、大角度倾斜等不利因素影响导致车牌号码误判率较高而识别率较低的问题,提出一种使用单阶段目标检测算法(you only look once v5,YOLOv5)结合基于深度神经网络(license plate recognition neural networks,LPRNet)的车牌识别方法,使用中国停车数据集(Chinese city parking dataset,CCPD)以及自建的数据集进行训练及试验.首先YOLOv5网络利用跨阶段局部网络(cross stage partial network,CSPNet)结构进行图片特征提取,通过多尺度特征信息融合,采用完备交并比(complete intersection over union,CIOU_Loss)损失函数与非极大值抑制(non-maximum suppression,NMS)联合得到预测框,定位车牌位置.轻量级的LPRNet网络无需字符分割,使用连接时序分类(connectionist temporal classification,CTC)解决车牌字符识别问题.在YOLOv5+LPRNet网络的基础上增加改进算法,通过非线性图像增强来恢复低照度下丢失的车牌信息,利用双边滤波算法滤除背景噪声的同时保留车牌边缘信息,输入车牌矫正网络,通过透射变换得到最终车牌照片.为验证该算法的有效性,在夜间环境、角度倾斜、雨雪雾天等多种场景下开展试验.研究结果表明:车牌识别模型的平均识别准确率均超过95％,识别速度平均达到 32 帧/s;与 Easy PR、Hyper LPR、Faster-RCNN+LPRNet 和 YOLOv3+LPRNet模型相比,提 出方法的识别 准确率和召回 率均得到提高,分别达到97.65％和96.74％;提出方法在道路交通复杂的场景中表现出较强的鲁棒性,识别速度上也有明显优势.
基金项目
高节能电机及控制技术国家地方联合工程实验室基金(KFKT201510)
安徽工程大学校青年基金(2015YQ15)
维普
万方数据