随着经济的蓬勃发展、科技的不断进步,车牌检测技术逐渐成为智能交通系统中的一个关键性环节.然而交通环境的愈加复杂化,也给车牌检测技术带来了新的机会和困难.在更加多变的真实场景下,传统车牌检测技术面临着巨大的挑战,检测性能的不足会导致更多的新生问题和增加较多的交通管理成本.近年来,基于深度学习的方法已经在车牌检测领域取得了显著进步,然而检测速度慢、面临复杂场景时检测精度不够等问题依然存在.本文基于单阶段的通用目标检测框架,构建了一种快速轻量的车牌检测算法.采用了轻量化特征提取的基础网络结构,相较于其他基于深度学习的方法,大幅减少了参数量,提高了检测速度,同时我们利用神经结构搜索(NAS)改进了模型中特征金字塔关键部分,在不损失模型性能的前提下,提高了模型的学习能力并优化了特征抽取方式.通过在CCPD-green数据集上的大量对比实验证明,改进后的模型相较于传统的单阶段检测算法,在定性和定量方面都取得了进步.
NETL
NSTL
万方数据
维普
