论文部分内容阅读
伴随着计算机、通信技术的高速发展,自动处理信息功能越来越广泛地应用到人们生活的方方面面。自动车牌识别系统的使用解放了人力,提高车辆管理的效率。现如今无人驾驶、智能交通等各种场景的需求,科技智能化的日益发展急需自动车牌识别技术在速度与精确度上不断提升。自动车牌识别技术有很重要的应用价值和研究意义。现今商业和学术领域都在深入研究可用于自动车牌识别系统的各种方法。然而目前大多数的方法所提取的数据集图像都集中在特定车牌区域,即大部分是几乎正面的车牌图像,以此检测车牌。此种情况下会导致若需要检测的图像中车牌位置为倾斜、畸变等情形,则检测及识别结果均不准确。在WPOD-NET[1]中,提出在无约束场景下,对拍摄角度倾斜的图像进行矫正并识别。通过测试此方法,其不能够涵盖所有拍摄到的车牌图像情况,尤其是极端场景下采集到的畸变车牌图像不能够被识别。本文针对上述无约束方案的特点,增加了在极端条件下采取到的车牌图像(图像极端倾斜甚至畸变不为平行四边形)进行检测的功能。在网络中添加了一层反馈机制,使一些特定场合错检的车牌图像重新输入网络中排除错误答案重新检测,从而有效的提高了网络的鲁棒性和精确性。根据自动车牌识别系统的基线流程特点采取多进程GPU并行加速,提升了车牌识别的速率。本文的主要研究工作和创新内容如下:1.针对WPOD-NET[1]无约束车牌识别方案的特点,修改“DETECTION”模块边界框回归的全连接层的损失函数部分,将车牌相邻三个角点坐标与网络输出的L1范数作为损失来训练,根据三个角点补齐平行四边形得到车牌第四个角点。测试结果表明,使用相同的网络结构去学习较少的特征能学习的更加精准。为了增强网络在极端场景下的检测能力,不约束车牌的形状为平行四边形,将车牌的四个角点都参与网络训练中。测试结果表明对比WPOD-NET网络,改善后的网络对畸变较为严重的车牌具有更强的学习特征的能力,检测结果此方法更精准。(对应论文第三章第一、二节)。2.在车牌检测过程中,由于车辆的部分特征激活了网络,会将少量车辆图像的车灯或车轮等部分检测为车牌,得到错误的结果。结合错检后字符识别输出的结果制定一层反馈机制。对检错的车牌区域像素做置零处理,使其不能激活网络,部分错检车牌图像重新检测能大幅修正检测结果,提高约4%的准确率。(对应论文第三章第三节)。3.由于在实际交通应用中,除了定点拍摄图像外,更多的还需要对视频中的图像或者大批量图像进行车牌识别。因此在保证车牌精确度的基础上,速度的提升也成为需要。结合自动车牌识别系统基线流程的特点,对视频尤其是批量图像进行车牌识别时做加速处理。分别根据视频帧间平移特性以及调度GPU执行分段任务的并行处理来加速,根据视频帧的平移特性加速算法约能提升至初始计算速度的1.30-2.82倍,根据不同调度加速算法约能提升至初始计算速度的1.76-2.29倍。(对应论文第四章)。