一种面向自然场景车牌识别的鲁棒注意力框架
计算机视觉与模式识别
2020-06-11 v2
摘要
在自然场景图像中识别车牌是现实应用中的一项重要但仍有挑战的任务。许多现有方法在受约束条件下采集的车牌（例如正面水平视角、良好光照）上表现良好，但在具有旋转、畸变、遮挡、模糊、阴影或极暗极亮等非约束环境中性能显著下降。本文提出一种面向自然场景的鲁棒车牌识别框架，由用于车牌图像生成的定制 CycleGAN 模型和精心设计的图像到序列识别网络组成。一方面，基于 CycleGAN 的车牌生成引擎缓解了繁重的人工标注工作，可获得字符分布更均衡、拍摄条件多样的大量训练数据，从而大幅提升识别准确率。另一方面，基于 Xception 的 CNN 编码器与 2D 注意力机制的车牌识别器能够准确鲁棒地识别不同样式、不同场景下的车牌。在不使用任何启发式规则或后处理的情况下，我们的方法在四个公开数据集上取得了 SOTA 性能，证明了框架的通用性与鲁棒性。此外，我们发布了一个名为“CLPD”的新车牌数据集，包含来自中国大陆全部 31 个省份的 1200 张图像，数据集可从 https://github.com/wangpengnorman/CLPD_dataset 获取。
引用
@article{arxiv.2006.03919,
title = {A Robust Attentional Framework for License Plate Recognition in the Wild},
author = {Linjiang Zhang and Peng Wang and Hui Li and Zhen Li and Chunhua Shen and Yanning Zhang},
journal= {arXiv preprint arXiv:2006.03919},
year = {2020}
}