基于 YOLO 检测器的鲁棒实时自动车牌识别
计算机视觉与模式识别
2018-10-17 v6
摘要
自动车牌识别（ALPR）因许多实际应用而一直是研究热点。然而，当前许多解决方案在真实场景中仍不够鲁棒，通常依赖于诸多约束。本文提出了一种基于最先进的 YOLO 目标检测器的鲁棒且高效的 ALPR 系统。卷积神经网络（CNNs）针对 ALPR 的每个阶段进行训练和微调，使其在不同条件下（如相机、光照和背景的变化）具有鲁棒性。特别是在字符分割与识别方面，我们设计了一种两阶段方法，采用简单的图像增广技巧，如倒置车牌（LPs）和翻转字符。所得到的 ALPR 方法在两个数据集上取得了令人印象深刻的成果。首先，在由 101 个车辆视频的 2,000 帧组成的 SSIG 数据集上，我们的系统达到了 93.53% 的识别率和 47 帧每秒（FPS），优于 Sighthound 和 OpenALPR 商业系统（分别为 89.80% 和 93.03%），并大幅超越先前结果（81.80%）。其次，针对更真实的场景，我们引入了一个更大的公共数据集，称为 UFPR-ALPR 数据集，专为 ALPR 设计。该数据集包含 150 个视频和 4,500 帧，在相机与车辆均移动时捕获，并包含不同类型的车辆（汽车、摩托车、公交车和卡车）。在我们提出的数据集中，商业系统的试用版识别率低于 70%。另一方面，我们的系统表现更好，识别率为 78.33%，速度为 35 FPS。
引用
@article{arxiv.1802.09567,
title = {A Robust Real-Time Automatic License Plate Recognition Based on the YOLO Detector},
author = {Rayson Laroca and Evair Severo and Luiz A. Zanlorensi and Luiz S. Oliveira and Gabriel Resende Gonçalves and William Robson Schwartz and David Menotti},
journal= {arXiv preprint arXiv:1802.09567},
year = {2018}
}
备注
Accepted for presentation at the International Joint Conference on Neural Networks (IJCNN) 2018