自动车牌识别算法的基准评测
计算机视觉与模式识别
2022-03-29 v1 机器学习
摘要
我们评估了一种称为 LPRNet [1] 的轻量级卷积神经网络(CNN)用于自动车牌识别(LPR)。我们在两个数据集上评估了该算法，一个由真实车牌图像组成，另一个由合成车牌图像组成。此外，我们将其性能与光学字符识别引擎 Tesseract [2] 进行了比较。我们基于识别准确率和莱文斯坦距离衡量性能。LPRNet 是一个端到端框架，在两个数据集上均表现出鲁棒性能，在各有 1000 张真实和合成车牌图像的测试集上分别达到 90% 和 89% 的识别准确率。Tesseract 未使用真实车牌图像训练，仅在对合成数据集进行预处理后表现良好，达到 93% 的识别准确率。最后，针对误分类字符频率分析的帕累托分析使我们能够详细找出根据累积错误百分比最易混淆的字符。根据地区不同，车牌图像具有特定特征。一旦经过适当训练，LPRNet 可用于识别特定地区和数据集的字符。未来工作可侧重于应用迁移学习以利用 LPRNet 学到的特征，并针对更小、更新的车牌数据集对其进行微调。
引用
@article{arxiv.2203.14298,
title = {Benchmarking Algorithms for Automatic License Plate Recognition},
author = {Marcel Del Castillo Velarde and Gissel Velarde},
journal= {arXiv preprint arXiv:2203.14298},
year = {2022}
}
备注
6 pages, 10 Figures, 5 Tables, Technical Report