BLPnet：一种用于自动车牌识别的新 DNN 模型与孟加拉语 OCR 引擎
计算机视觉与模式识别
2022-02-25 v1 人工智能
神经与进化计算
摘要
自动车牌识别（ALPR）系统的开发在英语车牌上已受到大量关注。然而，尽管孟加拉语国家或地区拥有全球第六大人口，其在 ALPR 系统上却未见显著进展，而这些地区面临着更为严峻的交通管理问题与不足的道路安全措施。本文报道了一种计算高效且具备合理准确度的孟加拉语字符自动车牌识别（ALPR）系统，其采用我们称之为孟加拉语车牌网络（BLPnet）的新型端到端 DNN 模型。模型中提出在车辆车牌（VLP）之前先检测车辆区域的级联架构，以消除假阳性，从而提高 VLP 的检测精度。此外，采用较少的可训练参数集以降低计算成本，使系统更快且更适用于实时应用。借助基于计算神经网络（CNN）的新型孟加拉语 OCR 引擎与词映射过程，该模型对字符旋转具有不变性，并可直接提取、检测并输出车辆的完整车牌号码。该模型在实时视频流上以每秒 17 帧（fps）输入时，能以 0.0152 的均方误差（MSE）检测车辆，且平均车牌字符识别准确率为 95%。与其他模型相比，BLPnet 在车牌检测准确率和时间需求上分别比较知名的基于 YOLO 的 ALPR 模型和 Tesseract 模型提升了 5% 和 20%。
引用
@article{arxiv.2202.12250,
title = {BLPnet: A new DNN model and Bengali OCR engine for Automatic License Plate Recognition},
author = {Md. Saif Hassan Onim and Hussain Nyeem and Koushik Roy and Mahmudul Hasan and Abtahi Ishmam and Md. Akiful Hoque Akif and Tareque Bashar Ovi},
journal= {arXiv preprint arXiv:2202.12250},
year = {2022}
}
备注
Submitted to Neurocomputing (https://www.sciencedirect.com/journal/neurocomputing/about/aims-and-scope)