重新思考并设计高性能自动车牌识别方法
计算机视觉与模式识别
2021-06-18 v2
摘要
本文提出一种实时且准确的自动车牌识别(ALPR)方法。我们的研究通过四点洞见阐释了 ALPR 的优异设计:(1) 基于重采样的级联框架有益于速度与精度;(2) 高效的车牌识别应摒弃额外的字符分割与循环神经网络(RNN),而采用朴素的卷积神经网络(CNN);(3) 在 CNN 情形下,利用车牌上的顶点信息可提升识别性能;以及 (4) 权重共享的字符分类器解决了小规模数据集中训练图像匮乏的问题。基于这些洞见,我们提出一种新颖的 ALPR 方法,称为 VSNet。具体而言,VSNet 包含两个 CNN,即用于车牌检测的 VertexNet 与用于车牌识别的 SCR-Net,以基于重采样的级联方式集成。在 VertexNet 中,我们提出一种高效的集成模块以提取车牌的空间特征。借助顶点监督信息,我们在 VertexNet 中提出顶点估计分支,从而车牌可被矫正作为 SCR-Net 的输入图像。在 SCR-Net 中,我们引入一种水平编码技术用于从左到右的特征提取,并提出权重共享分类器用于字符识别。实验结果表明,所提 VSNet 在错误率上以超过 50% 的相对提升优于最先进方法,在 CCPD 与 AOLP 数据集上以 149 FPS 推理速度达成 > 99% 的识别准确率。此外,当在未见过的 PKUData 与 CLPD 数据集上评测时,我们的方法展现出卓越的泛化能力。
引用
@article{arxiv.2011.14936,
title = {Rethinking and Designing a High-performing Automatic License Plate Recognition Approach},
author = {Yi Wang and Zhen-Peng Bian and Yunhao Zhou and Lap-Pui Chau},
journal= {arXiv preprint arXiv:2011.14936},
year = {2021}
}
备注
13 pages. Accepted for Publication at IEEE Transactions on Intelligent Transportation Systems