面向收费 collection 的车辆与车牌识别及新型数据集
图像与视频处理
2022-11-16 v2 人工智能
计算机视觉与模式识别
摘要
我们提出了一种用于收费的自动框架，由车辆类型识别、车牌定位和读取三个步骤组成。然而，由于若干因素引起的图像变化，这三个步骤中的每一个都变得不平凡。车辆前部的传统装饰在同一类型车辆间造成差异。这些装饰由于严重的背景杂波和部分遮挡，使车牌定位和识别变得困难。同样，在大多数车辆上，特别是卡车，车牌的位置并不一致。最后，对于车牌读取，变化由非均匀字体样式、尺寸以及部分遮挡的字母和数字引起。我们提出的框架利用了骨干深度学习架构的数据可用性和性能评估。我们收集了一个新型数据集，即\emph{Diverse Vehicle and License Plates Dataset (DVLPD)}，包含属于六种车辆类型的10k图像。每张图像随后被手动标注车辆类型、车牌及其字符和数字。对于三项任务中的每一项，我们评估了You Only Look Once (YOLO)v2、YOLOv3、YOLOv4和FasterRCNN。为了在Raspberry Pi上实时实现，我们评估了YOLO的轻量版本Tiny YOLOv3和Tiny YOLOv4。YOLOv4取得了车辆类型识别98.8%、车牌检测98.5%和车牌读取98.3%的最佳平均精度均值（[email protected]），而其轻量版本即Tiny YOLOv4在车辆类型识别、车牌检测和车牌读取上分别获得了97.1%、97.4%和93.7%的mAP。数据集和训练代码可在 https://github.com/usama-x930/VT-LPR 获取。
引用
@article{arxiv.2202.05631,
title = {Vehicle and License Plate Recognition with Novel Dataset for Toll Collection},
author = {Muhammad Usama and Hafeez Anwar and Abbas Anwar and Saeed Anwar},
journal= {arXiv preprint arXiv:2202.05631},
year = {2022}
}