使用YOLOv11与集成OCR的收费车辆检测与分类
计算机视觉与模式识别
2024-12-18 v1
摘要
传统的自动收费系统依赖于复杂的硬件配置，需要大量的安装和维护投资。本研究论文提出了一种创新方法，通过在每个收费站使用单台摄像机，结合YOLOv11计算机视觉架构与集成OCR技术，来彻底改变自动收费。我们的系统在广泛的条件下实现了0.895的平均精度均值（mAP），在车牌识别中表现出98.5%的准确率，在车轴检测中表现出94.2%的准确率，以及99.7%的OCR置信度评分。该架构结合了跨IOU区域的智能车辆跟踪、通过空间车轮检测模式进行的自动车轴计数，以及通过扩展仪表板界面进行的实时监控。通过在各种环境条件下使用2,500张图像进行广泛训练，我们的解决方案显示出改进的性能，同时与传统系统相比大幅减少了硬件资源。本研究通过引入一种可扩展的、以精度为中心的解决方案，提高了现代收费的运营效率和用户体验，从而为智能交通系统做出了贡献。
引用
@article{arxiv.2412.12191,
title = {Vehicle Detection and Classification for Toll collection using YOLOv11 and Ensemble OCR},
author = {Karthik Sivakoti},
journal= {arXiv preprint arXiv:2412.12191},
year = {2024}
}