没有合适的资源?快使用搜索试试~ 我知道了~
约旦车牌的深度学习自动识别
沙特国王大学学报使用深度学习的Salah Alghyaline世界伊斯兰科学和教育大学,信息技术学院,计算机科学系,约旦安曼,塔巴尔特阿提奇莱因福奥文章历史记录:收到2020年2020年9月21日修订2020年9月22日接受2020年11月3日网上发售保留字:约旦交通自动车牌识别深度学习智能交通系统(ITS)A B S T R A C T各国对车牌(LP)有不同的规范,因此开发一个适用于所有LP类型的自动车牌识别(ALPR)系统是一项艰巨的任务。本文旨在为约旦LP开发一个准确的ALPR。该方法采用两级卷积神经网络(CNN),CNN基于YOLO3框架。LP的字符的大小所提出的方法使用不同帧的时间信息来去除错误的预测。利用一组数组数据结构对车辆的LP进行跟踪,剔除错误的据我所知,所提出的方法代表了第一个实时处理视频流的端到端约旦ALPR。据我所知,没有约旦车牌的数据集,因此本文提出了一个新的数据集,称为JALPR数据集。该数据集可在线获取,其中包括约旦移动车辆的许多真实视频。两个著名的商业软件包用于比较。在YouTube视频中的实验结果表明,该方法是非常有效的识别约旦车牌,达到87%的识别准确率,而商业系统的识别准确率低于81%。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍如今,移动车辆的数量增长非常快。在许多情况下,有必要检查这些车辆的身份,用于不同的目的,例如查找被盗车辆,执行交通法,管理停车场,收取通行费。然而,很难人工检查这一庞大数量的移动车辆。因此,研制一种准确、快速的自动定位系统是发展智能交通系统(ITS)的一项重要任务。ALPR的目标是从运动车辆的图像中提取车辆ALPR包括两个主要步骤:检测车牌位置及其像素尺寸和识别车牌内容。ALPR已被许多研究者研究并提出了许多方法,然而,由于图像处理领域的许多挑战,如视点变化,光照,遮挡,沙特国王大学负责同行审查制作和主办:Elsevier电子邮件地址:salah. wise.edu.joscaling缩放,and intra-class类variation变化.此外,每个国家都有其规范的牌照(板大小,板材料,使用字母字符或没有,所使用的字符的语言... 等等),这种类内变化使得很难开发出与所有国家的ALPR中的另一个重要挑战是,许多提出的方法在静止相机下工作良好,而在移动相机下识别精度较差。大多数研究的平板来自中东以外(如美国、欧洲、中国、巴西、韩国)(Goncalves等人,2016; Jung,2017; Kim等人,2017; Laroca等人,2018年),在约旦车牌识别方面几乎没有做过工作(Yousef等人,2015; Alhaj Mustafa等人,2018年)。大多数谨慎提出的方法都是基于手工特征,例如SIFT(Lowe,1999)、HOG(Dalal和Triggs,2010)、(Panchal等人,2016)和(Saleem等人,2016年)。这些方法使用静态图像,忽略了时间特征(来自帧序列的特征)。任何提出的ALPR系统都应该在视频流或CCTV摄像机上工作,这使得该系统适用于现实世界的应用。运动车辆的跟踪应该是在一系列帧中进行的,检测结果出现在错过跟踪车辆的过程中或之后。开发一个有效的ALPR系统,工作在视频流有很多挑战,运动可能会模糊图像由于对象的运动,https://doi.org/10.1016/j.jksuci.2020.09.0181319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comS. 阿尔基亚林沙特国王大学学报2602此外,当我们从一帧移动到另一帧时,同一个车牌可能有不同的视图,因此ALPR系统对同一个车牌给出了许多预测,并且给出了许多错误的LP产生的。错误检测到的LP需要额外的时间来通过检索它们的信息来检查这些板的身份本文旨在开发一种新的和有效的ALPR方法,约旦车牌。该方法基于深度学习来解决车牌检测和识别问题。在车牌检测和识别阶段提出了新的高效CNN结构。新的CNN架构基于YOLO3 CNN架构。将YOLO3的CNN结构修改为浅层CNN结构,用于小目标(车牌字符)的检测和识别,与YOLO3相比层数少,减少了运行时间。在一系列帧上针对特定车辆生成许多预测,其中一些预测是不正确的,因此提出了基于编辑距离方法和LP频率的另一种技术来聚类相似的LP。提出的聚类技术消除了许多不正确的LP,并保持正确的LP。来自约旦街头的许多真实视频流被用来训练和测试新方法,其中大部分视频来自YouTube网站。实验结果表明,与现有技术相比,所提出的JALPR方法具有准确、快速(实时)的特点,适用于实际场景。本文的主要贡献提出了一个新的数据集JALPR,据我所知,这是第一个包含约旦车牌的数据集。该数据集可在线获得,可用于训练和测试任何新提出的ALPR系统。提出了一种新的用于车牌检测和识别的CNN结构。车牌字符与帧大小太小;因此,提出的CNN将YOLO 3 CNN架构修改为浅层网络以检测小物体。提出了一种新的技术,聚类相似的识别LP和选择最好的,这显着减少了错误识别的LP的数量。回顾过去几年来ALPR的主要贡献2. 相关工作车牌识别一直是计算机视觉领域中具有挑战性和重要性的研究课题之一。每个国家都有自己的车牌规格。开发准确快速的目标检测技术是开发成功的ALPR系统的关键任务。目标检测操作可用于车牌检测和字符识别。有两种用于对象检测的特征,手工特征(SIFT,HOG.. . 等等)。深度学习(基于CNN)在过去的几年里,基于深度学习的对象检测技术显著优于基于手工制作的技术(Redmon和Farhadi,2018; Ren等人,2017; Redmon等人,2016年a)。Tian et al.(2015)提出了一种两阶段的方法来识别中国车牌。对输入图像进行预处理,然后在耙形滤波器组上进行模板匹配进行初始分割。在第二阶段的分割中,采用了一种路径查找技术来分割连通字符。 Yousef等人(2015)提出了针对约旦车牌的ALPR,他们使用SIFT特征的模板匹配来检测和查找车牌的位 置 。 存 储 的 模 板 和 候 选 对 象 之 间 的 相 似 性 用 于 LP 识 别 。AlhajMustafa等人(2018)使用连接组件和Canny边缘检测检测约旦LP位置,检测板的水平和垂直直方图被用来分割成不同的部分。最后,人工神经网络(ANN)被用来分类不同的分割对象到不同的标签。 Ng 等人(2015 )提出马来西亚车牌的ALPR。该方法是基于SIFT模板匹配的车牌定位和识别的内容。Laroca等人提出了一种基于CNN的ALPR技术他们创建了一个名为UFPR-ALPR的新车牌数据集,该数据集从巴西车辆中收集快速-YOLO和YOLO 2模型用于车辆和车牌检测。Jung(2017)中的CNN被应用于字符分割。Li等人(2017)使用一个共享CNN进行车牌检测和识别,CNN模型在中国和台湾的中国车牌上进行了训练和Hou等人(2018)提出了针对中国车牌的ALPR,该模型包括两个CNN,第一个网络类似于YOLO 2 CNN,基于YOLO框架来检测车牌位置,而第二个网络使用VGG-16 CNN的修改版本,基于Caffe框架进行车牌识别。Wang(2017)提出了针对中国车牌的ALPR,车牌检测阶段使用单次多框检测器(SSD)实现(Liu等人, 2016)框架,而垂直投影技术被提出用于字符分割。Kim等人(2017)提出了针对韩国车牌的ALPR,该方法基于多任务学习,CNN包括9个卷积和3个池化层的序列,该网络在车牌检测和车牌字符识别之间共享。OpenALPR( 它们被许多ALPR方法使用,例如:(Silva和Jung,2018;Laroca等人,2018; Redmon等人,2016年b)。根据Silva和Jung(2018)的说法,OpenALPR和Sighthound代表了最先进的参考,它们可以用作黑盒来比较所提出的方法的性能。大多数商业软件不提供任何关于其架构的信息OpenALPR是NVIDIA和Ama-zon在许多基于LP认可的项目中的官方合作伙伴(Silva和Jung,2018)。在表1中,我强调了约旦拟议的ALPR与文献中先前提出的方法相比,据我所知,所提出的方法代表了第一个实时处理视频流的端到端约旦ALPR。修改了最先进的对象检测器YOLO3所使用的CNN架构,以便在所提出的方法中用于检测车牌和字符识别等小对象。据我所知,没有基准或数据集来评估任何拟议的约旦ALPR方法,因此本文提出了一个新的数据集来评估和显示所提出的方法的效率。建议的数据集是用来比较所提出的方法与其他ALPR方法。该方法在同一时间检测多个车辆,除了空间的车辆信息,时间信息用于使最终的识别结果。所提出的方法实时工作,高达每秒40帧(FPS)。此外,拟议的办法3. 该方法本节介绍约旦拟议的ALPR方法。图1显示了所提出的JALPR方法的主要阶段。所提出的方法是一个完全自动化的ALPR方法,这是不同于大多数现有的ALPR方法在约旦和境外空间和时间的视频特征中使用的建议ALPR。 如图所示。 1数据集(JALPR)是通过从YouTube网站收集视频构建的(在S. 阿尔基亚林沙特国王大学学报2603××× ×××表1约旦一些拟议的ALPR系统的比较方法数据库图像条件总速率处理时间实时基于视频的ALPR板格式引用SIFT特征连通分量和Canny边缘检测。采用人工神经网络进行分类46张图片240幅图像–1188 ×960像素百分之七十百分之九十每个图像4秒–没有没有没有没有约旦约旦Yousef等人(2015年)哈吉·穆斯塔法等人(2018年)该方法187,200张图片/1920 ×108087.05%30是的是的约旦本文104min/12视频1280 ×720像素图1.一、JALPR方法的主要步骤详情见第四节)。在此基础上,通过两个训练阶段建立车牌检测和识别模型。在测试阶段,利用车牌检测和识别模型对新视频流中的车牌进行检测和识别。LP识别过程在每帧执行;因此,对于同一LP将生成许多不正确的预测预测LP的相似性和频率用于消除错误的预测并保持正确的预测。为了简单起见,该方法被概括为三个主要阶段:车牌检测,字符识别,最后,车牌识别。第3.1、3.2和3.3小节详细描述了每个阶段。3.1. 车牌检测车牌像我们生活中的许多物体一样是一个物体,可以使用高效的物体检测器检测到。现有的物体检测器被设计成检测具有不同尺寸和形状的物体。大多数现有的基于深度学习的对象检测器使用非常深的神经网络,并且使用深度网络的目标是检测具有不同大小的对象。网络的浅层负责检测小物体,而非常深的层负责探测大物体。我们注意到,车牌的尺寸与边框尺寸相比很小,例如,大多数拍摄的视频都是1920 1080,车牌的尺寸不超过250 70。所提出的ALPR方法修改了YOLO3网络,以仅检测小对象。原始架构中的卷积层的数量是75,而所提出的方法中使用的卷积层是15。这种卷积的数量显示出很好的结果来检测车牌,并且与原始架构相比,减少的网络层数YOLO3为每个网格单元使用9个锚框,它们负责各种车牌形状和车牌尺寸的长宽比。根据约旦公安局(公安局,2019),约旦车牌有四种形状:520114毫米,340220毫米,305毫米155毫米和240毫米135毫米,所提出的方法将锚框的数量从9个减少到3个。该锚框数目对于准确检测约旦车牌和减少运行时间实现实时LP识别具有良好的效果。在车牌识别中,检测非常小的车牌是无用的,因为S. 阿尔基亚林沙特国王大学学报2604×××××××车牌内容将不足够清晰以进行准确的字符识别。减少卷积层的数量和锚框的数量将检测到具有足够大小的许可证用于识别阶段。表2显示了用于车牌检测阶段的建议CNN架构。输入图像的尺寸为832 832,这些尺寸的实验结果表明,与416 416 dimens相比,更好的精度。修改架构以检测一个类标签(“板”)。快捷图层输出可以通过将上述图层的内容与快捷图层之前的图层相加来获得。例如,通过将层1的输出与层3相加来获得层4的输出。层号19中的过滤器通过应用以下公式过滤器=(类+5)3)获得,而类号为1(“板”)。图2示出了使用所提出的方法检测到的车牌中的一些。3.2. 字符识别此阶段接受街道上不同车辆的一组车牌然后,它分别输出每个车牌的车牌号码。如前一阶段所述,针对每个帧获得车牌的位置和尺寸在检测到当前帧的板的集合之后,立即从原始帧中裁剪检测到的板,并将其用于字符分割阶段。裁剪板的尺寸范围为22764至6030.裁剪后的板材尺寸较小,在几个CNN层之后消失,因此,所提出的方法将所有检测到的板的大小调整为352 160。表3显示了用于字符识别阶段的拟议CNN架构。输入图像的尺寸为352 160。CNN被修改为检测十类字符表2用于车牌检测阶段的拟议CNN架构。层阶段数量的滤波器滤波器大小Conv. 步幅输出图像012转 换转 换转换3264323 ×33 ×31 ×1121832×832 × 32416×416 × 64416×416 × 3234567Conv转换层:1转换ConvConv64128641283 ×33 ×31 ×13 ×31211416×416 × 64208×208 × 128208×208 × 64208×208 × 1288910图层:5 ConvConv641281 ×13 ×311208×208 × 64208×208 × 12811121314图层:8 ConvConvConv2561282563 ×31 ×13 ×3211104×104 × 256104×104 × 128104×104 × 256151617图层:12 ConvConv1282561 ×13 ×311104×104 × 128104×104 × 256181920图层:15 ConvYolo181 ×11104×104 × 18图二.使用所提出的方法进行LP检测的样本。S. 阿尔基亚林沙特国王大学学报2605×××××ד一”、“二”、“三”、“四”、“五”、“六”、“七”、“八”和“九”)。层号19中的过滤器通过应用以下公式过滤器=(类+5)3)获得,而类号为10。3.3. 车牌识别最常用视频的帧速率约为30 FPS。这意味着在每一帧上都有车牌检测和字符识别,因此同一辆车可能有许多预测结果。每个LP中的预测字符基于它们在LP中的位置(x和y坐标)被重新排序和聚合。由于距离摄像头的距离、视角、阳光、阴影、灰尘等多种噪声因素的影响,同一车辆号码会出现不同的解释。由于上述因素的影响,识别结果包括真实的LP和许多假阳性LP(不正确的车牌)。在实验过程中观察到,大多数假阳性LP数与真实LP数具有很高的相似性。相似度在“4/7”以上,而“7”是Jorda-nian LP中的最大字符数。减少错误检测的车牌将减少从数据库中检索车牌信息的时间,并且仅检索真实的LP信息。采用最长共同子序列(LCS)和编辑距离(EDIT)两种技术消除错误检测结果。然而,EDIT表现出更好的性能相比,LCS技术,因此EDIT被采用在所提出的方法。EDIT用于度量两个字符串的相似性。假设两个预测LP L1和L2之间的EDIT(L1,L2)此外,一组阵列用于保存关于新检测的板的基本信息。表4示出了来自在时间t处收集的关于检测到的LP的信息的样本。阴影行表示与同一车辆相关的一组预测LP数。所提出的方法发现它们是相似的(它们的EDIT =3),并将它们添加到同一组。id = 1的板具有最高的板计数(即255),因此所提出的方法挑选id = 1的板并忽略同一组内的其余PLP,并将它们视为假阳性LP。LP识别决定是在错过 车 牌 之 后 立 即 做 出 的 , 这 是 通 过 应 用 以 下 条 件current_frame_end_frame[id]>thresh-old_time 来 完 成 的 , 其 中threshold_time 是 错 过 车 牌 号 码 之 后 的 时 间 ( 在 所 有 实 验 期 间threshold_time被设置为30秒)。数组集合包括关于每个预测的LP的以下信息:ID:预测ID。塔板编号:当前预测的LP编号。Plate_count:在最后一个n秒End_frame:LP的最后一次出现(帧编号)。Visited:具有两个值:"100"表示该板与同一组中的其他LP一起检查,并用于识别决策。‘‘0” this plate was not checked for LPPlate_group : LP 的 组 , 相 似 的 板 将 具 有 相 同 的 组 id , Edit-Distance用于测量不同LP之间的相似性。Max-group:每组中计数最高的平板编号。算法1总结了所提出的JALPR的细节。算法1:约旦自动车牌识别(JALPR)算法JALPR(视频)输入:视频输出:a已识别车牌的列表创建first_LP_list、second-LP-list和final-LP-list LP_id= 0,Group-id= 0对于每个新帧f在f中检测所有板裁剪_LP对于f中的每个Cropped_LP识别车牌根据字符的和y坐标排列字符将连接的字符添加到集合first_LP_listEnd For对于first_LP_list中的每个LP编号如果长度[x] >长度阈值IF在second-LP-list添加到second-LP-listLP_id=LP_id+1,板数[LP _id] =x,平板计数[LP_id]=1,结束帧[LP_id]=当前帧帧访问[LP_id] = 0,板组[x] =空对于second-LP中的每个yIF编辑距离(y,x)sim_threshold板组[x] =板组[y]退出for循环; End IF端如果Plate_group[x] = nullGroup-id = Group-id + 1,Plate_group[x] = Group-id,Max-group[x] = LP_id结束IF否则假设它存在于第二个LP列表中,并具有old_id位置平板计数[old_id] =平板计数[old_id] +1end_frame[old_id] =当前帧对于第二LP列表中的每个yIF(板数[old_id] >板数[y]且板组[old_id] =板组[y])Max-group[y] =old_id结束IFEndFor EndIf结束IF结束For对于id= 0至LP_idIF(current_frame-end_frame[id])>threshold _time)如果Max-group[id] =id且Visited[id] =0)将Plate_number[id]添加到最终LP列表group_id=Plate_group[id]对于id2= 0至LP_id如果Plate_group[id2] =group_idVisited[id2] =1结束IF结束For结束IF结束IF端端S. 阿尔基亚林沙特国王大学学报表32606×××××CNN架构用于拟议的LP字符识别阶段。层阶段数量的滤波器滤波器大小Conv. 步幅输出图像012转 换转 换转换3264323 ×33 ×31 ×1121352×160 × 32176×80 × 64176×80 × 3234567Conv转换层:1转换ConvConv64128641283 ×33 ×31 ×13 ×31211176×80 × 6488×40 × 12888×40 × 6488×40 × 1288910图层:5 ConvConv641281 ×13 ×31188×40 × 6488×40 × 12811121314图层:8 ConvConvConv2561282563 ×31 ×13 ×321144×20 × 25644×20 × 12844×20 × 256151617图层:12 ConvConv1282561 ×13 ×31144×20 × 12844×20 × 256181920图层:15 ConvYolo451 ×1144×20 × 45表4来自LP信息跟踪的样本数据ID塔板编号平板计数端架访问板组极大群02,170,94026431210015,032,870359111325,032,070128711335,032,97025561911341,812,4662246812455,092,970148611365,032,907152711371,475,052854113781,773,825160714898,177,70917160510108,117,709277590510118,112,709175105104. JALPR数据集关于约旦车牌识别的论文很少,而且大多数都是应用于静止图像。Jor-Jorge车牌由最多七个阿拉伯数字组成(公安局,2019)。私家车的车牌非私人车辆可以在车牌的左角有一个方形的颜色区域(国有车牌,外交车,乘用车等)。与其他国家相比,约旦没有标准的车牌数据集。建立了一个新的数据集来训练和评估所提出的方法。数据集的视频是从YouTube网站上收集的。JALPR数据集包括人们在安曼街道上驾驶时拍摄的12所捕获的视频代表不同时期安曼市不同街道的真实视频摄像机安装在移动车辆的前部。这些视频的长度从01:41到25:30分钟不等。视频格式为MP4,尺寸为1920 1080和1280720,其中大多数为30FPS。所有的数据集视频都可以在线获得(YouTube网站)1。收集的数据集分为两组,视频1至8用于第1页https://www.youtube.com/playlist?列表=PLgXPbStWOTfjhrLUHpZWDtniqXCw4pzs9训练CNN模型,而从9到12的视频用于测试所提出的方法,并将其与其他方法进行比较。出于评估目的,为每个视频创建所有真实车牌的列表。表5显示了拟议数据集的主要特征。来自JALPR数据集的样本如图所示。3.第三章。用于训练用于车牌检测阶段的CNN模型的所用图像的数量是1500,而用于训练用于字符识别的CNN模型的所用车牌图像使用的训练视频被分割成帧,然后手动标记车牌用于训练车牌检测模型。提出的CNN模型用于自动检测车牌,检测到的车牌被裁剪和调整大小为352 160 dimen- sions。一些检测到的板太小,因此与裁剪的板相比,将板尺寸调整为更大的尺寸(352 160)使得标记和识别步骤更容易。然后对裁剪后的板进行手动标记,以进行字符分割阶段。与车牌检测相比,字符识别阶段更具5. 对拟议的JALPR方法基于C语言和OpenCV库实现了所提出的JALPR方法。在所提出的方法中使用了(Alexey,2020)二手电脑S. 阿尔基亚林沙特国王大学学报2607表5用于训练和测试所提出的ALPR方法的拟议数据集视频编号视频格式格式分辨率(像素)帧速率(fps)真实车牌数视频1在约旦安曼的街道上开车1920× 1080 30Amman for Jordan Lovers约旦情人的驾车穿越03:55 mp41920× 1080 30安曼早晨上班时间25:30 mp41280× 720 30视频4在安曼斋月从Abdullah Ghosah街开车到Abdullahdoun07:44 mp4 1920× 1080 30视频5约旦,安曼,交通02:59 mp4 1920× 1080 30Riding in Amman Traffic 1 15:34 mp4 1280× 720 30-Video8ﺟﻮﻟﺔﻓﻲﻋﻤﺎﻥ23.20 mp4 1280× 720 29视频9 Amman Sahab 12 10 2019 06:45 mp4 1920×1080 30 129视频10ﺻﺒﺎﺡﺍﻟﺬﻛﺮﻳﺎﺕ-ﺷﺎﺭﻉﻗﺮﻳﺶﻭﺳﻂﺍﻟﺒﻠﺪ04:55 mp4 1920×1080 30 45视频117th circle - Amman drive -music included 02:58 mp4 1280×720 30 39视频12ﺷﺎﺭﻉﺯﻫﺮﺍﻥﺍﻟﻌﺮﻳﻖ01:41 mp4 1920×1080 30 11图三. 来自建议的JALPR数据集的样本帧。在所有的实验中是英特尔(R)酷睿i5-8600 k 3.6 GHz,内存8GB,和GTX 1080显卡。为了显示所提出的方法的效率OpenALPR(OpenALPR与Sighthound相比支持更多的国家。在表6对JALPR方法和其他方法的识别精度进行了比较。ALPR OpenALPR Sighthound建议的方法所有视频80.80%(181/224)64.73%(145/224)87.05%(195/224)OpenALPR系统,中东地区被选中进行所有测试视频. Sighthound系统使用了一个支持不同国家的模型,字符‘‘1”, therefore all ‘‘I” characters are replaced by ‘‘1” because thereare表7给出了JALPR方法和其他方法的误检结果。到approach.如表6所示,总体准确度表明,该方法具有最高的准确性,与OpenALPR和Sighthound软件的准确率分别为80%和64.73%,达到87.05%。测试的视频具有不同的长度;因此,通过增加视频长度来增加车牌的数量。“Video9”代表最长的视频,手动(通过眼睛)识别的LP的数量为129个板。所提出的方法优于所有的方法,并承认他们的91.47% 。 OpenALPR 和 Sighthound 在 “Video9” 上 的 准 确 率 分 别 为79.10% 和 69.00% 。 所 提 出 的 方 法 和 OpenALPR 在 “Video10” 和“Video12”上具有相似的准确性。在“video1”中,OpenALPR正确识别了 34 个 LP ( 87.20% ) , 而 所 提 出 的 方 法 正 确 识 别 了 32 个 LP(82.10%)。在所有测试视频中,所提出的方法优于Sighthound系统这是一个错误的解释,ALPR OpenALPR Sighthound建议的方法视频96257视频10161915视频11172223视频124132所有视频437947表7显示了每种方法的验证结果。建议的JALPR和OpenALPR产生少量的错误检测与Sighthound一致。在大多数测试视频中,所提出的方法和OpenALPR在最长的视频图5示出了使用所提出的方法成功识别的车牌中的一些。图4示出了识别的最后N个的列表。视频979.10%(102/129)69.00%(89/129)91.47%(118/129)视频1075.56%(34/45)48.89%(22/45)75.56%(34/45)视频1187.20%(34/39)64.10%(25/39)82.10%(32/39)视频12100.00%(11/11)81.82%(9/11)100.00%(11/11)S. 阿尔基亚林沙特国王大学学报2608见图4。 最后识别的N个平板样本(N= 4)。图五、使用所提出的方法进行LP识别的示例使用JALPR方法的平板实验结果表明,该方法在复杂场景下能够准确识别车牌号码。除了将结果显示到屏幕上给用户之外,所提出的方法将识别的LP的列表打印到文本文件中,并将识别的LP的图像裁剪到文件夹中。该方法运行速度快,帧处理的时间速率大于30-40 FPS的实时速率6. 结论本文提出了一种有效的实时ALPR方法,约旦车牌称为JALPR方法。此外,还提出了一个称为JALPR数据集的数据集。JALPR数据集是从约旦街头的真实视频中收集的。据我所知,拟议的数据集代表了第一个包含约旦车牌的数据集(YouTube上的在线数据集)。所提出的JALPR方法将YOLO3 CNN架构修改为浅层CNN架构以识别小对象。两个CNN用于检测板并识别板内容物。此外,基于一组阵列的数据结构被用来跟踪车牌信息,并且来自最后一组帧的时间信息被用来选择最佳车牌并去除许多不正确的车牌(假阳性车牌)。为了测试所提出的方法的性能,两个商业软件包用于比较。JALPR的总体准确率为87%,OpenALPR和Sighthound的准确率S. 阿尔基亚林沙特国王大学学报2609竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。引用阿列克谢,2020年。Yolo-v3[WWW文档].网址https://github.com/AlexeyAB/darknet(2019年1月6日访问)。Alhaj Mustafa,H.,Hassanin,S.,Al-Yaman,M.,2018.基于多级检测的约旦车牌自动 识 别 系 统 。 2018 第 15 届 国 际 多 会 议 系 统 信 号 设 备 展 览 会 1228-1233.https://doi.org/10.1109/SSD.2018的网站。8570408Dalal,N.,Triggs,B.,2010年。用于人体检测的方向性特征直方图2005年IEEEComputer Society Conference on Computer Vision and Pattern Recognition(CVPRIEEE,pp. 886-893. https://doi.org/10.1109/CVPR.2005.177。G.R.贡萨尔维斯,Menotti,D.,施瓦茨,W.R.,2016年。基于时间冗余的车牌识别2016年IEEE第19届智能交通系统国际会议(ITSC )。IEEE,pp.2577-2582https://doi.org/10.1109/ITSC.2016.7795970。Hou,X.,Fu,M.,Wu,X.,中国农业科学院,黄志,孙,S.,2018年基于深度学习的 车 牌 识 别 系 统 部 署 到 PYNQ , 在 : 第 18 届 通 信 和 信 息 技 术 国 际 研 讨 会(ISCIT)。pp. 79比84 https://doi.org/10.1109/ISCIT.2018.8587934网站。Jung,C.,2017.实时巴西车牌检测和识别使用深度卷积神经网络,在:2017年第30届SIBGRAPI会议图形,图案和图像。pp. 55-62. https://doi.org/10.1109/SIBGRAPI的网站。2017年14月。Kim,H.,帕克,J.,哦,杰,Kang,D.,2017.用于车牌识别的多任务卷积神经网络系统。Int. J.对照品。自动。系统15,2942- 2949。https://doi.org/10.1007/s12555-016-0332-z网站。拉罗卡河Severo,E.,洛杉矶的赞洛伦西Oliveira,L.S.,G.R.贡茨2018年基于YOLO检测器的鲁棒实时车牌自动识别。在:在:2018年国际神经网络联合会议(IJCNN),IEEE,pp。 1-10。Li , H. , 王 , P. , Shen , C. , 2017 年 。 Towards End-to-End Car License PlatesDetection and Recognition with Deep Neural Networks,CoRRabs/1709.08828。pp. 1-9. http://arxiv.org/abs/1709.08828网站。刘伟,安格洛夫,D.,尔汗,D.,塞格迪角,澳-地里德,S.,Fu,C.,伯格,AC,2016 年 。 SSD : 单 发 多 盒 探 测 器 , 在 : CVPR 中 。 pp.21-37.https://doi.org/10.1007/978-3-319-46448-0_2。Lowe,D.G.,1999.从局部尺度不变特征进行对象识别,见:第七届IEEE计算机视觉国际会议论文集。IEEE,pp.1150-1157第2卷。https://doi.org/10.1109/ICCV.1999.790410网站。Ng,H.S.,泰,Y.H.,Genting,J.,2015.基于SIFT特征的马来西亚特殊车牌检测与识别。arXiv准备 arXiv1504.06921。OpenALPR [WWW文档],2020年。 网址https://www.openalpr.com/carcheck-api。html(2.10.20访问)。Panchal,T.,帕特尔,H.,Panchal,A.,2016年。基于harris角点和字符分割的车牌 检 测 ProcediaSci.79 , 419-425 。 https://doi.org/10.1016/j 的 网 站 。procs.2016.03.054网站。公 安 部 , 2019 年 。 车 辆 牌 照 法 ( 2007 ) [WWW 文 档 ] 访 问2.1.20https://www.dvld.gov.jo/cs/groups/publicrelations/documents/17216010416200000839.pdf。Redmon,J.,Divvala,S.,格希克河,巴西-地法哈迪,A.,2016年a。你只看一次:统一,实时对象检测,在。在:IEEE计算机视觉和模式识别会议论文集,pp。779-788.https://doi.org/10.1109/CVPR.2016.91.Redmon,J.,Divvala,S.,格希克河,巴西-地法哈迪,A.,2016年b。您只需看一次:统一的实时目标检测。2016年IEEE计算机视觉与模式识别会议(CVPR)。IEEE,pp. 779-788. https://doi.org/10.1109/CVPR.2016.91.Redmon,J.,法哈迪,A.,2018. YOLOv3:增量改进。arXiv准备arXiv1804.02767。Ren,S.,他,K.,格希克河,巴西-地孙,J.,2017.快速R-CNN:使用区域建议网络实现实 时 目 标 检 测 。 IEEE 传 输 模 式 分 析 马 赫 内 特 尔 39 , 1137-1149 。https://doi.org/10.1109/TPAMI.2016.2577031网站。Saleem,N.,Muazzam,H.,塔希尔殿下,法鲁克大学,2016.使用提取的特征进行自动车牌识别,2016年第四届计算和商业智能国际研讨会(ISCBI)。IEEE,pp. 221-225.网址://doi. org/10.1109/ISCBI.2016.7743288。[WWW 文 档 ] , 2020 年 。 URLhttps://www.sighthound.com/products/cloud(2.1.20访问)。席尔瓦,S. M.,Jung,C.R.,2018.无约束场景中的车牌检测和识别。在:欧洲计算机视觉会议(ECCV),pp。593-609. https://doi.org/10.1007/978-3-030-01258-8_36.田,J.,王,R.,Wang,G.,刘杰,夏,Y.,2015年。一种两阶段中文牌照字符Comput.电气工程46,539-553。https://doi.org//j.compeleceng.2015.02.014.王建奎,2017.通过卷积神经网络进行车牌识别,2017年第8届IEEE软件工程和服务科学国际会议(ICSESS)。IEEE,pp.926-929.https:
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功