面向端到端的大规模车牌检测与识别方法及数据集的研究

面向端到端的车牌检测与识别：一个大数据集和基线徐振波1、2[0000−0002−8948−1589]、杨伟 1（）[0000−0003−0332−2649]、阿金孟1、 2，陆南学1、 2，黄欢2，长春英2，黄柳生11计算机科学与技术中国科学技术大学，中国合肥通讯作者。电子邮件地址：qubit@ustc.edu.cn2邢台金融控股集团有限公司公司中国安徽省合肥市抽象。大多数当前的车牌（LP）检测和识别方法是在小的且通常不具有代表性的数据集上进行评估的，因为不存在公开可用的大的不同数据集。在本文中，我们介绍了CCPD，一个大而全面的LP数据集。所有图像均由路边停车管理公司的工作人员手动拍摄，并仔细注释。据我们所知，CCPD是迄今为止最大的公开可用的LP数据集，拥有超过25万个独特的汽车图像，并且是唯一一个提供顶点位置注释的数据集。利用CCPD，我们提出了一种新的网络模型，它可以同时预测绑定盒和识别相应的LP数，速度快，精度高。通过对比实验，我们证明我们的模型优于当前的目标检测和识别方法的准确性和速度。在现实世界的应用中，我们的模型直接从相对高分辨率的图像中识别LP数字，速度超过61 fps，准确率为98.5%关键词：目标检测·目标识别·目标分割·卷积神经网络1介绍车牌检测与识别（LPDR）是智能交通系统中必不可少的部分，在交通监控、高速公路收费站、停车场出入口管理等实际监控系统中有着广泛的应用为了更快或更准确的LPDR已经进行了广泛的研究。然而，车牌（LP）检测和识别的挑战仍然存在。在不受控制的条件下，如旋转（约20◦以上），下雪或雾天、扭曲、不均匀照明和模糊。大多数关于LPDR的论文[1，2，3，4，5，6，7，8，9，10]通常在极其有限的数据集（少于3，000个唯一图像）上验证其方法LPDR的当前数据集（参见表1、2）要么缺乏数量（少于10k图像）要么缺乏多样性（从固定的图像2Z. Xu等人Fig. 1. 图片来自CCPD。上面的每个图像都标有其边界框（黄色边界）和四个顶点位置（四个红点）。为了简单起见，这里省略了其他监视摄像机），因为LP图片的人工收集需要大量的人力。然而，不受控的条件在现实世界中是常见的一个真正可靠的LPDR系统应该在这些情况下运行良好。为了帮助更好地对LPDR方法进行基准测试，我们提出了中国城市停车数据集（CCPD）。CCPD收集了中国一个省会城市所有街道的路边停车数据，那里的剩余者拥有数百万辆汽车。每个停车收费员（PFC）每天从07：30AM到10：00 PM在一条街道上工作，无论天气状况如何。对于每一张停车账单，收费员都被要求拿一个图片的汽车与Android手持POS机和手动注释确切的LP号码。值得注意的是，由于手持设备的不确定位置和拍摄角度，以及不同时间和不同街道的不同照明和不同背景，手持设备的图像表现出强烈的变化（见图1）。CCPD中的每个图像在关于LP的几个方面具有详细注释：（i）LP编号。(ii)LP边界框。(iii)四个顶点位置。(iv)水平倾斜度和垂直倾斜度[11]。(v)其他相关信息，如LP区域、亮度程度、模糊程度等。 有关这些注释的详细信息，请参见第3节。大多数文献[3，4，5，6，7]将LPDR分为两个阶段（检测·识别）或三个阶段（检测·分割·字符识别），并逐步处理LP图像。然而，将检测与识别分离不利于整个识别过程的准确性和效率。检测方法给出的不完美的边界框预测可能会使LP的一部分丢失，从而导致后续的识别失败。此外，不同阶段之间的操作，如提取和调整大小的LP区域识别总是由效率较低的CPU完成，使LP识别较慢。鉴于这两个观察结果，我们得出的直觉是，LP识别阶段可以利用在LP检测阶段中提取的卷积特征来识别LP字符。在此基础上，设计了一种新型的路边停车网络（RPnet）体系结构，用于实现停车场的停车规划和停车场的自动规划。我们并不是第一个设计端到端深度神经网络的人面向端到端的车牌检测与识别3LP并同时识别LP编号。然而，利用区域建议网络和双向递归神经网络，端到端模型提出的李等。 [12]因为它需要0，所以它不是有效的。3秒完成Titan X GPU上的识别过程。相比之下，基于更简单，更优雅的架构，RPnet可以在较弱的NVIDIA Quadro P4000上以超过60 fps的速度运行。CCPD和用于训练和评估RPnet的代码都可以在开源MIT许可证下获得：https://github.com/detectRecog/CCPD。综上所述，本文做出了以下贡献：– 我们介绍CCPD，迄今为止LPDRCCPD提供了超过25万个带有详细注释的独特汽车图像，比其他不同的LP数据集多出近两个数量级– 我们提出了一种新的网络架构，统一的LPDR命名为RPnet，可以训练端到端。由于特征图被共享用于检测和识别，并且损失被联合优化，因此RPnet可以更准确地并且以更快的速度检测和识别LP。– 通过评估CCPD上最先进的检测和识别模型，我们证明了我们提出的模型在准确性和速度方面优于其他方法。2相关工作我们的工作在两个方面与现有技术相关：公开可用的数据集（如表1、2所示）和LPDR上的现有算法。除了[12]提出了一个统一的深度神经网络来一步完成LPDR之外，大多数作品将LP检测与LP识别分开。2.1LPDR数据集LPDR [13，14，15]的大多数数据集通常从交通监控系统，高速公路收费站或停车场收集图像这些图像总是在均匀的阳光或辅助光源下，LP的倾斜角度不超过20◦。加州理工学院[13]和Zemris [14]从道路或高速公路上的高分辨率摄像机收集了不到700张图像图像的小体积不足以覆盖各种条件。因此，这些数据集是没有说服力的评估LP检测算法。与以前的数据集不同，Azam et al.[10]和Hsu et al.[16]指出，在危险条件下LP检测的研究很少，特别是在各种条件下寻找图像，如大倾角，模糊，弱照明和恶劣天气。与CCPD相比，这些图像的拍摄距离变化不大，图像数量有限。4Z. Xu等人塞姆里斯[14]阿扎姆[10]美国在线[16]CCPD年2002201520172018数量的图像5108504200250k距离变化✗✗✗✓倾斜度变化✗✓✓✓模糊变量✗✓✓✓照度变化✓✓✓✓天气变化✓✓✓✓注释✗✗✓✓表1.LP检测和CCPD的公开可用数据集的比较。Var表示变化。[第17话]ReId [15]UFPR [3]CCPD年2015201720182018LP数量200076k4500250k倾斜度变化✗✗✗✓模糊变量✗✓✓✓照度变化✗✗✗✓Char数据集✓✗✗✓顶点注释✗✗✗✓表2. LP识别和CCPD的公开可用数据集的比较。Var表示变化。当前用于LP识别的数据集通常收集提取的LP图像并注释其对应的LP编号。如表2所示，SSIG [17]和UFPR [3]通过道路上的相机捕获图像这些图像是在晴天收集的，很少有倾斜的LP。在我们引入CCPD之前，ReId [15]是LP识别的最大数据集，具有76k提取的LP和注释。然而，从高速公路收费站的监控摄像头收集的ReId中的图像在倾斜角度、距离和照明方面相对不变。现有的数据集无论是数量还是方差都不足以全面评价LP识别算法。2.2LP检测算法LP检测算法大致可分为传统方法和神经网络模型。传统的LP检测方法总是利用丰富的边缘信息[18，19，20，21，22，23，24]或背景颜色特征[25，26]。 Hsieh等[19]利用形态学方法显著减少了候选的数量，从而加快了车牌检测过程。 Yu等人 [21]提出了一种基于小波变换和经验模式分解分析的鲁棒方法来定位LP。在[22]中，作者分析了垂直边缘梯度以选择真正的板块区域。 Wang等人 [23]利用级联AdaBoost分类器和投票面向端到端的车牌检测与识别5选举候选人的机制。在[27]中，引入了一种名为局部结构模式的新模式来检测印版区域。此外，基于LP背景总是表现出规则的颜色外观的观察，许多作品利用HSI（色调、饱和度、强度）颜色空间来过滤掉LP区域。 Deb等人 [25]应用HSI颜色模型来检测候选区域，并在90张图像上达到89%的准确率。在[26]中，作者还利用颜色检查模块来帮助找到LP区域。基于区域的卷积神经网络[28]的最新进展刺激了流行的对象检测模型在LP检测问题上的广泛应用[3，4，12，16]Faster-RCNN [29]利用区域建议网络，可以生成高质量的区域建议用于检测，从而更准确，更快速地检测SSD [30]完全消除了建议生成和后续像素或特征重采样阶段，并将所有计算封装在单个网络中。YOLO [31]及其改进版本[32]将帧对象检测作为空间分离的边界框和相关类别概率的回归问题。2.3LP识别算法LP识别可以分为两类：（i）无分割方法。(ii)首先分割，然后识别分割的图片。前者[33，34]通常利用LP字符特征直接提取车牌字符以避免分割或将LP传递到光学字符识别（OCR）系统[35]或卷积神经网络[15]以执行识别任务。对于后者，应当确定LP边界框并且在分割之前应用形状校正LP字符的各种特征可以用于分割，如连接分量分析（CCA）[36]和字符特定的极值区域[37]。在分割之后，当前的高性能方法总是训练深度卷积神经网络[38]或利用LP字符周围的特征，如SIFT [39]。3CCPD概述在本节中，我们介绍CCPDLP数据集。3.1数据创建和隐私问题CCPD从中国某省会城市的一家城市停车管理公司收集图像该公司雇用了800多个PFC，每个PFC在特定的街道上收取停车费每张停车费单不仅记录LP号、费用、停车时间等，还要求PFC从车头或车尾拍一张车的照片作为证明。PFC基本上没有假期，通常从清晨（07：30AM）工作到几乎午夜（10：00 PM）。所以中城警局有图像6Z. Xu等人1010100CCPD-基础200 kCCPD-FN20kCCPD-DB20kCCPD-旋转10 kCCPD-倾斜10 kCCPD-天气10 kCCPD-挑战10 kCCPD-模糊5 kCCPD-NP5k图二、中城警局布局在不同的光照、不同的天气环境下此外，由于拍摄照片的唯一要求是包含LP，PFC可能从各种位置和角度拍摄，甚至会产生轻微的震颤。结果，CCPD中的图像从不同的位置和角度拍摄，甚至模糊不清。除了LP编号外，CCPD中的每个图像都有许多其他注释。最困难的部分是注释四个顶点的位置。为了完成这项任务，我们首先手动标记10k个图像上的四个顶点位置。 然后，我们设计了一个网络定位顶点从一个小的图像的LP区域，并利用10k的图像和一些数据增强策略来训练它。然后，在训练好这个网络之后，我们将检测模块和这个网络结合起来，自动标注每个图像的四个顶点位置。最后，我们雇用了七名兼职工人在两周内纠正这些注释。关于注释过程的详细信息在补充材料中提供。在保留数据的优先级的存储中，CC PD移动比每个图像的LP数量更多的数据，并且从离散的日子和不同的街道中选择图像。此外，包括设备信息、GPS位置等的所有图像元数据，被清除并且像人脸这样的隐私区域被模糊。3.2数据集拆分和统计CCPD提供了超过250k个独特的LP图像，并附有详细的注释。每个图像的分辨率为720（宽度）×1160（高度）×3（通道）。在实践中，该分辨率足以保证每个图像中的LP是清晰的。每个文件的平均大小约为200 KB（整个数据集的总大小超过CCPD中的每个图像都在以下方面进行了标记– LP编号。CCPD中的每个图像只有一个LP。每个LP编号由一个汉字、一个字母和五个字母或数字组成。LP数是识别精度的重要度量。1552020CCPD250k唯一图像200面向端到端的车牌检测与识别7描述CCPD-基础CCPD-FNCCPD-旋转CCPD-倾斜CCPD-模糊CCPD-天气CCPD-挑战CCPD-NP这些照片的唯一共同点是包括一个车牌。LP区域的照明较暗、不均匀或非常亮。从LP到拍摄地点的距离相对较远或较近。◦ ◦ ◦ ◦水平倾斜度大（2050），垂直倾斜度在-10 ~10之间变化。◦ ◦ ◦ ◦水平倾斜度大（1545度），垂直倾斜度大（1545度）。模糊主要是由于手抖动而拍照。在雨天、雪天或雾天拍摄的图像。迄今为止LPDR最具挑战性的图像没有LP的新车图像表3.CCPD中不同子数据集的描述。– LP边界框。边界框标签包含边界框的左上角和右下角的（x，y）坐标这两个点可以用来定位LP的最小边界矩形。– 四个顶点位置。该注释包含整个图像中LP的四个顶点的精确（x，y）由于LP的形状基本上是四边形，因此这些顶点位置可以准确地表示用于对象分割的LP的边界。– 水平倾斜度和垂直倾斜度。如[11]中所解释的，水平倾斜度是LP与水平线之间的角度。在2D旋转之后，垂直倾斜度是LP的左边界线与水平线之间的角度。– 关于LP的其他信息，如面积、亮度和亮度。当前不同的LPDR数据集[10，16，40]通常包含少于5k图像。在将这些具有挑战性的图像划分为不同类别之后[40]，一些类别包含少于100张图像。基于此观察，我们选择不同条件下的图像，从数百万张LP图像中构建CCPD的几个子数据集CCPD中子数据集的分布如图2所示。 这些子数据集的描述如表3所示。补充材料中提供了这些子数据集的统计数据和样本。我们进一步添加CCPD字符，其中包含至少1000个提取的图像，每个可能的LP字符。CCPD字符是专为训练神经网络识别分割字符图像。更多人物形象可以通过利用CCPD中的图像的注释来自动提取。4路边停车网络（RPnet）在本节中，我们将介绍我们提出的LP检测和识别框架，称为RPnet，并讨论相关的训练方法。4.1模型如图3所示，RPnet由两个模块组成。第一模块是一个深度卷积神经网络，有十个卷积层要提取8Z. Xu等人图3.第三章。我们的RPnet的整体结构。它由10个具有ReLU和Batch Normalization的卷积层，几个具有Dropout的MaxPooling层和几个由全连接层组成的组件组成给定输入RGB图像，在单个前向计算中，RPnet同时预测LP边界框和相应的LP编号RPnet首先利用Box Regression层来预测边界框。然后，参考每个特征图中边界框的相对位置，RPnet从几个已经生成的特征图中提取ROI，将它们合并到相同的宽度和高度（16*8）后将它们合并，并将合并后的特征图馈送到后续的分类器。从输入的LP图像中删除您的映射。 我们是这个过程中最重要的部分。该检测模块将由最后一个卷积层输出的数据映射到三个兄弟全连接层，我们将其命名为box预处理或box预处理。该转换模块，即该转换模块，是用于提取感兴趣的特征图的X像素区域分割（ROI）算法[ 28]和用于预测输入图像中的LP的LP编号的若干分类器。整个模块是用于LP检测和识别的单个统一网络。在虚拟网络中使用POPULARTERTERNIOLOGY' AT TENTION' [ 41]，检测模块会在整个过程中保留统一网络的“AT TENTION”。 它告诉我们在哪里查看重新生成模块。然后识别模块从共享特征图中提取ROI并预测LP数。RPnet通过检测模块中的所有卷积层从输入图像中提取特征随着层数的增加，通道的数量增加并且特征图的大小逐渐减小后者的特征图具有提取的更高级别的特征，因此更有利于识别LP并预测其边界框。假设边界框的中心点x坐标、中心点y坐标、宽度和高度分别为bx、by、bw、bh设W和H为输入图像的宽度和高度边界框位置cx，cy，w，h满足：cx=bxWcy=byHw=bwWh=bh，0 0）时，边界框被认为是正确的。（七）.所有模型都在相同的100k训练集上进行了微调。我们在检测准确度度量中设置了比TE2E更高的IoU边界[12]因为更高的边界可以过滤掉不完美的边界框，从而更好地评估检测性能。结果示于表4中。级联分类器难以精确定位LP，因此在高IoU阈值下表现从CCPD-FN的低检测准确率77.3%得出结论，YOLO在相对较小/较大的对象检测上具有相对较差的性能。得益于检测和识别的联合优化，RPnet和TE 2 E的性能都超过了Faster-RCNN和YOLO 9000。然而，RPnet的识别速度比TE2E快20倍。此外，通过分析SSD预测的边界框，我们发现这些框非常紧密地包裹着LP。实际上，当IoU阈值设置为高于0.7时，SSD实现最高精度。原因可能是检测损失不是RPnet的唯一训练目标。例如，稍微不完美的边界框（略小于地面实况边界框）可能有利于更正确的LP识别。5.3识别识别准确度度量。LP识别是正确的，当且仅当IoU大于0.6，并且LP号码中的所有字符都被正确识别。12Z. Xu等人FPS AP Base（100k）DBFN旋转倾斜天气挑战级联分级机+HC2958.969.767.2 69.70.13.152.330.9SSD300 + HC3595.298.396.6 95.9 88.491.587.383.8YOLO9000 + HC3693.798.196.0 88.2 84.588.587.080.5Faster-RCNN+ HC1392.897.294.4 90.9 82.987.385.576.3TE2E394.497.894.8 94.587.992.186.881.2RPnet61 95.598.596.9 94.3 90.8 92.587.985.1表5. 每个测试集的LP识别精度（百分比）。除了TE2E和RPnet，我们附加了一个高性能的模型，以其他对象检测模型后续LP识别。HC表示整体CNN [15]。图4.第一章CCPD的检测和识别结果与我们的RPnet模型。 每张图像是从原始分辨率720（宽度）×1160（高度）×3（通道）中提取的较小车牌区域。面向端到端的车牌检测与识别131.000.990.980.970.9840.9800.960.950.9760.940.930.920.450.400 10 20 30 40 50 6070历元0.9720.40.20.00 10 20 30 40 50 60 70历元(a) 识别模块中的高层问题(b) 层数越多，准确率不一定就越高图五、 对不同层次或多层特征图提取的性能分析。FPS表示每秒帧数据我们所知，在我们之前，TE2E[12]是LPDR的唯一端到端网络。除了TE 2 E和我们的RPnet之外，在我们的评估中，我们将最先进的检测模型与名为Holistic-CNN [15]的最先进的识别模型相结合，作为与TE 2 E和RPnet的比较我们对训练集进行了在以类似方式产生的测试集上，Holistic-CNN每秒可以识别超过200个小LP区域图像，准确率为98.5%。如表5所示，这些组合模型可以实现高识别速度（36fps）和高识别准确率（95.2%）。由于SSD预测的精确LP边界框，结合SSD和Holistic-CNN的模型在CCPD上实现了高达95.2%的平均精度。然而，通过在检测模块和识别模块之间共享特征图，RPnet实现了更快的识别率61 FPS和略高的识别准确率95.5%。此 外 ， 它 的 优 点 是 在 CCPD-Rotate 、 CCPD-Weather 、 尤 其 是 CCPD-Challenge上，通常不会有所有的评估模型都表现良好。在这三个子数据集上检测和识别的困难部分是由于训练数据中这些条件下的LP的缺乏。它们的低性能部分地表明，通过将LP分为不同的子类别，CCPD可以更全面地评估LPDR算法。5.4模型分析通过评估CCPD上的RPnet产生的检测和识别结果的样本如图所示。4.第一章为了更好地理解RPnet，我们进行了一些受控实验，以检查每个层如何影响性能。为所有RP1 74FPSRP3 71FPSRP5 68FPSRP13561FPS识别准确率（%）（基于100k）RP5 68FPSRP3562FPSRP13561FPSRP12345 46FPS识别准确率（%）（基于100k）14Z. Xu等人在实验中，我们使用与原始RPnet相同的设置和输入大小，除了指定的更改。我们在RPnetCi中编号为十个卷积层，0≤i≤ 9。因此，在第4节中描述的原始RPnet可以表示为RP 135，因为它从C1，C3，C5中提取特征图用于LP字符识别。类似地，我们实现RP1、RP3和RP5，其中特征图仅从一个特定层提取结果示于图第五条（a）款。在这四个模型中，RP1仅达到最低的准确率93.5%，而所有其他模型均达到高于97.5%的准确率从RP1到RP5，随着高层被用于特征提取，识别精度增加，并且拟合所需的时期减少。RP5使用单层C5进行特征提取，实现了与RP135几乎相同的精度。 虽然较低层可以提高语义分割质量，但高阶特征似乎对识别任务更有用。基于第六卷积层C5可能对识别准确性有更大影响的知识，我们训练了两个新模型RP35和RP12345用于性能分析，它们也利用了C5，并且具有不同数量的层用于特征提取。如图在图5（b）中，从RP5到RP35到RP135，用于特征提取的层数增加，并且可以实现的识别精度也增加。然而，RP12345使用五层进行特征提取，不仅显著增加了识别时间，而且其准确性也降低了。从太多的层中提取特征并且没有足够的神经元用于分析可能导致较差的泛化。6结论在本文中，我们提出了一个大规模和多样化的车牌数据集命名为CCPD和一个新的网络架构命名为RPnet统一车牌检测和识别。CCPD中的图像进行了仔细的注释，并根据LP的不同特征分为不同的类别巨大的对CCPD的广泛评估表明，我们提出的RPnet在速度和准确性方面都优于最先进的方法。目前，RPnet已在路边停车服务中投入使用。其准确性和速度大大超过其他现有的商业车牌识别系统。致谢本 研 究 得 到 了 国 家 自 然 科 学 基 金 （ No.2001 - 2006 ） 的 资 助 。61572456）和安徽省量子通信和量子计算机引导基金面向端到端的车牌检测与识别15引用1. 谢伊湖，加-地Ahmad，T.，Jin，L. Liu，Y.，Zhang，S.：一种新的基于cnn的多方 向 车 牌 检 测 方 法 。 IEEE Transactions on Intelligent Transportation Systems（2018）2. Al-Shemarry，M.S.，李，Y.，Abdulla，S.：集成adaboost级联的3l-lbps分类器用于低质量图像的车牌检测。专家系统与应用92（2018）2163. Lar o c a，R.， Severo，E.， Zanlorensi，L. 一、 奥利韦伊拉湖（L. 美国， Goncalves，G.R.，SCHWARTZ，W.R. Menotti，D.：基于yolo检测器的鲁棒实时车牌自动识别。arXiv预印本arXiv：1802.09567（2018）4. Montazzolli，S.，Jung，C.：使用深度卷积神经网络的实时巴西车牌检测和识别。2017年第30届SIBGRAPI图形、图案和图像会议（SIBGRAPI）（2017）555. Selmi，Z.，Halima，M.B.，Alimi，上午：用于自动车牌检测和识别的深度学习系统。在：文件分析和识别（ICDAR），2017年第14届IAPR国际会议上。第一卷，IEEE（2017）11326. Rizvi，S. T. H、 Patti，D. ，Bjüorklund，T.， Ca bodi，G.， Franncini，G. ：在基于gpu的移动平台上开发基于图像传感器的车牌检测、定位和识别。未来互联网9（4）（2017）667. 马苏德，S.Z.， Shu，G.， Dehghan，A.， Ortiz，E.G.：车牌检测和使用深度学习的卷积神经网络进行识别。arXiv预印本arXiv：1703.07330（2017）8. Yuan，Y.，邹伟，赵玉，王，X.，Hu，X.，Komodakis，N.：一种鲁棒高效的车牌检测方法。IEEE Transactions on Image Processing26（3）（2017）11029. 郑，T.K.， Chong，Y.S.， Tay，Y.H.：一种免分割车牌使用convnet-rnn进行识别。 arXiv预印本arXiv：1701.06439（2017）10. Azam，S.，伊斯兰教，M.M.：危险条件下的自动车牌检测。视觉传达与图像表示杂志36（2016）17211. 张志，Yin，S.：Hough变换及其在车牌倾斜中的应用纠正一下 计算机与信息科学1（3）（2008）11612. Li，H.，王，P.，沈C：面向端到端汽车牌照检测和使用深度神经网络进行识别。 arXiv预印本arXiv：1709.08828（2017）13. Caltech ： Caltech Licese Plate Dataset 。 http://www.vision.caltech.edu/html-files/archive.html14. Zemris：Zemris车牌数据集。http://www.zemris.fer.hr/projects/LicensePlates/hrvatski/rezultati.shtml15. Sˇpanˇhel，J.， S〇c〇 r，J.， Jur'ane k，R.， Herout，A.， Marˇs´ı k，L.， Zemˇc´ı k，P. ：holistic使用轨迹注释数据通过CNN识别低质量牌照。In：Advanced Video and SignalBased Surveillance（AVSS），2017第14届IEEE国际会议，IEEE（2017）116. 许先生，G.S.，Ambikapathi，A.，Chung，S.L.，Su，C.P.： 鲁棒的车牌检测在野外。在：高级视频和基于信号的监控（AVSS），2017年第14届IEEE国际会议，IEEE（2017）117. Goncalves，G. R.， daSilva，S. P. G.， Menotti，D. ，Schwartz，W. R. 车牌字符分割算法。电子成像杂志25（5）（2016）1-518. Haralick，R.M.Sternberg，S.R.，庄X：使用数学形态学进行图像分析IEEETransactions on Pattern Analysis and Machine IntelligencePAMI-9（4）（July1987）53216Z. Xu等人19. Hsieh，J.W.，Yu，S.H.，Chen，Y.S.：基于形态学的复杂场景车牌检测。在：模式识别，2002年。诉讼第十六届国际会议。第三IEEE（2002）17620. Wu，H.H.P.，Chen H.H. Wu，R.J.，Shen，D.F.：低分辨率视频中的车牌提取。In：Pattern Recognition，2006. ICPR 2006年。第18届国际会议。第一卷，IEEE（2006）82421. Yu，S.，李，B.，张，Q，刘，C.，孟，M.Q.H.：基于小波变换和emd分析的车牌定位新方法。模式识别48（1）（2015）11422. Saha，S.，Basu，S.，Nasipuri，M.，巴苏，D.K.：来自车辆图像的车牌定位：基于边缘的多阶段方法。国际工程最新趋势杂志1（1）（2009）28423. 王，R.，Sang，N.，黄河，巴西-地王毅：使用梯度的车牌检测输入信息和级联检测器。Optik-International Journal for Light and Electron Optics125（1）（2014）186-19024. Bachchan，A.K.，Gorai，A.，Gupta，P.：基于局部二值模式和直方图匹配的车牌自动识别。于：智能计算国际会议，Springer（2017）2225. 黛布K乔，K.H.基于颜色的车牌检测。在：控制，自动化和系统，2008年。ICCAS2008年。国际会议，IEEE（2008）68726. 姚，Z.，Yi，W.：基于多级信息融合的车牌检测。信息融合18（2014）7827. Lee，Y.，Song，T. Ku，B.，Jeon，S.，Han，D.K.，Ko，H.：车牌检测使用局部结构模式。在：高级视频和基于信号的监控（AVSS），2010年第七届IEEE国际会议，IEEE（2010）57428. Girshick，R.： 快速R-CNN。 arXiv预印本arXiv：1504.08083（2015）29. Ren，S.，他，K.，格尔希克河孙杰：更快的r-cnn：利用区域建议网络实现实时目标检测。在：神经信息处理系统的进展。（2015）9130. 刘伟，Anguelov，D.，Erhan，D.，塞格迪角 Reed，S.， Fu，C.Y.， Berg，A.C.： Ssd：单发多盒探测器。在：欧洲计算机视觉会议，Springer（2016）2131. Redmon，J.，Divvala，S.，格尔希克河Farhadi，A.：你只看一次：统一的实时物体检测。在：IEEE计算机视觉和模式识别会议论文集。（2016）77932. Redmon，J.，Farhadi，A.：Yolo9000：更好，更快，更强。arXiv预印本1612（2016年）33. 豪，W.T.，Lim，H.W.，Tay，Y.H.：使用温和adaboost和sift-svm的两阶段车牌检测。在：智能信息和数据库系统，2009。ACIIDS 2009。第一届亚洲电子电气会议，IEEE（2009）10934. Duan，T.D.，Du，T.H.，T