论文部分内容阅读
车牌识别是车辆识别的关键技术之一,也是智慧交通的重要组成部分。虽然在高清静态交通场景中车牌识别已经较为成熟,但在更广义的场景中,车牌识别问题依然面临挑战。因此,如何在复杂多变的场景下快速准确地获取车牌号码信息具有极大的现实价值与意义。传统的车牌识别基于人工设计的特征,在光照不稳定、拍照角度倾斜等复杂场景下鲁棒性不足,难以实现高精度的识别。近年来,深度学习方法的提出使得计算机视觉中的各项任务都取得了很大的进步,也为多场景的车牌识别研究提供了新思路。因此,本文以深度学习为基础,针对多场景车牌识别问题,设计合理的神经网络结构与策略,提升识别精度与效率,以满足不同场景下的需求。本文的主要工作和取得的研究成果概述如下:(1)基于空间变换网络的倾斜车牌识别。针对传统的车牌识别方法无法有效泛化到倾斜车牌场景下的问题,本文利用空间变换网络对倾斜车牌进行矫正,该网络可以与识别网络进行端到端的训练,不需要额外的标注信息。实验结果表明,所提方法能够有效地矫正倾斜车牌,从而改善识别精度,并且仅增加了 1.52%的计算量。(2)基于合成数据的车牌识别。针对深度学习算法需要大量标注数据驱动来训练模型,但人工收集的车牌数据不足且分布不均衡的问题,本文设计了车牌图像合成方法来对训练集数据进行针对性的扩充,构建各类数据均衡分布的训练集,在实现高精度识别的同时,节省了收集和标注数据所需消耗的时间和人力。(3)基于轻量级可分离卷积网络的车牌识别。针对基于大网络的车牌识别器性能好,但是存储空间和计算量过大,难以在移动端或车载芯片上应用的问题,本文引入了深度可分离卷积结构(depthwise separable convolution)来实现轻量级的网络设计,并设计了一个宽卷积模块来迅速获取上下文信息。实验结果表明,该方法能够在大幅减少模型计算量的同时保持较高的识别精度,可以有效地部署在计算资源比较匮乏的终端。(4)基于多任务神经网络的车牌识别。针对多任务的车牌识别场景,本文设计了一个共享基础网络的多分支识别模型,每个分支用于实现不同的功能。该网络不仅可以实现车牌号码识别,还可以完成车牌颜色以及车牌类型的判别,在拓展网络功能的同时也有效的节省了计算资源。基于传统车牌识别方法难以实现在复杂多场景条件下的车牌识别任务。本文基于深度学习的方法针对不同车牌识别应用场景,设计相应的识别算法,满足了多个不同场景条件下的车牌识别实用需求,并且本文设计的网络具有计算量小、鲁棒性高、多任务的优点。