论文部分内容阅读
车牌ID作为各种智能交通系统建设需求的关键信息之一。目前,绝大多数车牌识别算法仅在确定的常规场景下有效,对于实际环境中一些不确定因素影响,如雾霾、雨雪等恶劣天气,车辆高速运动导致采集车牌模糊,车牌拍摄环境光线黑暗或强光,监控设备像素低、位置倾斜等导致车牌模糊、倾斜以及人为车牌字符涂抹或部分遮挡等涉车犯罪活动等,车牌识别系统识别准确度较低。同时车牌类型多,如:新能源车牌(8位字符)、港澳车牌等,大部分算法仅支持特定类别的车牌识别,难以满足实际应用需求。虽然近年来基于深度学习的车牌识别系统在一定程度上提高了车牌识别性能,但目前该类算法仍存在一些缺点,如:依赖大量标记数据、需字符分割或标签对齐等。因此,针对上述问题,本文以深度学习方法为基础,研究内容主要包括以下三点:(1)良好的深度模型依赖大量真实标记样本而人工标记成本高,本文提出一种新的样本生成及增强策略,仅采用少量的标记数据,在CycleGAN的基础上改进,引入“特征一致性”损失函数,模型GAN-Plate可生成大量逼真的车牌样本。(2)为提高复杂环境下的车牌识别的鲁棒性,本文设计了一种新的端到端车牌识别模型Incep-PlateNet,模型包括车牌自矫正模块、车牌特征提取模块等,无需字符预分割或标签对齐,实现真正地端到端车牌识别,同时支持多种类型车牌识别。(3)考虑系统实际部署终端设备的计算性能及车牌识别实时性需求,本文在深度模型设计上遵循结构小型化设计理念,同时在模型工程应用阶段从模型剪枝和量化角度对模型进行压缩,在提高模型终端的运行速度同时保证了模型的识别精度。实验表明,本文提出的对抗生成样本策略可以很好解决训练样本小的难题,结合生成的样本训练本文提出的端到端车牌识别模型Incep-PlateNet,相比未扩充样本训练的模型,常规环境下车牌识别率提升4.18%,识别精度达98.83%;复杂环境下车牌识别率提升8.54%,识别精度达90.06%,均优于最新算法。对于模型实际部署应用,在CPU:Core i7-6700K Skylake,RAM:4G上测试单张车牌识别耗时12-16ms,模型仅2.3M。