这篇博客总结了近年来关于车牌识别的深度学习研究，包括2018年的IJCNN文章利用YOLO进行车辆和车牌检测，以及CNN进行字符分割和识别；2017年的AXIV论文提出了端到端的车牌检测和识别模型，采用VGG+RPN+BILSTM，但速度较慢；2017年的BMVC和2018年的LPRNet分别针对小车牌和巴西车牌提出解决方案，识别率各异；最后讨论了数据需求和模型优化。文章指出，虽然存在模型速度和特定地区适用性的挑战，但数据增加和模型调整可以提升识别效果。
2018_IJCNN_A Robust Real-Time Automatic License Plate Recognition Based on the YOLO Detector
做英文车牌识别的文章, 主要开源了作者标注的真实场景的数据集UFPR-ALPR, 4500张.
算法: YOLO检测车辆 -> yolo检测车牌 -> CNN分割字符 ->字符识别,在作者自己的数据集上识别只有78.3%, 可以看出识别率不高
本文的创新点不足, 所以才是C类, 模型上没有新的贡献和改进. 不过通过分割单字符解决了单行双行车牌识别的问题.
2017_AXIV_Towards end-to-end car license plates detection and recognition with deep neural networks
模型为VGG提取特征, 通过RPN网络, 和ROI池化,获取候选特征,对候选特征同时进行车牌检测和车牌识别. 端到端的训练
创新点, 加入了RPN网络,修改为适用车牌识别的结构, 识别部分加入了biLstm.
由于有RPN网络和bilstm, 所以最大的缺点是预测的速度很慢, 最快300ms/per image
2017_BMVC_A CNN-Based Approach for Automatic License Plate Recognition in the Wild
小车牌识别:
2018_axiv_LPRNet: License Plate Recognition via Deep Neural Networks
本文是做小车牌识别的, 只用了传统的CNN操作, 没有使用RNN, 在自己制作的测试集合上有95%的识别率. 本文无参考价值
订阅专栏 解锁全文
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
