基于样本扩充的小样本车牌识别

论文摘要

车牌识别技术作为智能交通系统的核心课题之一,一直受到广泛的关注.近年来深度学习技术的迅速发展,更是为其提供了一种良好的解决方案.但实际场景下,研究者有时很难收集到足够的数据以支持模型训练.本文聚焦于小样本车牌识别问题,提出了使用生成对抗网络生成车牌图像,辅助后续模型训练的方法.本文方法先使用CycleWGAN合成大量带标签车牌图像;之后用合成图像对识别模型进行预训练;最后使用原始真实数据微调模型,进一步提高模型的准确率.本文在多个数据集上验证此方法,均获得了明显的效果增益,特别是当真实数据相对有限时,本文方法将准确率从已经较高的基线上又提升了7.5%.另外,在较困难的双动态车牌图像上,本文方法也取得了不俗的效果.最后,引入模型压缩技术,在原方法的基础上设计并实现了LightRCNN,使识别速度提升近1倍.

论文目录

• 1 相关研究
•   1.1 车牌识别
•   1.2 生成对抗网络
•   1.3 训练数据生成
• 2 网络结构与训练
•   2.1 生成对抗网络的结构与训练
•     2.1.1 CycleGAN
•     2.1.2 Wasserstein损失
•   2.2 C-RNN的结构与训练
•     2.2.1 序列特征提取
•     2.2.2 序列识别
•     2.2.3 序列解码
• 3 实验设置
•   3.1 数据集
•   3.2 评价指标
•   3.3 实施细节
•     3.3.1 识别框架
•     3.3.2 粗合成图片
•     3.3.3 GAN训练和测试
• 4 实验结果
•   4.1 模型评估
•   4.2 结果分析
•   4.3 模型压缩
•   4.4 动态LPR
• 5 结语

文章来源

类型: 期刊论文

作者: 尤鸣宇,韩煊

关键词: 小样本车牌识别,生成对抗网络,卷积神经网络,双向循环神经网络

来源: 南京师大学报(自然科学版) 2019年03期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,计算机软件及计算机应用

单位: 同济大学电子与信息工程学院

基金: 上海市自然科学基金(18ZR1442600)

分类号: U495;TP391.41

页码: 1-10

总页数: 10

文件大小: 2974K

下载量: 236