基于卷积神经网络的车牌定位算法 
下载： 1357次
Convolutional-Neural-Network Based License Plate Location Algorithm
1 中国科学院上海微系统与信息技术研究所无线传感网络重点实验室, 上海 201800
2 上海科技大学信息科学与技术学院, 上海 200120
3 中国科学院大学, 北京100864
图 & 表
图 1. 神经网络结构
Fig. 1. Architecture of neural network
下载图片 查看原文
图 2. 顶点预测网络结构
Fig. 2. Architecture of vertex prediction network
下载图片 查看原文
图 3. 数据标记示例
Fig. 3. Examples of data annotation
下载图片 查看原文
图 4. 数据增强示例
Fig. 4. Examples of data augmentation
下载图片 查看原文
图 5. 预测结果示例
Fig. 5. Examples of prediction results
下载图片 查看原文
图 6. 使用坐标点预测结果示例
Fig. 6. Examples of prediction results using coordinate points
下载图片 查看原文
表 1模型在测试集1和2中的准确率表现
Table1. Accuracy of models in test 1 and test 2
| Model | IIOU=0.6 | IIOU=0.7 | IIOU=0.8 |
|---|
| Test 1 | Test 2 | Test 1 | Test 2 | Test 1 | Test 2 |
|---|
| Ours | 0.995 | 0.852 | 0.993 | 0.812 | 0.988 | 0.752 | | Ours-onlyuse point | 0.985 | 0.652 | 0.983 | 0.611 | 0.979 | 0.598 | | WPOD[8] | 0.992 | 0.834 | 0.981 | 0.785 | 0.963 | 0.719 | | ALMD-YOLO [6] | 0.914 | 0.757 | 0.878 | 0.732 | 0.866 | 0.623 | | Model inRef. [18] | 0.941 | 0.792 | 0.913 | 0.744 | 0.885 | 0.662 | | Model inRef. [19] | 0.958 | 0.764 | 0.927 | 0.733 | 0.914 | 0.631 |
|
查看原文
表 2模型在正确矩形标注下的准确度
Table2. Accuracy of proposed model under correct rectangular labeling
| Model | IIOU=0.6 | IIOU=0.7 | IIOU=0.8 |
|---|
| Test 1 | Test 2 | Test 1 | Test 2 | Test 1 | Test 2 |
|---|
| Ours | 0.997 | 0.995 | 0.994 | 0.993 | 0.993 | 0.992 |
|
查看原文
表 3两模型在测试集1和2中的准确度表现
Table3. Accuracy of two models in test 1 and test 2
| Model | IIOU=0.6 | IIOU=0.7 | IIOU=0.8 |
|---|
| Test 1 | Test 2 | Test 1 | Test 2 | Test 1 | Test 2 |
|---|
| Faster R-CNN | 0.998 | 0.854 | 0.991 | 0.818 | 0.918 | 0.755 | | Ours | 0.993 | 0.852 | 0.988 | 0.818 | 0.905 | 0.753 |
|
查看原文
姜策, 胡岸明, 何为. 基于卷积神经网络的车牌定位算法[J]. 激光与光电子学进展, 2020, 57(2): 021010. Jiang Ce, Hu Anming, He Wei. Convolutional-Neural-Network Based License Plate Location Algorithm[J]. Laser & Optoelectronics Progress, 2020, 57(2): 021010.
PDF全文
