4、基于深度学习技术的船舶牌照自动识别

基于深度学习技术的船舶牌照自动识别

1. 方法

1.1 数据预处理

在使用检测算法处理之前，将RGB图像转换为灰度图像。这种处理方式可以提高夜间识别的准确性，但可能会降低白天的识别精度。因此，建议在网络用于夜间时采用此方法。

1.2 船舶牌照检测

船舶牌照检测的目的是确定船舶牌照的位置。通常，船舶牌照由数字和汉字组成。准确的船舶牌照检测是船舶牌照字符识别的前提，该检测可归结为自然场景中的文本检测任务。由于存在角度、字体和背景等方面的困难，采用了R2CNN文本检测网络。

R2CNN框架由两个模块组成：
- 区域建议网络（RPN）：专门用于生成区域建议，与之前的方法（如选择性搜索）相比，速度更快。
- Fast R - CNN网络：首先通过卷积层获取特征图，使用ResNet - 101作为特征提取器，将输入图像转换为特征图。然后，特征图用于RPN结构以获取区域建议框，接着对区域建议框进行最大池化。最后，通过全连接层和softmax层计算每个建议的类别，输出分类损失，同时使用边界框回归器获取边界框的位置偏移，更准确地回归目标检测框。

Fast R - CNN模块的损失包含三个部分，损失函数为：
[L = L_{cls} + \lambda_1 \cdot L_{loch} + \lambda_2 \cdot L_{locr}]
其中，(L_{cls})是分类损失，(L_{loch})和(L_{locr})分别是水平框和旋转框的回归损失。

为优化任务模块的参数，在RPN模块的区域建议阶段，设置了7种不同的锚点尺度（1, 2, 4, 8, 16, 32, 64）和