9、基于预训练分割模型的鲁棒车牌识别技术解析

基于预训练分割模型的鲁棒车牌识别技术解析

1. 核心贡献概述

我们提出的框架专门用于在复杂场景下检测和识别车牌，主要贡献如下：
- 提出了基于视觉文本预训练模型的分割模型，用于复杂场景车牌检测。
- 提出了适用于各种场景的车牌合成算法，例如添加阴影、眩光或黑暗效果、进行透视变换等。利用该引擎可生成数据偏差小的车牌图像，从而获得具有良好泛化能力的模型。
- 在 AOLP、Media Lab、CCPD 和 PKUdata 数据集上对所提方法进行了实验评估，结果表明该方法优于以往的先进方法。

2. 相关工作回顾

2.1 车牌检测

车牌检测技术主要分为传统计算机视觉技术和基于深度学习的计算机视觉技术：
- 传统计算机视觉技术 ：
- 基于形状的方法 ：通常利用车牌的矩形框架这一关键特征进行检测。例如，有的方法利用边缘聚类解决车牌检测问题，还有的方法通过图像增强和 Sobel 算子提取汽车图像的垂直边缘，再去除大部分背景和噪声边缘，最后用矩形窗口在剩余边缘图像中搜索车牌区域并进行分割。但该方法易受噪声影响。
- 基于颜色的方法 ：利用车牌颜色与背景颜色的差异进行检测。比如，有的方法使用均值漂移分割进行车牌定位，还有的方法利用模糊逻辑，在 HSV 颜色空间中提取颜色特征。然而，这些方法对光照变化非常敏感，鲁棒性较差。
- 基于纹理的方法 ：基于车牌上像素的异常分布来检测车牌。例如，有的方法利用 Gabor 滤波器、阈值和连通组件标记（CCL）算法