车牌检测识别--Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks

最新推荐文章于 2023-08-06 17:13:17 发布
原创 最新推荐文章于 2023-08-06 17:13:17 发布 · 3.2k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文介绍了一种基于深度神经网络的端到端车牌检测与识别方法，利用CNN实现特征提取，通过Region Proposal Network确定车牌候选区域，并采用双向RNN进行序列标注，实现在一张图片上同时完成车牌定位和字符识别的任务。

Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks
https://arxiv.org/abs/1709.08828

本文使用CNN网络来进行车牌检测和识别，一个网络完成端对端训练，检测和识别不用分离。
The whole framework takes 0.3 − 0.4 second per image on a Titan X GPU

这里写图片描述

网络流程如下所示：
这里写图片描述

首先使用 VGG-16 中的卷积层来提取特征，然后使用 Region Proposal Network (RPN) 来提取车牌候选区域，有了车牌区域，我们进行车牌识别，这里我们没有进行车牌分割， regard the plate recognition as a sequence labeling problem。

Bidirectional RNNs (BRNNs) with CTC loss [14] are employed to label the sequential features
这里写图片描述

识别效果图：
这里写图片描述

Performance Evaluation on PKUData
这里写图片描述

11

O天涯海阁O
关注
论文笔记【车牌识别】：Towards End-to-end Car License Plate Location and Recognition in Unconstrained Scenarios
qq_46231566的博客
04-04 2039
得益于卷积神经网络的快速发展，汽车牌照检测和识别的性能得到了很大提高。尽管如此，大多数现有的方法都分别解决检测和识别问题，并专注于特定的场景，这阻碍了现实世界应用程序的部署。为了克服这些挑战，我们提出了一个高效准确的框架来同时解决车牌检测和识别任务。它是一个轻量级、统一的深度神经网络，可以端到端优化并实时工作。具体来说，对于无约束场景，采用无锚方法来有效地检测车牌的边界框和四个角，用于提取和校正目标区域特征。然后，设计了一个新的卷积神经网络分支，在不进行分割的情况下进一步提取字符的特征。
【论文阅读】DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks
博客标题不能为空我也没办法
02-23 1952
端到端的视觉里程计，采用CNN提取特征，使用LSTM进行位姿推理
End-to-end-for-chinese-plate-recognition:基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件，其中unet和cv2用于车牌定位和矫正，cnn进行车牌识别，unet和cnn都是基于tensorflow的keras实现
03-21
端到端的中文版识别 基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件，其中unet和cv2用于车牌定位和矫正，cnn进行车牌识别，unet和cnn都是基于tensorflow的keras实现 环境：python：3.6，tensorflow：1.15.2，opencv：4.1.0.25，keras：2.3.1 整体思路：1。利用u-net图像分割得到二值化图像，2。再使用cv2进行边缘检测获得车牌区域坐标，连接车牌图形校正正，3。利用卷积神经网络cnn进行车牌多标签端到端识别，具体描述可见优快云博客： ://blog.csdn.net/qq_32194791/article/details/106748685 实现效果：拍摄角度倾斜，强曝光或昏暗环境等足以更好地识别，甚至有些百度AI车牌识别替换识别的图片也能识别 注意：若是直接识别类似下图的无需定位的完整车牌，那么
车牌识别“Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks”
cv_family_z的博客
10-09 4866
车牌检测和识别，很久没关注了。作者提出了一个一体化的深度网络，同时进行车牌的检测和识别，在识别时不需要字符分割，而是使用带有CTC的RNN网络，具体的实现细节在论文的参考论文【14】中。模型首先使用卷积层应用到输入图像，之后提取车牌proposals，接下来使用RoI池化层和MLP进行车牌检测和bbox回归，同时使用带有CTC的RNN进行牌照识别，网络的结构如图1所示： 车牌检测网络： 车牌检测
基于深度学习的端到端的车牌检测与识别
weixin_41041772的博客
03-08 9385
论文题目：Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks 摘要： 对于自然场景下的车牌检测与识别任务，本文提出了一个统一的可以同时定位车牌与识别字符的端到端的网络框架。相比于分步进行车牌检测与识别的现有方法，单个网络的联合解决方案可以避免中间过程的错误累计，，...
车牌识别(end-to-end-for-chinese-plate-recognition)项目搭建基于Mxnet(Python 3.5)
weixin_30949361的博客
09-14 391
最近看到geihub上有个车牌识别的项目，感觉很有意思，从上面fork了一下弄到本地自己跑了下。在安装过程中遇到了一些问题，记录如下。 项目github连接:https://github.com/szad670401/end-to-end-for-chinese-plate-recognition ,本机环境Win8 64bit 该项目是基于Python做的，所以首先安装python，本着用最...
端到端的中文车牌识别
03-01
基于端到端的深度学习的车牌、验证码、文档等字符识别，可以基于此进行样本生成和模型训练。
【10】Towards End-to-End Speech Recognitionwith Recurrent Neural Networks.pdf
08-26
of the deep bidirectional LSTM recurrent neural network architecture and the Connectionist Temporal Classification objective function. A modification to the objective function is introduced that ...
Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
08-06
论文标题中提到的“Region Proposal Networks”（区域建议网络）是Faster R-CNN的核心创新之一，而其全称为“Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”。这篇论文由微软...
图像 检测 - DETR: End-to-End Object Detection with Transformers (arXiv 2020)
77wpa的博客
08-06 2234
我们提出了一种新的方法，将目标检测视为一个直接集预测问题。我们的方法简化了检测流程，有效地消除了对许多手工设计的组件的需求，如非最大值抑制程序或锚生成，这些组件对我们关于任务的先验知识进行了明确编码。新框架称为DEtection TRansformer或DETR，其主要组成部分是基于集合的全局损失，通过二分匹配强制进行唯一预测，以及transformer 编码器-解码器架构。给定一组固定的学习目标查询，DETR对目标和全局图像上下文的关系进行推理，以直接并行输出最终的预测集。
自然场景OCR(YOLOv3+CRNN)
03-14
自然场景OCR（YOLOv3+CRNN）,附带整个项目代码，详细代码注释
车牌识别训练样本（全套）
01-08
该车牌识别训练样本包括了所有的字符，数字0~9，和26个英文字母（由于我国车牌中英文字母没有‘I’和‘O’，所以实际是24个英文字符）。 所以共有34个文件夹。 每个文件夹中有50个图片。（即有50个不同的0，50个不同的1......） 该训练样本对车牌识别进行训练有很大帮助。
使用keras框架cnn+ctc_loss识别不定长字符图片操作
09-16
主要介绍了使用keras框架cnn+ctc_loss识别不定长字符图片操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
基于深度学习的车牌识别
08-30
目标识别是计算机视觉一个重要的研究领域，由此延伸出的车辆型号识别具有重 要的实际应用价值，特别是在当今交通状况复杂的大城市，智能交通系统成为发展趋 势，这离不开对车辆型号进行识别和分类的工作，本文围绕如何利用计算机视觉的方 法进行车辆型号的识别和分类展开了一系列研究： 本文对当前的目标识别和分类的特征和算法做了总结和归纳。分析比较了作为图 像特征描述常见的特征算子，总结归纳了他们的提取方法、特征性能以及相互之间的 关联。另外，介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作 方法。研究了深度神经网络的理论依据，分析比较了深度神经网络不同的特征学习方 法，以及卷积神经网络的训练方法。分析比较不同特征学习方法的特点选取 k-means 作为本文使用的特征学习方法，利用卷积神经网络结构搭建深度学习模型，进行车辆 车型识别工作。 本文为了测试基于深度学习的车辆型号分类算法的性能在 30 个不同型号共 7158 张图片上进行实验；并在相同数据上利用改进了的 SIFT 特征匹配的算法进行对比实验； 进过实验测试，深度学习方法在进行车型分类的实验中取得 94%的正确率，并在与 SIFT 匹配实验结果对比后进一步证实：深度学习的方法能够应用在车辆型号识别领域
[论文阅读]CCPD|Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline
一碗白开水一
07-23 1296
题目：Towards End-to-End License Plate Detectionand Recognition: A Large Dataset and Baseline 作者：Zhenbo Xu ；Wei Yang；etc… Motivation: 作者认为目前现有的数据集都比较小，于是作者整个大的CCPD，然后基于这个数据集又设计了一个检测模型。 Methods: 作者通过各种办法做了这个数据集，很丰富，很感人。 然后主要看作者设计的检测模型：The Roadside Parking Net
Towards End-to-end Text Spotting with Convolutional Recurrent Neural Networks阅读笔记
BangGui02
08-18 6858
1.摘要 论文提出一种统一的网络结构模型，这种模型可以直接通过一次前向计算就可以同时实现对图像中文本定位和识别的任务。这种网络结构可以直接以end-to-end的方式训练，训练的时候只需要输入图像，图像中文本的bbox，以及文本对应的标签信息。这种end-to-end训练的模型，可以学习到更加丰富的特征信息。而且，这种模型所需要的时间更少，因为在文本检测和识别的时候，只需要计算一次图像的特征，这
Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline学习笔记
Othnial的博客
09-13 1643
Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline 论文链接 Most current license plate (LP) detection and recognition approaches are evaluated on a small and usually unrepresentative dataset since there are no publicly av
车牌识别
u012483097的博客
08-22 929
1.https://github.com/openalpr/openalpr 2.https://github.com/search?utf8=%E2%9C%93&q=easypr&type= 3.https://github.com/zeusees/HyperLPR/tree/master/Prj-Linux 方案一是国外的车牌识别算法，不支持国内的车牌，但是国内有人将...
pytorch（11）-- crnn 车牌端到端识别
AP1005834的博客
08-26 7568
本文主要记录了使用crnn 对车牌图片做端到端识别，即不用对车牌字符做逐个字符分割识别，车牌第一个字符为汉字，共有31个，第2个字符为去除了“O”和“I”这2个大写字母，工24个大写字母，其余5位均为24个大写字母+10个阿拉伯数字的形式，再加上使用CRNN，需要有空白字符，放在第65位，共有66个字符......
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks实验部分代码复现
最新发布
03-15
def eval_detection(pred_boxes, gt_boxes, iou_threshold=0.5): # 计算mAP的逻辑 ... return AP, precision, recall ``` ### 二、TensorFlow复现方案 推荐使用官方实现[TensorFlow Models]...
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值