雾霾环境下基于PLATE-YOLO的车牌检测方法

发布时间：2023-10-12 02:32

　　针对目前车牌识别领域中,雾霾环境下车牌检测准确率低的问题,本文提出一种基于深度学习的抗雾霾车牌检测方法,该方法能够检测民用车牌和机场民航车辆车牌。该方法首先利用一种基于卷积神经网络的去雾算法对车牌图片进行去雾预处理,然后将处理过的无雾霾图片送入PLATE-YOLO网络中检测车牌的位置。该PLATE-YOLO网络是本文针对车牌检测的特点,对YOLOv3网络做了修改后得到的适用于车牌检测的网络。主要改进点有两处:第一,提出了一种基于层次聚类算法的锚盒(Anchor Box)个数和初始簇中心的计算方法;第二,针对车牌目标较大的特点,对网络的多尺度特征融合做了优化。优化后的PLATE-YOLO网络更适合于车牌检测,且提高了检测速度。实验证明,PLATE-YOLO网络检测车牌的速度较YOLOv3提高了5 FPS;在雾霾环境下,经去雾预处理的PLATE-YOLO车牌检测方法比未经去雾处理的车牌检测方法准确率提高了9.2%。

【文章页数】：11 页

【文章目录】：
1 引言
2 模型介绍
3 数据预处理
    3.1 车牌检测数据集制作
    3.2 去雾预处理
4 YOLOv3网络及优化
    4.1 锚盒先验参数计算
    4.2 多尺度特征融合
    4.3 算法复杂度理论分析
5 实验与结果分析
    5.1 实验环境与方法
    5.2 指标介绍
    5.3 多尺度特征消融实验
    5.4 加去雾预处理与不加去雾预处理的实验对比
    5.5 本文提出车牌检测算法与其他车牌检测算法的对比
6 结论



本文编号：3853274