YOLOv3与顶点偏移估计相结合的车牌定位

摘要：

深层卷积神经网络(deep convolutional neural networks,DCNN)因其能够自动学习图像有效特征,被广泛应用于视觉目标检测.为克服DCNN目标检测算法大多因采用矩形检测框,而无法有效地应对非约束环境下倾斜性车牌的准确定位问题.提出一种可同时输出矩形目标检测框与关键点的车牌定位解决方案,并具体以YOLOv3所用网络为对象,通过扩展其输出维度,增设车牌顶点相对于矩形检测输出框角点的偏移量损失,在保留其高效计算性能的前提下,训练使其可同时输出矩形检测框及车牌顶点,实现精准定位.在广泛使用的大型非约束性车牌数据集CCPD上的实验结果显示,所提算法不仅可以准确检测车牌顶点,而且能够在Base,Tilt和Weather子集上取得99％以上的定位精度.该方法还可扩展至其他需同时输出目标检测框及关键点的应用领域,具有较好的应用价值.

关键词：深度学习、非约束车牌定位、视觉目标检测、点偏移估计、YOLOv3

所属期刊栏目：33

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;湖北省中央引导地方科技发展专项

在线出版日期：2021-05-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：569-579