摘要: 目前,基于神经网络的车牌识别模型尺寸较大,不利于部署在边缘计算设备,此外,对倾斜类车牌和混合颜色车牌识别率偏低。为此,提出一种识别倾斜混合颜色车牌的轻量级神经网络组合模型。该模型首先采用基于YOLO算法改进的P-YOLO算法实现车牌的检测、分类和定位;然后采用基于LPRNet算法改进的N-G-LPRNet算法识别车牌字符。最后对比改进前算法,在CCPD数据集上的测试结果表明:在车牌检测阶段P-YOLO算法检测倾斜类车牌的mAP指标大幅提高,结合字符识别网络,对常规车牌、微倾斜车牌和强倾斜车牌识别准确率分别提高约1.3%、70.7%和63.8%;在字符识别阶段,混合颜色车牌训练的前提下,N-G-LPRNet算法对蓝色车牌和绿色车牌的识别率分别提升约40.65%和32.26%;最终形成的P-YOLO-N-G-LPRNet组合模型综合识别率达到98.16%,模型占用空间约为5MB,在高识别率和轻量化方面优势明显。
中图分类号: