【技术漫谈】车牌识别杀手锏之深度学习

2020-07-03 17:26:01 来源:安防知识网 作者:捷顺科技
测评中心频道文章B

[摘要] 相比传统的识别算法,以卷积神经网络为框架的深度学习技术有何优势呢?

  现在谈到车牌识别,绕不开的一个词就是“深度学习算法”。在产品宣传上,各大车牌识别厂商打出的自己的车牌识别产品是“真正的深度学习”、“超级人工智能”,“100%识别率”着实吸引了大量关注。

  那么,它到底对车牌识别准确率有多大的提升呢?你真的了解深度学习吗?捷顺的车牌识别是否也加持了这项“神功”呢?本文就带大家掀开“深度学习”的神秘面纱。

  我们都知道,不同的光照环境下,对车牌识别效果影响巨大。如车牌在明朗的晴天和雨雪天,在人类的生理视觉上都是不一样的,而从摄像机拍摄到的图片来说,晴天的图片一般都较为清晰,但是强烈的阳光直射会造成车牌反光的问题,就像注视一面反光的镜子,难以辨清细节;阴雨天则会导致图片昏暗模糊;下雪则有可能覆盖车牌某些关键区域(如首汉字、数字或字母)。

  车牌本身种类较多,颜色、外形、尺寸大小都不尽相同,拍摄角度、拍摄距离都会影响到车牌在图片中呈现的角度(姿态和外观)。另外,即使在同一天,阳光光照角度和光线强度的变化也会影响成像质量。

微信图片_20200703170638.png

  目前,市面上一线厂商的车牌识别产品识别准确率可以达到99.5%以上,长久以来,这个瓶颈难以打破,一直到卷积神经网络(CNN)出现在我们面前。

  当今时代,卷积神经网络在深度学习领域中可谓是大红大紫,尤其在计算机视觉领域更是一枝独秀。它在目标检测、跟踪、行为识别、图像分类、分割等图像领域的应用非常广泛。

  相比传统的识别算法,以卷积神经网络为框架的深度学习技术有何优势呢?

  传统的机器学习算法一般会人为设计具有一定通用性的“特征提取方法”,这些特征能够适合某一类的任务,具有一定的通用性,但由于都是人工设计的特征,因此对于某些共性问题很难得到根本性的解决。如复杂场景的车牌捕获不到;车牌切分的鲁棒性(算法对数据变化的容忍度)不够等。所以,特征方法的好坏是问题的关键。(划重点)

  神经网络的出现,使得人为设计特征这一部分工作可以通过神经网络让机器自动学习,不需要人类干预。我们利用深层的神经网络来提取深层、抽象的高层特征,就可以使算法取得更好的性能表现。

微信图片_20200703170646.jpg

微信图片_20200703170650.jpg

  人类之所以可以不断进化,从“以花为裙,以叶为裳”的原始人进化到衣冠楚楚的现代人,是因为人类可以通过自我学习,不断提升认知力与理解力。通过基于卷积神经网络(CNN)的深度学习算法,使机器能够像人类一样不断进化,通过大量的车牌样本的训练和经验的累计沉淀,变得越来越聪明,即使在看不太清楚车牌的情况下,也能准确识别出车牌。

  作为出入口安防领域的领军企业,捷顺在车牌识别领域投入了大量研发资源。

  捷顺最新发布的车牌识别算法V3.0版本,通过“卷积神经网络(CNN)的车牌检测和端到端车牌识别”技术,可以准确预测出视频中车牌的位置信息,无需对车牌分割出字符,直接将矫正后的车牌小图输入到“端到端识别网络”即可得到车牌号结果。

  相比传统的机器学习算法,基于卷积神经网络(CNN)的车牌检测与识别技术在复杂场景下的识别优势非常明显,对低光照、模糊、大角度等车牌的检测效果更好,可以大幅降低误识别情况的发生,在车牌矫正、车牌类型识别等方面突破了传统算法的技术瓶颈。

微信图片_20200703170654.jpg

  全深度学习架构的车牌识别算法已然是当前最先进的架构,在这条路上捷顺已先行一步。加持了深度学习技术的捷顺车牌识别V3.0算法,全天候车牌识别准确率可达99.8%以上。同时,所有已接入捷顺天启平台的云托管项目,利用AI大脑进行车牌自动纠错,识别率可达99.95%以上!

  随着其在全国十万多个停车场的推广普及,捷顺将为停车场管理者与车主提供更为优质的服务体验。

0
[责任编辑:汪琴丽]

《安防知识网》一个服务号 二个订阅号 微信服务全面升级

不得转载声明: 凡文章来源标明“安防知识网”的文章著作权均为本站所有,禁止转载,除非取得了著作权人的书面同意且注明出处。违者本网保留追究相关法律责任的权利。

您可能需要

专栏推荐

阅读推荐

全自动智能锁和半自动智能锁的区别 2020-07-10 11:25  来源:安防知识网|0