La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Research on the Algorithm of License Plate Recognition Based on MPGAN Haze Weather Recherche sur l'algorithme de reconnaissance des plaques d'immatriculation basé sur MPGAN Haze Weather

Weiguo ZHANG, Jiaqi LU, Jing ZHANG, Xuewen LI, Qi ZHAO

  • Vues en texte intégral

    0

  • Citer

Résumé:

La situation de brume affectera sérieusement la qualité de la reconnaissance des plaques d'immatriculation et réduira les performances de l'algorithme de traitement visuel. Afin d'améliorer la qualité des images de brume, un algorithme de reconnaissance de plaque d'immatriculation basé sur la météo de brume est proposé dans cet article. L'algorithme présenté dans cet article se compose principalement de deux parties : la première partie est le déhazing d'image MPGAN, qui utilise un réseau antagoniste génératif pour débroussailler l'image et combine une convolution multi-échelle et une perte de perception. La convolution multi-échelle favorise une meilleure extraction des caractéristiques. La perte de perception compense le défaut selon lequel l'erreur quadratique moyenne (MSE) est fortement affectée par les valeurs aberrantes ; la deuxième partie consiste à reconnaître la plaque d'immatriculation, nous utilisons d'abord YOLOv3 pour localiser la plaque d'immatriculation, le réseau STN corrige la plaque d'immatriculation et enfin entre dans le réseau LPRNet amélioré pour obtenir des informations sur la plaque d'immatriculation. Les résultats expérimentaux montrent que le modèle de déhazing proposé dans cet article donne de bons résultats et que les indicateurs d'évaluation PSNR et SSIM sont meilleurs que d'autres algorithmes représentatifs. Après avoir comparé l'algorithme de reconnaissance de plaque d'immatriculation avec l'algorithme LPRNet, le taux de précision moyen peut atteindre 93.9 %.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.5 pp.1085-1093
Date de publication
2022/05/01
Publicisé
2022/02/21
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7178
Type de manuscrit
PAPER
Catégories
Reconnaissance d'images, vision par ordinateur

Auteurs

Weiguo ZHANG
  Xi'an University of Science and Technology
Jiaqi LU
  Xi'an University of Science and Technology
Jing ZHANG
  Xi'an University of Science and Technology
Xuewen LI
  Xi'an University of Science and Technology
Qi ZHAO
  Xi'an University of Science and Technology

Mots-clés

Table des matières