轻量型多尺度注意力融合的车牌检测算法

• 全文链接
• 请求原文

作   者：

张世豪;  杨绣郡;  吴林煌;  陈平平; 

作者机构：

福州大学物理与信息工程学院; 

关键词：

注意力机制;  深度学习;  目标检测;  车牌检测; 

期刊名称：

计算机工程与应用

i s s n：

1002-8331

年卷期：

2021 年 022 期

页   码：

208-214

摘   要：

车牌识别技术在交通管理中发挥着重要作用,其中车牌检测环节对后续识别性能有重大影响。现有的车牌检测系统容易受到外部环境的干扰,在自然场景下的检测性能差。提出一种基于多尺度注意力融合的车牌检测网络模型,利用金字塔网络特征图和CBAM（Convolutional Block Attention Module）注意力结构,提高小目标的检测精度。同时该方法不仅能够准确地检测定位出自然场景下的车牌,还能精确地定位出车牌的4个角点,有利于后续的车牌识别应用。实验中采用数据增强方法对CCPD数据集进行扩增,有效缓解了复杂环境变化对车牌检测造成的影响,增强了模型鲁棒性。通过对模型进行训练和测试,获得了98.05%的平均精确率和98.71%的召回率,优于其他车牌检测方法,并且帧率达到64 frame/s,实时性高。