基于CRNN的车牌识别方法

摘要

车牌识别是道路交通、智慧城市建设的重要组成部分,传统的车牌识别需要先检测出车牌位置,然后通过像素映射等方法分割出单个字符,最后利用模板匹配等方法进行识别。整个过程不仅速度慢,而且操作繁琐,分割或识别的效果也很难令人满意。本文基于YOLOv4-tiny和卷积循环神经网络(Convolution Recurrent Neural Network, CRNN)提出了一种端到端的方法。该方法利用注意力机制与YOLO4-tiny的融合,有效且快速的检测车牌位置,然后利用空间变换网络(Spatial Transformer Networks, STN)、残差学习(Residual Learning)以及注意力机制(Attention)与CRNN的融合高效的识别车牌信息。本文使用平均精度(Average Precision, AP)和识别准确率(Accuracy)作为检测和识别结果的主要评估指标。实验结果表明,车牌检测模型在交并比(Intersection-over-Union, IoU)为0.5的前提下AP值达到了93.60%,并且识别模型在蓝牌、绿牌的混合车牌下达到了92.15%左右的识别准确率。该方法相比于之前的车牌识别模型,不但识别准确率更高,而且能够直接通过该模型识别混合车牌,大大减少了现实情况下车牌识别的复杂度。