基于极性检测和改进CNN框架的车牌识别方法

摘要

为了提高车牌自动识别的性能和适用性,提出一种基于前景极性检测和改进卷积神经网络(CNN)的车牌识别方法。所提方法包含两个主要模块:字符分割模块和字符识别模块。在字符分割模块中,基于RGB颜色的前景极性检测进行二值化处理和感兴趣区域(ROI)的分割,然后进行字符高度估计和倾斜校正等处理。在字符识别模块中,通过包含聚合模块的多通道深度CNN框架提取深度特征,提高输出特征的表征能力。实验结果表明,所提方法具有较好的识别精度,在较难的SSIG测试集和AOLP数据集上分别获得92.2%和94.1%的识别率,且在一些极端情况下优于商业的车辆门禁系统。