تشخیص شناسه خودرو با استفاده از ترکیب ماشین بردار پیشتیبان و شبکه عصبی همگشتی دروازه‌ای

در طول زمان، پژوهش‌های متعددی برای خواندن شناسه‌ها و تشخیص پلاک خودرو انجام شده است. اما نکته قابل توجه در مطالعات قبلی این است که این تحقیقات معمولاً توانایی یادگیری ساختارهای پیچیده در تصاویر را با دقت بالا ندارند. به این منظور در این مقاله از ظرفیت‌های بالای شبکه‌های عصبی عمیق برای یادگیری شناسه‌های پلاک خودرو استفاده شده است. مدل پیشنهادی در این مقاله شامل دو مرحله اصلی: برجسته‌سازی پلاک خودرو و خواندن شناسه است. در مدل پیشنهادی، بمنظور انتخاب بهترین محدوده از شبکه svm استفاده شده است. پس از شناسایی محدوده پلاک باید کاراکترهای آن تشخیص داده شود. در این مرحله از شبکه عصبی همگشتی دروازه‌ای استفاده خواهد شد. مدل پیشنهادی بر روی دو مجموعه داده fzu cars و stanford cars مورد ارزیابی قرار گرفته و نتایج حاصل از آزمایش‌ها نشان می‌دهند که این مدل نسبت به سایر روش‌های ارائه شده در هر دو مجموعه داده از دقت بالاتری برخوردار است.

vehicle id recognition using a combination of support vector machine (svm) and gated convolutional neural network (gcnn)

over time, numerous studies have been conducted to read license plates and recognize license plates. however, it is noteworthy that these studies usually do not have the ability to learn complex structures in images with high accuracy. for this purpose, this paper uses the high capacities of deep neural networks to learn license plate identifiers. the proposed model in this paper includes two main steps: highlighting license plates and reading the id. in the proposed model, the support vector machine (svm) network is used to select the best range. after identifying the range of the license plate, its characters must be recognized. in this step, a gated convolutional neural network (gcnn) will be used. the proposed model is evaluated on two datasets, fzu cars and stanford cars, and the results of the experiments show that this model has higher accuracy than other methods presented in both datasets.