|
|
بازشناسی پلاک خودرو با استفاده از یادگیری ژرف
|
|
|
|
|
نویسنده
|
رخشانی اول ساجد ,راشدی عصمت ,نظام آبادی پور حسین
|
منبع
|
ماشين بينايي و پردازش تصوير - 1398 - دوره : 6 - شماره : 1 - صفحه:31 -46
|
|
|
چکیده
|
در این مقاله، روشی بر اساس یادگیری ژرف برای برجسته کردن شناسهها و خواندن پلاکخودروهای ایرانی ارائه شدهاست. پژوهش حاضر برای ارتقای تصویر و برجسته کردن تصویر پلاک بجای استفاده از روشهای متداول ارتقای تصویر از شبکههای عصبی همگشتی با ساختار رمزگذاررمزگشا استفاده میکند. شبکه پیشنهاد شده میتواند با یادگیری تصاویر پلاک خودرو در شرایط متنوع، شناسههای پلاک خودرو را برجسته نماید. پس از آن، شناسههای پلاک از روی تصویر دودویی شده با استفاده از شبکههای عصبی بازگشتی و بدون نیاز به جداسازی شناسه ها، خوانده میشوند. این کار میتواند خطای ناشی از ناحیه بندی شناسهها را تا حد زیادی کاهش دهد. روش پیشنهادی برای بازشناسی پلاک خودرو در یک پایگاه داده با 4000 تصویر آزمون به نرخ بازشناسی 94.19 درصد دقت نهایی رسیده است که این دقت در مقایسه با سایر روشها قابل قبول میباشد.
|
کلیدواژه
|
یادگیری ژرف، بازشناسی پلاک خودرو، شبکه عصبی رمزگذار-رمزگشا، خود رمزگذار
|
آدرس
|
دانشگاه تحصیلات تکمیلی صنعتی کرمان, ایران, دانشگاه تحصیلات تکمیلی صنعتی کرمان, دانشکده مهندسی برق و کامپیوتر, ایران, دانشگاه شهید باهنر کرمان, گروه مهندسی برق, ایران
|
پست الکترونیکی
|
nezam@uk.ac.ir
|
|
|
|
|
|
|
|
|
License plate recognition using deep learning
|
|
|
Authors
|
Rashedi Esmat ,Nezamabadi-pour Hossein ,Rakhshani Sajed
|
Abstract
|
In this paper, a method based on deep learning is presented to highlight and recognize the Iranian license plate numbers. The current research uses the convolutional neural network with the encoderdecoder structure to enhance the image and highlight the plate image numbers instead of using traditional image enhancement techniques. The proposed network can highlight vehicle license plate numbers by learning the plate images in various conditions. After that, the plate numbers are recognized from the reproduced image using a recurrent neural network without the need to plate image segmentation. This method can reduce the error caused by the license plate number segmentation. The proposed method reached the final recognition rate up to 94٫19 percent on a database with 4000 test images for recognizing the license plates which is acceptable in comparison to three recent methods.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|