شناسایی شماره پلاک خودرو بر اساس یادگیری عمیق با نظارت ضعیف

یادگیری عمیق در صورت استفاده از مجموعه داده آموزشی متناسب می‏تواند دقت قابل توجهی را نتیجه دهد. با این وجود، آماده‏سازی مجموعه داده بزرگ با حاشیه‏نویسی دقیق فرآیندی پرهزینه است. به همین دلیل، الگوریتم‏های یادگیری با نظارت ضعیف در سال‏های اخیر مورد توجه بسیاری از پژوهشگران قرار گرفته‏اند. در رویکرد یادگیری با نظارت ضعیف، مجموعه داده بزرگ اما با حاشیه‏نویسی ساده جمع‏آوری می‏شود تا هم نیازمندی شبکه‌های عمیق به داده‏های زیاد برآورده شود و هم هزینه حاشیه‏نویسی زیاد نباشد. در این مقاله، یک الگوریتم یادگیری با نظارت ضعیف برای شناسایی شماره پلاک خودرو با استفاده از شبکه‏های همگشتی عمیق پیشنهاد می‏شود. در فاز آموزش، تنها کاراکترهایی که در تصاویر پلاک وجود دارند مشخص می‏شود و الگوریتم پیشنهادی قادر است علاوه بر شناسایی وجود هر کاراکتر، مختصات آنها را نیز آشکارسازی نماید. بنابراین، در فاز آزمون شماره پلاک به صورت کامل قابل شناسایی است. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، یک پایگاه داده شامل 1397 تصویر پلاک ایرانی جمع‏آوری شده است. نتایج آزمایش‏ها نشان می‏دهد 95.6% از پلاک‏ها و 99.1% از کاراکترها به درستی شناسایی شده‏اند.

Weakly Supervised Deep Learning for Vehicle License Plate Recognition

Deep learning, if used by an appropriately large dataset, can result in considerable accuracy. However, preparing a large dataset with accurate annotation is a costly process. For this reason, weakly supervised learning algorithms have attracted many researchers in recent years. In a weakly supervised learning approach, a large dataset is gathered with weak annotation to meet both the need of large dataset for deep learning, and reduce the cost of annotations. In this paper, a weakly supervised learning algorithm is proposed to recognize vehicle license plates using deep convolutional neural networks. In the training phase, only the characters existed in the plate images are labeled, and the proposed algorithm can recognize the presence of each character in addition to their coordinates. Therefore, in the test phase, the license plate is fully recognizable. In order to evaluate the performance of the proposed algorithm, a dataset containing 1397 plate images has been collected. The results of the experiments show that 95.6% of the plates and 99.1% of the characters are correctly recognized.