典型文献
基于级联CNNs的非约束车牌精确定位
文献摘要：
为解决单一深层卷积神经网络用于非约束场景下车牌定位时,所输出的矩形检测框对非正面车牌定位效果不佳的问题,提出将目标检测与目标分类CNN网络级联,通过检测网络得到感兴趣区域,接着利用轻量级分类网络,将车牌顶点检测问题转化为回归问题.首先,利用YOLOv3网络进行粗定位,获取图像中所有车牌的候选区域;然后,使用基于MobileNetV3改进的轻量级神经网络定位候选区域中的车牌顶点,实现车牌区域精定位;最后,通过透视变换将车牌区域投影到矩形框内实现车牌校正.实验结果表明,所提出的级联CNNs能够有效解决单一CNN目标检测网络仅能输出矩形检测框,而不适用于非约束车牌定位的问题,具有较好的应用价值.
文献关键词：
非约束车牌定位;卷积神经网络;YOLOv3;MobileNetV3
中图分类号：
作者姓名：
徐光柱;匡婉;万秋波;雷帮军;吴正平;马国亮
作者机构：
湖北省水电工程智能视觉监测重点实验室(三峡大学),湖北 宜昌 443002;三峡大学计算机与信息学院,湖北 宜昌 443002;宜昌市公安局交通警察支队,湖北 宜昌 443002
文献出处：
引用格式：
[1]徐光柱;匡婉;万秋波;雷帮军;吴正平;马国亮-.基于级联CNNs的非约束车牌精确定位)[J].计算机工程与科学,2022(09):1665-1675
A类：
非约束车牌定位
B类：
CNNs,精确定位,深层卷积神经网络,下车,定位效果,目标分类,感兴趣区域,分类网络,顶点,点检,检测问题,问题转化,回归问题,YOLOv3,粗定位,候选区域,MobileNetV3,轻量级神经网络,网络定位,精定位,过透,透视变换,矩形框,框内,目标检测网络
AB值：
0.305111
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
