使用在合成图像上训练的神经网络进行稳健的车牌识别

使用在合成图像上训练的神经网络进行稳健的车牌识别(中文17000字,英文PDF)
摘要：在这项工作中，我们描述了围绕合成图像训练的卷积神经网络（CNN）设计的车牌识别（LPR）系统，以避免收集和注释训练CNN所需的数千个图像。 首先，我们提出了一个生成合成车牌图像的框架，考虑了影响真实板块方面的各种条件所需的关键变量。 然后，我们描述了一个模块化的LPR系统，围绕两个CNN设计，用于板和字符检测，享受共同的训练程序，并训练CNN并在不同国家收集的真实板图像的三个不同数据集上进行实验。 我们的综合训练系统优于在真实图像上训练的多个竞争系统，表明如果训练图像具有控制板方面的关键变量的足够差异，则合成图像在训练用于LPR的CNN时是有效的。