Усовершенствованная система распознавания автомобильных номерных знаков на основе YOLOv8
Enhanced YOLOv8-Based System for Automatic Number Plate Recognition
2024-09-13
SCID: 54.1/dy8qj3c8
Discuss with AI
катарские номерные знакиYOLOv8автоматическое распознавание номерных знаковграничные вычисленияобнаружение номерных знаков
Figures from the paper
Abstract (AI)
В статье представлена усовершенствованная система автоматического распознавания автомобильных номерных знаков (ANPR), разработанная специально с учетом многообразия номерных знаков Катара и сложных условий окружающей среды. Благодаря использованию модели глубокого обучения YOLOv8, в частности ее варианта YOLOv8s, достигнута передовая точность как при обнаружении номерных знаков, так и при распознавании их номеров. Предлагаемый инновационный подход включает комплексную методику расширения набора данных, имитирующую неблагоприятные условия и существенно повышающую устойчивость модели в реальных сценариях. В системе интегрированы периферийные вычисления на базе Raspberry Pi и обработка на серверной стороне, что демонстрирует эффективность решения для приложений ANPR в реальном времени. Система сохраняет общую эффективность свыше 93% в различных условиях окружающей среды, включая ночное время и дождь. Кроме того, исследовано влияние различных методов предварительной обработки, включая выделение границ, пороговую обработку методом k-средних, DBSCAN и модели гауссовых смесей, на эффективность системы ANPR. Результаты показывают, что современные модели глубокого обучения, такие как YOLOv8, достаточно устойчивы для обработки исходных изображений и не получают существенных преимуществ от дополнительной предварительной обработки. Благодаря высокой точности и возможности обработки данных в реальном времени предлагаемая система представляет собой значительный шаг вперед в развитии технологии ANPR и особенно хорошо подходит для решения специфических задач управления дорожным движением в Катаре и реализации инициатив умного города.
Key Findings
1
Дополнительные методы предобработки, включая обнаружение границ, кластеризацию k-средних, DBSCAN и модели гауссовых смесей, не дают существенных преимуществ по сравнению с необработанными изображениями при использовании YOLOv8.
2
Сочетание периферийных вычислений на Raspberry Pi с серверной обработкой обеспечивает распознавание номерных знаков в реальном времени.
3
Расширение набора данных с помощью имитации неблагоприятных условий значительно повышает устойчивость системы в реальных сценариях.
4
Система распознавания номерных знаков на основе YOLOv8s адаптирована к разнообразным номерным знакам Катара и сложным условиям окружающей среды.
5
Система демонстрирует общую производительность выше 93% в различных условиях, включая ночное время и дождь.
Research Object
Лицензионные номерные знаки Катара в реальных условиях окружающей среды
Research Subject
Точность, устойчивость и быстродействие в реальном времени систем автоматического обнаружения и распознавания номерных знаков в различных и неблагоприятных условиях
Publication Details
Publication Date
2024-09-13
Journal
Publisher
ISSN
Cited by
26
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest