【摘 要】近年来，基于自注意力机制的神经网络在计算机视觉任务中得到广泛的应用。随着智能交通系统的广泛应用，面对复杂多变的交通场景，车牌识别任务的难度不断提高，准确识别的需求更加迫切。因此提出一个基于自注意力的免矫正的车牌识别方法T-LPR。首先对图像进行切片和序列化，并使用3D卷积对切片序列进行特征提取，从而得到图像的嵌入向量序列。然后将嵌入向量序列输入基于Transformer Encoder的编码器中，学习各个嵌入向量之间的关系并输出最终的编码结果。最后使用分类器进行分类。在多个公共数据集上的实验结果表明，所提方法对各类困难场景下的车牌识别都非常有效。
【关键词】车牌识别 ; 图像嵌入向量 ; 自注意力 ; 免矫正
1.引言
随着城市智能管理的进一步发展，智能交通系统变得越来越重要。车牌识别作为智能交通系统中的关键一环，识别效果的好坏将会在很大程度上影响整个系统的运行。根据以往的经验，车牌识别系统的应用场景较为受限，对识别的图像要求高，如特定的拍摄角度、拍摄距离、环境光等。随着车牌识别需求的进一步提升，在非受限的场景下进行无感的车牌识别变得愈加重要，即对识别算法提出了更高的要求，需要对任意的车牌图像进行准确的识别。文章来源：https://www.toymoban.com/news/detail-408827.html
在非受限的开放场景下获取的车牌图像存在许多问题，主要体现在曝光条件不一致，如夜间、白天、逆光拍摄等；天气环境不一致，如下雨导致的模糊、下雪导致的部分遮挡；拍摄角度不一致导致的倾斜、旋转等，以及其他问题导致的车牌污损、扭曲变形、模糊等。图1展示了部分典型的困难车牌样本。在过去的很长一段时间里，车牌识别由传统的图像处理技术完成，而在卷积神经网络成为视觉任务的主流方法之后，许多车牌识别方法开始基于卷积神经网文章来源地址https://www.toymoban.com/news/detail-408827.html
到了这里，关于基于3D卷积的图像序列特征提取与自注意力的车牌识别方法的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
