目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进...目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。展开更多
文摘目前车牌检测技术快速发展,但在复杂场景下有效检测出车牌数据仍是研究的难点。针对这一问题提出基于改进YOLOv7(you only look once v7)的复杂场景下车牌检测方法。首先,提出一种轻量化自注意力主干特征提取网络,对YOLOv7的主干网络进行替换。此外,用全维动态卷积替换特征融合网络中的普通卷积,同时嵌入CA(coordinate attention)注意力模块,增强模型特征融合能力。在此基础上对原算法中损失函数进行替换,采用更加优秀的损失函数SIoU(SCYLLA intersection over union),提高检测效率。实验采用CCPD(Chinese city parking dataset)数据集,筛选出部分具有挑战性的复杂场景中的车牌图片。实验结果表明:改进后的YOLOv7算法检测速度有大幅提升,帧率从原有的81.9帧/s提升至120帧/s。同时准确率(m AP)达到95.1%,提升2.9百分点,权重模型大小为36.1 MB。可以做到对复杂场景下的车牌进行实时检测,满足轻量化要求,提升了检测速度和精度。
