基于图像自适应增强的轻量级雾天车牌检测和识别算法

针对雾天图像降质带来的车牌识别难题，提出一种采用图像自适应增强的轻量级车牌检测和识别算法。以目标检测网络YOLOv5s和车牌识别网络LPRNet为基础，设计一个改进的图像自适应增强模块级联于YOLOv5s之前，并引入混合注意力(SA)机制改进LPRNet。图像自适应增强模块由带参数的图像去雾和纹理增强模块以及自适应参数预测模块组成。自适应参数预测模块是轻量级卷积神经网络，与YOLOv5s联合训练，为不同程度的带雾图像自动提供合适的去雾和纹理增强参数以获得更准确的车牌检测结果。利用车牌位置的真实标签和实际检测结果，采用混合注意力机制和迁移学习策略得到最终的SA-LPRNet模型，缓解识别模型对检测结果的敏感性以获得更高的车牌识别准确率。在合成的雾天车牌数据集上的实验结果表明：本文算法对雾天车牌检测的mAP@0.5-0.95指标达到70.6%,车牌识别准确率达到93.5%,优于对比算法，且识别速度满足实时性要求。