基于图像矫正与去噪的车牌识别算法RD-LPRNet

复杂场景下的车牌目标存在大倾角、远距离、光照不均等负面因素，极大地加剧了车牌识别的难度。针对上述问题，提出了一种新的车牌识别算法RD-LPRNet,该算法首先采用改进空间变换网络RNet预测仿射变换参数，对存在大倾角的车牌进行几何矫正；接着构造基于自适应注意力机制的去噪网络DNet,以真实-标准车牌对为训练数据，提高网络提取有效特征、剔除无效噪声信息的能力；最后基于LPRNet,改进其网络输入结构以丰富初始输入特征，提高训练收敛速度；添加深度分离卷积瓶颈结构，增强网络的特征提取能力；加入残差卷积替代特征拼接实现更高效的特征融合与传递。对CCPD、CLPD、PKUdata、OpenITS以及本文人工采集的车牌数据的测试结果表明，RD-LPRNet在复杂场景下表现出更高的识别性能。