Blurred License Plate Recognition based on single snapshot from drive recorder
Notice bibliographique
Résumé
Nowadays, drive recorders are becoming a popular form of evidences used by drivers and accepted by court. One common investigation task is to identify vehicles of interest and recognize their license plates (LPs). In this paper, we focus on License Plate Recognition (LPR) based on single snapshot from a drive recorder. As drive recorders are installed on moving vehicles, snapshots by drive recorders usually suffer from serious blur, and the key issue is recognizing the Blurred License Plate (BLP) from single image. A straightforward method is first deblurring the BLP and then recognizing it. However, the first problem with this method is that general image deblurring methods are designed to get a good overall visual effect and the deblurred results may be not good for LPR. The second problem is that general image deblurring methods don't use the features of the LPs, which could be important priors for the deblurring process. To overcome these issues, this paper proposes a novel method that integrates deblurring and recognizing in a closed-loop. The proposed method utilizes characters and patterns of LPs as priors, and the deblurring and recognizing process will stop when a reliable recognition result is obtained from the deblurred image. Furthermore, by analyzing the features of BLPs, this paper proposes a ℓ0-norm based deblurring method. Experiments show that, compared to other LPR methods, the proposed method can achieve higher recognition rate on the BLPs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».