Blurred License Plate Recognition based on single snapshot from drive recorder
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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 ℓ <inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">0</inf> -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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 découle