文献类型：期刊文章

作　　者：马巧梅[1,2] 王明俊[1,2] 梁昊然[1,2]

MA Qiaomei;WANG Mingjun;LIANG Haoran(School of Software,North China University,Taiyuan 030051,China;Shanxi Military-Civilian Integration Software Technology Engineering Research Center,Taiyuan 030051,China)

机构地区：[1]中北大学软件学院,太原030051 [2]山西省军民融合软件技术工程研究中心,太原030051

出　　处：《计算机工程与应用》

基　　金：山西省自然科学基金(201801D121026);山西省研究生创新项目(2020SY398)。

年　　份：2021

卷　　号：57

期　　号：7

起止页码：198-208

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对在光照、多车辆和低分辨率等复杂场景下车牌定位困难、检测速度慢和精度低等问题,提出了一种改进YOLOv3的方法。采用K-means++方法对实例的标签信息进行聚类分析获取新的anchor尺寸,通过改进后的精简特征提取网络(DarkNet41)来提高模型的检测效率并降低计算消耗。此外,改进了多尺度特征融合,由3尺度预测增加至4尺度预测并在检测网络中加入了改进后的Inception-SE结构来提高检测的精度,选取了CIoU作为损失函数。预处理方面用MSR(Multi-Scale Retinex)算法对数据进行增强。实验分析表明,采用该算法mAP(均值平均精度)达到了98.84%,检测速度达到36.4帧/s,与YOLOv3模型以及其他算法相比具有更好的准确性和实时性。

关 键 词：目标检测 YOLOv3  复杂场景  车牌定位 CIoU  Inception-SE结构  

分 类 号：TP391.41]