[论文解读] License Plate Recognition with Compressive Sensing Based Feature Extraction

A. Jokic, Nikola Vukovic|arXiv (Cornell University)|Feb 7, 2019

Vehicle License Plate Recognition参考文献 16被引用 6

一句话总结

本文提出了一种基于压缩感知的车牌识别系统，通过降维和特征提取实现高效分类，且所需样本更少。通过应用随机伯努利测量矩阵并结合总变差最小化进行图像重建，该方法仅使用96个压缩样本即实现了99.08%的平均准确率，即使在低采样率下也表现出鲁棒性能。

ABSTRACT

License plate recognition is the key component to many automatic traffic control systems. It enables the automatic identification of vehicles in many applications. Such systems must be able to identify vehicles from images taken in various conditions including low light, rain, snow, etc. In order to reduce the complexity and cost of the hardware required for such devices, the algorithm should be as efficient as possible. This paper proposes a license plate recognition system which uses a new approach based on compressive sensing techniques for dimensionality reduction and feature extraction. Dimensionality reduction will enable precise classification with less training data while demanding less computational power. Based on the extracted features, character recognition and classification is done by a Support Vector Machine classifier.

研究动机与目标

• 降低车牌识别系统中的计算复杂度和训练数据需求。
• 通过利用压缩感知实现降维，提升分类效率。
• 评估在不同采样率下，压缩感知特征在字符识别中的性能表现。
• 通过多类SVM分类器在数字图像上验证该方法的鲁棒性。

提出的方法

• 系统采用自适应阈值法和连通域分析进行图像分割，以分离出单个字符。
• 将每个分割出的字符缩放至固定的16×16像素大小，以确保尺度不变性。
• 通过随机伯努利测量矩阵应用压缩感知，从N像素图像中生成m个压缩样本，形成测量向量 y = Ax。
• 利用总变差（TV）最小化方法进行图像重建，从压缩测量中恢复原始图像。
• 直接将压缩样本用作分类特征，跳过完整重建过程。
• 采用带误差校正输出码和一对一编码方案的多类SVM，将特征分类为0–9的数字类别。

实验结果

研究问题

• RQ1 从低采样图像中提取的压缩感知特征能否在车牌识别中实现高分类准确率？
• RQ2 压缩样本数量如何影响识别性能和重建质量？
• RQ3 该方法在图像重建视觉效果较差时是否仍对低采样率具有鲁棒性？
• RQ4 与传统特征提取方法相比，基于压缩感知的特征在准确率和计算成本方面表现如何？

主要发现

• 使用64个压缩样本时，系统在20次运行中平均分类准确率达到98.81%，最低为97.52%，最高为100%。
• 使用96个样本时性能进一步提升，平均准确率达到99.08%，最低为98.02%。
• 即使在仅使用32个样本时，系统仍保持98.2%的平均准确率，尽管图像重建几乎无法辨认。
• 在96个样本下，数字'4'的F1得分达到100%，表明精确率和召回率均完美。
• 在96个样本下，数字'0'、'7'、'8'和'9'的F1得分均超过99%，显示出优异的类别特异性性能。
• 采用简单的随机伯努利矩阵显著降低了计算复杂度，使该方法适用于实时应用。