論文の概要: Deep Learning Based Vehicle Tracking System Using License Plate
Detection And Recognition
- arxiv url: http://arxiv.org/abs/2005.08641v1
- Date: Sun, 10 May 2020 14:03:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 01:47:03.377972
- Title: Deep Learning Based Vehicle Tracking System Using License Plate
Detection And Recognition
- Title（参考訳）: ライセンスプレート検出・認識を用いたディープラーニングに基づく車両追跡システム
- Authors: Lalit Lakshmanan, Yash Vora, Raj Ghate
- Abstract要約: 提案システムは,車両ナンバープレート検出・認識(OCR)技術を用いた車両追跡の新しい手法を用いている。
結果は、人間に近い精度で毎秒30フレームの速度で得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle tracking is an integral part of intelligent traffic management
systems. Previous implementations of vehicle tracking used Global Positioning
System(GPS) based systems that gave location of the vehicle of an individual on
their smartphones.The proposed system uses a novel approach to vehicle tracking
using Vehicle License plate detection and recognition (VLPR) technique, which
can be integrated on a large scale with traffic management systems. Initial
methods of implementing VLPR used simple image processing techniques which were
quite experimental and heuristic. With the onset of Deep learning and Computer
Vision, one can create robust VLPR systems that can produce results close to
human efficiency. Previous implementations, based on deep learning, made use of
object detection and support vector machines for detection and a heuristic
image processing based approach for recognition. The proposed system makes use
of scene text detection model architecture for License plate detection and for
recognition it uses the Optical character recognition engine (OCR) Tesseract.
The proposed system obtained extraordinary results when it was tested on a
highway video using NVIDIA Ge-force RTX 2080ti GPU, results were obtained at a
speed of 30 frames per second with accuracy close to human.
- Abstract（参考訳）: 車両追跡はインテリジェントな交通管理システムの不可欠な部分である。
従来の車両追跡システムでは,gps (global positioning system) を応用し, 車両の位置情報をスマートフォン上で取得し, 車両のナンバープレート検出・認識 (vlpr) 技術を用いて車両追跡を行う方式が提案されている。
VLPRの最初の実装方法は、非常に実験的でヒューリスティックな単純な画像処理技術を使用した。
Deep LearningとComputer Visionの登場により、人間の効率に近い結果を生み出す堅牢なVLPRシステムを構築することができる。
ディープラーニングに基づく従来の実装では、オブジェクト検出とサポートベクタマシンを検出に利用し、認識のためのヒューリスティック画像処理に基づくアプローチを採用した。
提案システムでは,ライセンスプレートの検出にシーンテキスト検出モデルを使用し,認識にはocr(optical character recognition engine) tesseractを使用する。
提案システムは、NVIDIA Ge-force RTX 2080ti GPUを用いたハイウェイビデオでテストした結果、人間に近い精度で毎秒30フレームの速度で結果が得られた。
関連論文リスト
- Enabling Intelligent Traffic Systems: A Deep Learning Method for Accurate Arabic License Plate Recognition [0.0]
本稿では,エジプト自動車ナンバープレート認識(EVLPR)のための新しい2段階フレームワークを提案する。
第1段では、画像処理技術を用いてライセンスプレートを確実にローカライズし、第2段では、アラビア文字認識のためのカスタム設計のディープラーニングモデルを使用する。
提案システムは,既存手法を超越した多種多様なデータセットにおいて,99.3%の精度を実現する。
論文 参考訳（メタデータ） (2024-08-06T02:27:54Z) - VigilEye -- Artificial Intelligence-based Real-time Driver Drowsiness Detection [0.5549794481031468]
本研究では,深層学習技術とOpenCVフレームワークを組み合わせた新しいドライバの眠気検知システムを提案する。
このシステムは、運転者の顔から抽出された顔のランドマークを、眠気パターンを認識するために訓練された畳み込みニューラルネットワークに入力する。
提案システムは,運転者の疲労による事故を防止するため,タイムリーな警報を提供することで,道路安全を高めることができる。
論文 参考訳（メタデータ） (2024-06-21T20:53:49Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Deep Learning Computer Vision Algorithms for Real-time UAVs On-board
Camera Image Processing [77.34726150561087]
本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。
すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
論文 参考訳（メタデータ） (2022-11-02T11:10:42Z) - Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。
実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
論文 参考訳（メタデータ） (2022-07-05T16:33:20Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Deep Machine Learning Based Egyptian Vehicle License Plate Recognition
Systems [0.024790788944106048]
4つのスマートシステムはエジプトの車両ナンバープレートを認識するために開発されている。
2つのシステムは文字認識に基づいており、それらは(システム1, 古典的機械学習による文字認識)と(システム2, ディープラーニングによる文字認識)である。
他の2つのシステムは、全プレート認識(システム3、古典機械学習による全ライセンスプレート認識)と(システム4、深層機械学習による全ライセンスプレート認識)に基づいている。
論文 参考訳（メタデータ） (2021-07-24T15:58:01Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳（メタデータ） (2020-02-01T04:42:57Z) - A Robust Real-Time Computing-based Environment Sensing System for
Intelligent Vehicle [5.919822775295222]
低消費電力のモバイルプラットフォームをベースとしたリアルタイム運転支援システムを構築した。
このシステムは、ステレオマッチングアルゴリズムと機械学習に基づく障害物検出アプローチを組み合わせたリアルタイムマルチスキーマ統合イノベーションシステムである。
実験結果から,インテリジェントな車両に対して,堅牢で正確なリアルタイム環境認識を実現することができることがわかった。
論文 参考訳（メタデータ） (2020-01-27T10:47:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。