📌 Kernaussagen (TL;DR)
- Herausforderung: Einzelne Frames führen durch Fahrzeugneigung und Spiegelungen unweigerlich zu Lesefehlern (z. B. Verwechslung von
6und8oderBund8).- Lösung: Kombination aus EasyOCR, syntaktischer Regex-Korrektur und temporalem Mehrheitsentscheid (Sliding-Window Majority Voting) über 11 Frames.
📌 Kernaussagen (TL;DR)
- Herausforderung: Ausgeschnittene Kennzeichen messen oft unter 40x20 Pixel mit starker H.264-Kompressionsblockbildung. Standard-Bikubik-Interpolation verwäscht Zeichenkonturen.
- Lösung: Einsatz von EDSR (Enhanced Deep Residual Networks) zur 4-fachen Kantenrekonstruktion und Multi-Frame-Mittelung zur Rauschunterdrückung.
📌 Kernaussagen (TL;DR)
- Herausforderung: Die Suche nach winzigen Kennzeichen (30x15 Pixel) im vollen 1080p-Frame führt zu massiven False Positives an Schildern und senkt die Inferenzrate unter 10 FPS.
- Lösung: Zweistufige Hierarchie — Erst Fahrzeug finden (YOLOv3), dann Kennzeichen nur im Ausschnitt suchen (YOLOv5) und Zwischenframes mit schnellem CSRT-Tracking überbrücken.
📌 Kernaussagen (TL;DR)
- Herausforderung: Blendung durch nasse Fahrbahnen, Teer-Risse und Schatten erzeugen fehlerhafte Linien; einfache X-Koordinaten-Vergleiche erkennen Spurübertritte nicht zuverlässig.
- Lösung: Kombination aus adaptiver ROI-Trapezmaske, Steigungsfilterung positiver/negativer Geraden und Polygon-Flächenüberlappung (IoU > 0,15).
📌 Kernaussagen (TL;DR)
- Herausforderung: Dashcam-Aufnahmen bei hoher Geschwindigkeit leiden unter Vibrationen, Gegenlicht und Bewegungsunschärfe. Eine direkte OCR scheitert an niedriger Bildauflösung.
- Lösung: Eine modulare 6-Stufen-Pipeline mit strikter 30-FPS-Grenze, die Spurerkennung, hierarchische YOLO-Detektion, EDSR-Super-Resolution und temporales OCR-Voting kombiniert.