📌 Points clés (TL;DR)
- Le problème : L'OCR sur une seule image subit inévitablement des confusions ponctuelles (ex.
6confondu avec8) dues aux vibrations et aux reflets.- La solution : Filtrage grammatical strict par expressions régulières (Regex) associé à un vote majoritaire sur une fenêtre glissante de 11 images consécutives.
📌 Points clés (TL;DR)
- Le problème : Les plaques découpées mesurent souvent moins de 40x20 pixels avec une forte pixellisation de compression H.264 ; l'interpolation bicubique rend les caractères illisibles.
- La solution : Restauration des contours de caractères par un réseau de neurones résiduel EDSR (facteur 4x) combiné à un moyennage temporel multi-images.
📌 Points clés (TL;DR)
- Le problème : Scanner directement une image 1080p complète pour y trouver une plaque de 30x15 pixels génère de faux positifs et fait chuter le débit sous 10 FPS.
- La solution : Hiérarchie en 2 étapes — Détecter d'abord le véhicule (YOLOv3), puis localiser la plaque uniquement dans la zone du pare-chocs (YOLOv5), avec suivi CSRT sur les images intermédiaires.
📌 Points clés (TL;DR)
- Le problème : Les reflets sur route mouillée et les ombres créent des lignes parasites ; une simple vérification de coordonnées X déclenche des alertes erronées.
- La solution : Filtrage strict par pentes de droites et calcul du chevauchement de surface (IoU > 0,15) entre le polygone du véhicule et le tracé de la voie.
📌 Points clés (TL;DR)
- Le problème : Les vidéos de dashcam à haute vitesse souffrent de vibrations, de contre-jours et de flous de mouvement sévères, rendant la reconnaissance directe des plaques et des lignes très instable.
- La solution : Un pipeline modulaire en 6 étapes respectant une contrainte stricte de 30 FPS, associant vision géométrique, réseaux de neurones YOLO, super-résolution EDSR et vote temporel.