2 篇博文 含有标签「deep-learning」

📌 核心要点 (Key Takeaways)

• 问题痛点：从高速行车记录仪画面裁剪出的远距离车牌区域往往不足 40x20 像素，且伴随严重的 H.264 编码宏块效应；传统的双三次插值（Bicubic）算法只会让字边缘更加模糊，无法还原字符有效笔画。
• 解决方案：引入移除了 Batch Normalization 层以保留高动态像素范围的 EDSR_x4 深度残差模型 (EDSR_x4.pb)，并结合连续 3 至 5 帧的时序多帧加权叠加（Multi-Frame Image Stacking）技术。
• 落地成效：车牌像素密度提升 4 倍，笔画边缘显著锐化，使得下游 EasyOCR 对韩文字符的识别准确率从最初的 32% 飙升至 91% 以上。

📌 核心要点 (Key Takeaways)

• 问题痛点：低分辨率行车记录仪画面普遍存在车身颠簸、逆光高光、运动模糊以及 H.264 编码失真，使得直接进行车牌文字识别和车道压线判定极易发生误判漏检。
• 解决方案：设计高度解耦的 6 阶段分层计算机视觉架构：Canny/Hough 动态车道线拟合 -> YOLOv3 车辆粗检 -> 多边形 IoU 压线判定 -> YOLOv5 车牌局部精检 -> EDSR_x4 深度超分辨率重建 -> EasyOCR 时序多数表决集成。
• 落地成效：搭建了一套纯 Python 实现的高吞吐端到端流水线，在严重劣化的行车记录仪实拍视频下实现了高鲁棒性的车辆跟踪与车道侵入监控。