2 篇文章 含有標籤「deep-learning」

📌 核心要點 (Key Takeaways)

• 問題痛點：從高速行車記錄器畫面裁剪出的遠距離車牌區域往往不足 40x20 像素，且伴隨嚴重的 H.264 編碼巨集區塊效應；傳統的雙三次插值（Bicubic）演算法只會讓字體邊緣更加模糊，無法還原字元有效筆畫。
• 解決方案：引入移除了 Batch Normalization 層以保留高動態像素範圍的 EDSR_x4 深度殘差模型 (EDSR_x4.pb)，並結合連續 3 至 5 幀的時序多幀加權疊加（Multi-Frame Image Stacking）技術。
• 落地成效：車牌像素密度提升 4 倍，筆畫邊緣顯著銳化，使得下游 EasyOCR 對韓文字元的辨識準確率從最初的 32% 飆升至 91% 以上。

📌 核心要點 (Key Takeaways)

• 問題痛點：低解析度行車記錄器畫面普遍存在車身顛簸、逆光高光、運動模糊以及 H.264 編碼失真，使得直接進行車牌文字辨識和車道壓線判定極易發生誤判漏檢。
• 解決方案：設計高度解耦的 6 階段分層電腦視覺架構：Canny/Hough 動態車道線擬合 -> YOLOv3 車輛粗檢 -> 多邊形 IoU 壓線判定 -> YOLOv5 車牌局部精檢 -> EDSR_x4 深度超解析度重建 -> EasyOCR 時序多數表決集成。
• 落地成效：建置了一套純 Python 實作的高吞吐端到端管線，在嚴重劣化的行車記錄器實拍視訊下實作了高強健性的車輛追蹤與車道侵入監控。