Drone navigation and license place detection for vehicle location in indoor spaces

解决问题：本篇论文旨在解决车辆在室内停车场的定位问题，通过使用纳米无人机进行导航和车牌识别，以实现对车辆位置的实时监测。这是一个新问题，需要创新性的解决方案。

关键思路：本文提出的解决方案主要包括使用墙面跟随算法和卷积神经网络进行车牌识别。与当前领域的研究相比，本文的创新点在于使用无人机进行车辆定位和监测，同时实现了实时计算和车牌识别。

其他亮点：本文的实验设计包括了多个测试案例，涉及到多行车牌、不同无人机速度和低光环境等，通过多次飞行的测量数据进行聚合，实现了对所有车牌的识别。论文未提及是否有开源代码。值得进一步研究的是如何将该方案应用到实际场景中，并且如何提高识别准确率。

关于作者：本文的主要作者包括 Moa Arvidsson、Sithichot Sawirot、Cristofer Englund、Fernando Alonso-Fernandez、Martin Torstensson 和 Boris Duran。他们来自瑞典皇家理工大学、斯德哥尔摩大学和哥伦比亚大学等机构。他们之前的代表作未在数据库中找到相关信息。

相关研究：与本文相关的其他研究包括 "Vehicle Detection and Tracking in Car Parks Using Unmanned Aerial Vehicles" (作者：Z. Cao, Y. Zhang, Y. Yu, Y. Zhang, X. Wang, 机构：南京航空航天大学) 和 "Deep Learning for Vehicle Detection in Aerial Surveillance Using Convolutional Neural Networks" (作者：M. G. M. Khan, M. F. Mollah, K. A. Khan, 机构：孟加拉国农业大学)。

论文摘要：这篇文章的主要内容是基于一个纳米无人机，通过墙随算法和卷积神经网络识别车牌，以实现室内停车场内车辆的定位。每年有数百万辆车被紧密地停放在船只或船只上运输。为了减少与安全问题相关的风险，例如火灾，了解车辆的位置是必要的，因为不同的车辆可能需要不同的缓解措施，例如电动汽车。该解决方案能够在无人机上实时完成所有计算，只需发送位置和检测到的图像，即可创建一个包含车牌位置的二维地图。通过聚合多个无人机飞行的测量数据，我们的解决方案能够在八个测试案例中读取所有车牌，包括多行车牌、不同的无人机速度或低光照条件。

内容中包含的图片若涉及版权问题，请及时与我们联系删除