[发明专利]基于卷积神经网络的车牌检测方法

权利要求书

1.一种基于卷积神经网络的车牌检测方法，其特征在于，包括以下步骤：

S1.准备车牌正样本和负样本，训练基于Haar特征的Adaboost车牌检测器；

S2.对待检测图像进行灰度化处理，并利用步骤S1中的基于Haar特征的Adaboost车牌检测器进行滑动窗口检测，获取待检测图像中的车牌粗选区域；

S3.准备完整车牌正样本和负样本，训练卷积神经网络完整车牌识别模型；

S4.利用步骤S3中的卷积神经网络完整车牌识别模型对步骤S2中的车牌粗选区域进行筛选，获取车牌最终候选区域，并保存车牌最终候选区域副本；

S5.利用局部水平投影方法对步骤S4中的车牌最终候选区域进行水平倾斜角度检测，并利用旋转校正法对车牌最终候选区域和车牌最终候选区域副本进行水平倾斜校正，具体为：选取车牌最终候选区域进行灰度化处理，并对灰度化后的图像利用大津法进行二值化处理；再对二值化后的图像在设定角度范围内进行旋转，并求解旋转后的图像水平投影数值；最后选取每一个角度下的水平投影数值中较大的5组数值进行求和，比较不同角度下的求和数值并将最大求和数值对应的角度作为车牌的倾斜角度，并根据得到的车牌倾斜角度对车牌最终候选区域和车牌最终候选区域副本进行旋转校正；

S6.利用多阈值分割算法对水平倾斜校正后的车牌最终候选区域和车牌最终候选区域副本进行处理，得到车牌字符对应图像；

S7.准备汉字、字母和数字样本，训练汉字卷积神经网络识别模型、字母和数字卷积神经网络识别模型；

S8.利用步骤S7中的汉字卷积神经网络识别模型、字母和数字卷积神经网络识别模型对步骤S6中车牌字符对应图像进行车牌字符识别，并统计识别结果。

2.如权利要求1所述的基于卷积神经网络的车牌检测方法，其特征在于，所述步骤S1准备车牌正样本和负样本，训练基于Haar特征的Adaboost车牌检测器，具体为：将准备的车牌正样本和负样本进行归一化处理，生成基于Haar特征的Adaboost车牌检测器；其中，车牌正样本包括不同光照条件下的车牌灰度图像样本，车牌负样本包括非车牌区域灰度图像样本。

3.如权利要求1所述的基于卷积神经网络的车牌检测方法，其特征在于，所述步骤S3准备完整车牌正样本和负样本，训练卷积神经网络完整车牌识别模型，具体为：将准备的完整车牌正样本和负样本进行归一化和命名处理，并设计完整车牌卷积神经网络结构，生成卷积神经网络完整车牌识别模型；其中，完整车牌正样本包括完整车牌彩色图像样本，完整车牌负样本包括非车牌区域彩色图像样本。

4.如权利要求1所述的基于卷积神经网络的车牌检测方法，其特征在于，所述步骤S6利用多阈值分割算法对水平倾斜校正后的车牌最终候选区域和车牌最终候选区域副本进行处理，得到车牌字符对应图像，具体为：对车牌最终候选区域进行灰度化处理，并统计大于某一灰度数值的像素数占车牌区域图像总像素个数的比例；确定一组候选阈值，并对其中的每一个阈值依次对车牌最终候选区域图像进行二值化处理；对每一次二值化处理后的车牌最终候选区域图像求解联通域，并将所有的重叠联通域进行合并，对合并后的联通域进行排序，得到与车牌字符顺序一致的联通域；根据得到的联通域的位置信息对对应的车牌最终候选区域副本图像进行分割，得到车牌字符对应图像。

5.如权利要求1所述的基于卷积神经网络的车牌检测方法，其特征在于，所述步骤S7准备汉字、字母和数字样本，训练汉字卷积神经网络识别模型、字母和数字卷积神经网络识别模型，具体为：对准备的汉字、字母和数字样本进行归一化处理，并分别设计汉字、字母和数字的卷积神经网络结构；采用BP算法对汉字卷积神经网络、字母和数字卷积神经网络进行训练，生成汉字卷积神经网络识别模型、字母和数字卷积神经网络识别模型。