[发明专利]一种基于深度学习的前后车牌检测识别方法

说明书

技术领域

本发明涉及机动车车牌检测技术领域，特别是指一种基于深度学习的前后车牌检测识别方法。

背景技术

目前交通智能管控中，多是依赖单一的电警或卡口的单向管控。当出现不法分子通过单一的更替、遮挡、损坏车头或者车尾的车牌(一车两牌的违法行为)进行违法活动时，单向管控将无法有效捕获此类违法行为。

发明内容

有鉴于此，本发明的目的在于提出一种基于深度学习的前后车牌检测识别方法，有效对改善一车两牌的违法行为的监控捕获准确率，增强了执法力度。

基于上述目的本发明提供的一种基于深度学习的前后车牌检测识别方法，包括：

通过摄像机实时采集路面图像；所述摄像机以与地面成90°夹角的顶拍方式安装，镜头配备视角大于90°的广角镜头；

基于运动目标识别技术，从所述路面图像中确定出机动车目标；

开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片；

将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息；将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差值，输出所述机动车目标是否为套牌车的判定结果。

优选的，所述基于运动目标识别技术，从所述路面图像中确定出机动车目标的步骤包括：

基于深度学习的目标检测算法，预先搜集大量顶拍场景下的不同车型的机动车样本，按照车型类别进行样本标注获取训练样本集；设置深度网络层、网络结构及损失函数；将训练样本集输入网络，进行基于方向梯度的迭代卷积核计算，直至网络收敛以获取机动车目标检测网络，并将提取的各款型的机动车特征映射至已标注的对应款型的标签内，获取机动车模型；

将所述路面图像逐帧进行每帧图像内的全图、多尺度的滑动窗检测，获得多个待判别的目标窗口，然后将所述待判别的目标窗口的位置坐标及图片送入所述机动车目标检测网络，进行特征提取，将提取的特征与所述机动车模型进行特征比对，筛选出所述机动车目标。

优选的，所述开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片的步骤包括：

设置目标监控区域；所述目标监控区域位于所述摄像机下方位置，沿所述机动车目标的运动方向依次包括：第一车牌监控区域、跟踪区域、第二车牌监控区域；

监控所述机动车目标在所述第一车牌监控区域内，监测车牌区域像素点数，当数量达到特征识别需求时，抓拍获得前拍图片，保存所述前拍图片中的前车牌位置坐标；

跟踪所述机动车目标经过所述跟踪区域到达所述第二车牌监控区域后，监测车牌区域像素点数，数量达到特征识别需求时，抓拍获得后拍图片，保存所述后拍图片中的后车牌位置坐标。

优选的，所述第一车牌监控区域的宽度为所述目标监控区域的默认宽度，长度为所述目标监控区域起始线至所述机动车目标行驶方向1.0～2.0m；所述第二车牌监控区域的宽度为所述目标监控区域的默认宽度，长度为所述目标监控区域终止线至所述机动车目标行驶反方向1.0～2.0m。

优选的，所述由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片的步骤包括：

根据上述前车牌位置坐标和后车牌位置坐标，提取所述前拍图片和后拍图片中的车牌区域图片，然后左右扩充0.5个车牌宽度，上下扩充0.25的车牌宽度，作为最终的前车牌图片和后车牌图片。

优选的，在所述将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息的步骤之前，还包括：

将所述前车牌图片和后车牌图片通过Sobel等边缘特征检测算法，获取车牌的精确定位，再在精确定位的车牌区域内采用图像去噪、图像增强、灰度值转换、尺度变换、图像旋转的图像预处理操作获取高辨识度车牌图片。

优选的，所述将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度的步骤包括：

将前车牌的N*M维的特征PF_j与后车牌的N*M维的特征PB_j，进行相应维度的特征比对，取各个特征比对结果的差值得比对相似度Pro。其中，N为车牌特征提取的种类，M为每类特征下提取的特征数；

所述比对相似度Pro为：

其中，