[发明专利]一种基于深度学习SSD框架的车牌定位方法

说明书

本发明公开了一种基于深度学习SSD框架的车牌定位方法，包括：依据VOC数据集格式制作车牌数据集，将制作的车牌数据集转换为lmdb格式，以ResNet残差网络作为基础网络，添加额外辅助的网络结构作为SSD框架特征提取层和分类层，搭建SSD框架，利用搭建的SSD框架训练网络模型；利用训练出的模型进行车牌定位及模型评估。本发明的车牌定位方法，车牌定位准确率高，漏检率低，定位速度快，实现了车辆实时检测。

技术领域

本发明涉及计算机视觉识别技术领域，具体涉及一种基于深度学习SSD框架的车牌定位方法。

背景技术

面对当今世界全球化、信息化发展趋势，智能交通系统将是交通事业发展的必然选择。通过先进的信息技术、通信技术、控制技术、传感技术、计算器技术和系统综合技术有效的集成和应用，使人、车、路之间的相互作用关系以新的方式呈现，从而实现实时、准确、高效、安全、节能的目标。车牌识别是现代智能交通系统的一个重要组成部分，车牌识别技术应用于道路的交通监控、交通违章自动记录、高速公路超速管理、小区和停车场智能管理等方面，为智能交通管理提供了高效、实用的手段。车牌识别技术包括车牌定位、字符分割和字符识别三个基本环节，其中，车牌定位是字符分割和字符识别的前提，也是车牌识别的难点。

现有的车牌定位方法主要有三类：基于图像处理方法、基于特征提取方法和基于深度学习方法。图像处理的方法主要有：1）基于车牌颜色的方法。利用查找车牌颜色区域的方法获取车牌。该类方法易受车身颜色的影响，造成车牌漏检；此外，自然条件下光照不均匀也会导致车牌颜色信息的变化。2）基于车牌纹理、边缘的方法。利用车牌区域字符集中的特点，通过小波变换、边缘增强等方法进行车牌定位。该类方法在场景中出现字符干扰时，易引发误检。3）基于灰度跳变的方法。利用车牌图像二值化后的跳变规律，对图像进行逐行扫描，从而确定车牌区域。该方法易受到跳变信息丰富的物体干扰造成误检，且车牌角度倾斜较大时不易得到车牌。特征提取的方法通常使用方向梯度直方图（HoG）、局部二值模式（LBP）、SIFT、Haar等特征，使用分类器训练模型进行全图搜索，检测率较高但速度慢，并且对角度要求较高，车牌角度大时会出现漏检。深度学习的方法通常使用特征提取方法或训练RPN卷积神经网络进行粗选区域提取，再利用卷积神经网络对得到的粗选区域进行判断，从而得到车牌区域。该方法过程复杂，计算量大，难以实时处理。

中国专利公开号CN106022232A公开了一种基于深度学习的车牌检测方法：采用faster-rcnn算法，分别训练一个RPN卷积神经网络和一个fast-rcnn卷积神经网络，通过构建带有标注和标签的图片库作为样本集，并采用训练好的RPN卷积神经网络处理样本集中的图片，得到车牌粗选区域，然后将车牌粗选框送入训练好的fast-rcnn卷积神经网络的输出向量判断，得到车牌最终区域。该方法在RPN卷积神经网络训练时，采用了多个尺度和多个比例基准框，能够有效提升非常规尺度和比例的车牌检测，但该方法整体分成两个阶段，先获取粗选区域，然后对每个粗选区域分类、回归，计算量仍然较大，难以达到实时的效果。

发明内容

为弥补现有技术的不足，本发明提供一种基于深度学习SSD框架的车牌定位方法，以提高车牌定位准确率，减少定位时间，达到实时检测的要求。

本发明是通过如下技术方案实现的：

一种基于深度学习SSD框架的车牌定位方法，其特殊之处在于：包括以下步骤：

（1）依据VOC数据集格式制作车牌数据集；

（2）将车牌数据集转换为lmdb格式；

（3）以ResNet残差网络作为基础网络，添加额外辅助的网络结构作为SSD框架特征提取层和分类层，搭建SSD框架；

（4）利用搭建的SSD框架训练网络模型；

（5）利用训练出的模型进行车牌定位及模型评估。