[发明专利]车牌位置识别方法、装置及电子设备有效

专利信息
申请号: 201810121546.0 申请日: 2018-02-07
公开(公告)号: CN110119736B 公开(公告)日: 2021-12-28
发明(设计)人: 赵伟 申请(专利权)人: 浙江宇视科技有限公司
主分类号: G06K9/32 分类号: G06K9/32;G06K9/62
代理公司: 北京超凡志成知识产权代理事务所(普通合伙) 11371 代理人: 梁香美
地址: 310000 浙江省杭州市滨江区西兴街道江陵路*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 车牌 位置 识别 方法 装置 电子设备
【说明书】:

发明涉及智能交通技术领域,提供一种车牌位置识别方法、装置及电子设备,所述方法包括:获取原始图像,其中,所述原始图像包括待识别车牌;将所述原始图像输入预先训练的卷积神经网络,利用所述卷积神经网络的第一网络提取出所述原始图像的第一特征图;将所述第一特征图输入所述卷积神经网络的第二网络,利用第二网络中的贝叶斯后验概率模型对所述第一特征图进行特征处理,得到第二特征图;依据所述第二特征图,识别出所述原始图像中所述待识别车牌的位置信息。本发明通过将贝叶斯后验概率模型融入到卷积神经网络,根据贝叶斯后验概率模型获得的置信度不断更新卷积神经网络的网络权值,提升了车牌位置识别的准确性。

技术领域

本发明涉及智能交通技术领域,具体而言,提供一种车牌位置识别方法、装置及电子设备。

背景技术

车牌识别技术作为智能交通系统的关键技术之一,在高速公路收费、城市道路监控、停车场管理、车辆违章查处等领域都有广泛的应用。车牌位置识别作为车牌识别的最关键部分为后续字符有效分割和识别的提供了重要基础,车牌位置识别的准确程度将直接影响到车牌分割及识别的准确率。当前对于车牌位置识别的研究依然停留在图像处理或机器学习相关算法的研究中,这些方法对场景及车牌本身的纹理信息依赖性很强,特别是对于倾斜车牌、污损车牌、小像素车牌、模糊车牌等特殊车牌定位鲁棒性不高,效果较差,同时在处理其他国家车牌或是其他结构的车牌的位置检测时算法的可移植性不高,增加了开发成本。

发明内容

本发明实施例的目的在于提供一种车牌位置识别方法、装置及电子设备,用以改善上述问题。

为了实现上述目的,本发明实施例采用的技术方案如下:

第一方面,本发明实施例提供了一种车牌位置识别方法,所述方法包括:获取原始图像,其中,原始图像包括待识别车牌;将原始图像输入预先训练的卷积神经网络,利用卷积神经网络的第一网络提取出原始图像的第一特征图;将第一特征图输入卷积神经网络的第二网络,利用第二网络中的贝叶斯后验概率模型对第一特征图进行特征处理,得到第二特征图;依据第二特征图,识别出原始图像中待识别车牌的位置信息。

第二方面,本发明实施例还提供了一种车牌位置识别装置,所述装置包括原始图像获取模块、第一特征图生成模块、第二特征图生成模块、和位置信息生成模块。其中,原始图像获取模块,用于获取原始图像,其中,原始图像包括待识别车牌;第一特征图生成模块,用于将原始图像输入预先训练的卷积神经网络,利用卷积神经网络的第一网络提取出原始图像的第一特征图;第二特征图生成模块,用于将第一特征图输入卷积神经网络的第二网络,利用第二网络中的贝叶斯后验概率模型对第一特征图进行特征处理,得到第二特征图;位置信息生成模块,用于依据第二特征图,识别出原始图像中待识别车牌的位置信息。

第三方面,本发明实施例还提供了一种电子设备,所述电子设备包括:一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现上述的车牌位置识别方法。

相对现有技术,本发明实施例提供的一种车牌位置识别方法、装置及电子设备,首先,获取原始图像,其中,原始图像包括待识别车牌;然后,将原始图像输入预先训练的卷积神经网络,利用卷积神经网络的第一网络提取出原始图像的第一特征图;第三,将第一特征图输入卷积神经网络的第二网络,利用第二网络中的贝叶斯后验概率模型对第一特征图进行特征处理,得到第二特征图;最后,依据第二特征图,识别出原始图像中待识别车牌的位置信息。与现有技术相比,本发明实施例通过将贝叶斯后验概率模型融入到卷积神经网络,根据贝叶斯后验概率模型获得的置信度不断更新卷积神经网络的网络权值,提升了车牌位置识别的准确性。

为使本发明的上述目的、特征和优点能更明显易懂,下文特举实施例,并配合所附附图,作详细说明如下。

附图说明

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江宇视科技有限公司,未经浙江宇视科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810121546.0/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top