[发明专利]一种基于深度学习的普通摄像头全车牌识别系统

权利要求书

1.一种基于深度学习的普通摄像头全车牌识别系统，其特征在于：包括模型训练单元和系统应用单元；

所述模型训练单元包括

车牌识别定位模型：用于识别和定位图像中车牌所在的相对位置；

车牌内容识别模型：用于识别车牌的类别、尺寸、颜色和文字信息；

所述车牌内容识别模型包括

车牌基本信息识别模型：采用SVM算法来设计神经网络，用于识别车牌的类别、尺寸和颜色；

车牌文字识别模型：采用end2end训练来设计神经网络，用于识别车牌的文字信息；

所述系统应用单元包括

动态监测抓拍模块：检测到视频中有车辆进入时，触发识别功能，进行抓拍，将抓拍到的图像传送到车牌识别定位模块；

车牌识别定位模块：采用车牌识别定位模型来识别和定位抓拍到的图像中车牌所在的相对位置，将车牌所在位置截图并传送到车牌内容识别模块；

车牌内容识别模块：采用车牌内容识别模型来识别车牌所在位置的截图中车牌的类别、尺寸、颜色和文字信息，并传送到数据管理模块；

数据管理模块：将车牌信息进行存储；

所述系统应用单元的工作过程包括以下步骤：

步骤1：获取摄像头的实时视频流；

步骤2：对视频流进行动态监测，抓拍当前画面，获得抓拍图像；

步骤3：加载车牌识别定位模型，对步骤2的图像进行识别，判断图像中有无车牌，若图像中有车牌，则定位车牌所在位置并截取车牌图像，若图像中没有车牌，则返回步骤2继续进行动态监测；

步骤4：根据步骤3，识别图像中四个角点的位置，再根据角点的位置将车牌通过透射变换和转角变化转正，然后加载车牌基本信息识别模型，通过颜色分离识别车牌颜色，通过车牌长宽比例识别车牌尺寸；

步骤5：根据步骤4，通过车牌在图像中的具体大小识别车牌相对摄像头的距离，判断是否符合系统阈值距离，若符合直接进行下一步，若不符合，则直接剔除图像，返回步骤2；

步骤6：根据步骤4得出的车牌的颜色和尺寸得到车牌的类别，加载车牌文字识别模型，根据车牌的类别选择不同的识别网络对车牌文字进行识别，再输出车牌文字信息；

步骤7：判断步骤6输出的车牌文字信息是否和步骤4和步骤5得出的车牌颜色、尺寸和类别是否匹配，若匹配，则在步骤2抓拍的图像中圈出车牌的位置并传送车牌信息到后续工作系统；若不匹配，则直接剔除该车牌，视为误识别，不出结果；

步骤8：完成步骤7后，继续返回步骤2获取下一帧图像。

2.根据权利要求1所述的一种基于深度学习的普通摄像头全车牌识别系统，其特征在于：所述车牌识别定位模型的训练过程包括以下步骤：

步骤1：人工收集数据，人工进行数据标注，搭建网络进行初始训练，得到初始模型；

步骤2：自动抓取数据，使用初始模型自动识别标注数据，人工校验修正标注，将标注后的数据，放入初始模型继续训练，得到半自动训练模型；

步骤3：自动抓取数据，使用半自动训练模型自动标注数据，待精度满足要求后，则停止训练，得到最终的车牌识别定位模型。

3.根据权利要求1所述的一种基于深度学习的普通摄像头全车牌识别系统，其特征在于：所述车牌内容识别模型的训练过程包括以下步骤：

步骤1：生成仿真车牌；

步骤2：根据步骤1，训练车牌基础信息识别模型；

步骤3：根据步骤1，训练车牌文字识别模型。