[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

说明书

本发明公开了一种基于深度学习的普通摄像头全车牌识别系统，涉及车牌识别技术领域，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和车牌内容识别模型，所述车牌内容识别模包括车牌基本信息识别模型和车牌文字识别模型；所述系统应用单元包括检测到视频中有车辆进入时，触发识别功能，进行抓拍的动态监测抓拍模块、识别和定位抓拍图像中车牌所在位置的车牌识别定位模块、识别车牌所在位置的截图中车牌的类别、尺寸、颜色和文字信息的车牌内容识别模块，以及将车牌信息进行存储的数据管理模块。本发明解决了现有车牌识别系统识别车牌种类单一，适用场景较少、限制较多，以及对摄像头要求较高的问题。

技术领域

本发明涉及车牌识别技术领域，特别涉及一种基于深度学习的普通摄像头全车牌识别系统。

背景技术

车牌识别系统是目前市场上较为常见的基于计算机视觉的深度学习应用系统，具有高效便捷，辨识度高，实施成本较低，稳定可靠等特点，常用于停车场，收费站，高速公路ETC等场景进行车辆监管和信息统计。但现有的车牌识别系统还存在以下问题：

1.对摄像头的依赖较为严重，存在需要定制高分辨率的专用摄像头，需要距离车辆近距离安装，需要严格控制摄像头相对于车牌的角度等问题，这就限制了车牌识别系统的使用场景，一般就只能在停车场，收费站等较为固定的场景使用；那些在天眼系统中使用的摄像头则分辨率极高，价格成本极高，不具有批量采用的可能性，因此常规的车牌识别系统的局限性是很大的；

2.能够识别的车牌种类较为单一，通常只能识别单排车牌，对于挂车，新能源汽车，工业大车等识别效果均不理想，主要的问题在于车牌的数据很难以获取，即便是获取了车牌，进行深度学习时，由于车牌种类的多样，很难输出较为统一的结果，尤其是双层的车牌和新能源的车牌(8位车牌)，常规识别系统是无法处理这类问题的；

3.对于环境因素要求较为严格，对不同的场景兼容性不高，通常要求场景光源较为稳定，对于部分场景需要补光才能使用，还需要无过分曝光等苛刻的要求，对于一般场景下的车牌不具有较好的辨识度，这就对现实的应用产生很大的局限性。

因此，本发明对现有技术存在的问题进行深入的分析，提出了能解决以上问题的一种基于深度学习的普通摄像头全车牌识别系统。

发明内容

本发明的目的在于：提供了一种基于深度学习的普通摄像头全车牌识别系统，解决了现有车牌识别系统识别车牌种类单一，适用场景较少、限制较多，以及对摄像头要求较高的问题。

本发明采用的技术方案如下：

一种基于深度学习的普通摄像头全车牌识别系统，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。

进一步地，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；