[发明专利]基于LSTM-CNN组合模型的车牌定位方法及装置

说明书

本发明公开了一种基于LSTM‑CNN组合模型的车牌定位方法及装置，该方法包括：利用卷积神经网络模型，对待处理图像进行特征提取，获取最后一层卷积层的卷积层特征；利用锚点机制将卷积层特征映射到待处理图像，获取每个候选提议框各自对应的预设数量的垂直锚点的区域分数和预测垂直坐标；利用双向长短期记忆网络更新卷积层特征的内部状态；根据区域分数、预测垂直坐标和更新后的卷积层特征的内部状态，利用多任务损失函数确定车辆图像的车牌定位结果；本发明实现了卷积神经网络与双向长短期记忆网络的无缝连接，从而形成了端对端的车牌定位模型，利用双向长短期记忆网络探索丰富的图像上下文信息的优势，更好的定位出复杂环境下车牌的位置。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于LSTM-CNN组合模型的车牌定位方法及装置。

背景技术

随着现代社会科技的发展，车牌识别系统作为城市智能交通管理的重要一环，已经广泛应用于高速公路、停车场、旅游景区、公司、机关单位等场合。车牌识别指的是从复杂背景中提取车牌位置并识别出车辆牌照信息，一般分成以下几个阶段：图像采集、车牌定位、车牌分割、字符识别。车牌定位作为车牌识别中的重要环节，它的准确率极大影响了整个系统的准确率。

根据车牌区域的不同特征可将车牌定位方法分为5大类：基于边界特征的方法、基于纹理特征的方法、基于颜色特征的方法、基于字符特征的方法和基于全局特征的方法；这些方法大多是基于灰度图像来处理的，也有基于彩色图像处理的。

随着深度学习发展，已经在众多领域得到广泛应用。卷积神经网络作为深度学习的一种，具备深度学习自动学习并提取特征的特点，利用局部感受野和权值共享提高计算速度，泛化能力强，识别效率高，广泛用于图像识别等方面。

现有技术中，基于角点回归的全卷积神经网络的车牌定位方法，虽然能够在标准交通卡口数据上进行有效定位，且在光照条件低下、车辆倾斜严重等一些复杂环境下，具有较高的鲁棒性。但是，上述方法仅在车牌清晰、车牌大小合适的情况下较适用，由于在交通路口天网摄像拍摄到的画面中，车辆数量较多、目标车牌较小且受光线和雨雾天气影响等，很难在监控中利用车牌自身的边缘和颜色特征定位到车牌。因此，如何能够有效地检测出较为模糊的车辆位置，更好的定位出复杂环境下车牌的位置是现今急需解决的问题。

发明内容

本发明的目的是提供一种基于LSTM(Long Short-Term Memory，长短期记忆网络)-CNN(Convolutional Neural Networks，卷积神经网络)组合模型的车牌定位方法及装置，以有效地检测出较为模糊的车辆位置，更好的定位出复杂环境下车牌的位置。

为解决上述技术问题，本发明提供一种基于LSTM-CNN组合模型的车牌定位方法，包括：

将获取的车辆图像转化为预设大小的待处理图像；

利用卷积神经网络模型，对所述待处理图像进行特征提取，获取最后一层卷积层的卷积层特征；

利用锚点机制将所述卷积层特征映射到所述待处理图像，获取每个候选提议框各自对应的预设数量的垂直锚点的区域分数和预测垂直坐标；其中，所述区域分数为车牌区域分数或非车牌区域分数，所述候选提议框的宽度为预设像素值；

利用双向长短期记忆网络更新所述卷积层特征的内部状态；

根据所述区域分数、所述预测垂直坐标和更新后的卷积层特征的内部状态，利用多任务损失函数确定所述车辆图像的车牌定位结果。

可选的，所述利用卷积神经网络模型，对所述待处理图像进行特征提取，获取最后一层卷积层的卷积层特征，包括：

利用包含13层卷积层和4个池化层的所述卷积神经网络模型，对所述待处理图像进行特征提取，获取所述卷积层特征；其中，所述卷积神经网络模型采用3*3卷积核，步长为1，填充为1；所述卷积层特征的总步长和感受野分别为16个像素和228个像素。