[发明专利]一种基于深度学习的车牌检测方法

权利要求书

1.一种基于深度学习的车牌识别方法，其包括以下步骤：

S1：获得需要识别的输入图片，在所述输入图片中对车牌位置进行分析，得到具体车牌区域；

S2：对所述车牌区域的信息进行识别，得到具体的车牌号码内容；

其特征在于：

所述步骤S1包括以下步骤：

S1-1：通过现有的卡口监控设备获得所述输入图片，将所述输入图片划分为S x S个网格，分别将每个网格映射到HSV颜色空间后，求出每个网格在HSV空间中蓝色、黄色、绿色所占的比例，其中i = 1，……,S x S；

S1-2：将每个网格在HSV空间中蓝色、黄色、绿色中所占的比例代入到YOLO框架中，得到的损失函数如下所示：

式中：

i,j取值范围为1，……，S x S，

x,y,w,C,p为网络预测值，

为标注值，

表示有目标中心落在网格中，

表示第i个网格中的第j个边框负责这个目标，

表示第i个网格中的第j个边框不负责这个目标；

在所述损失函数中：

第一项和第二项用来表示坐标预测损失；

第三项是包含目标的区域可信度预测损失；

第四项是不含目标的区域可信度预测损失；

第五项为类别预测损失；

S1-3：收集车牌样本；

S1-4：使用所述车牌样本和所述损失函数，训练用于检验车牌位置的YOLO网络；

S1-5：将步骤S1-1中获得的所述输入图片送入在步骤S1-4中训练好的YOLO网络，获得所述车牌区域；

所述步骤S2中，通过CRNN网络对所述车牌区域的数据进行识别，经过卷积层、循环层和转录层对特征序列的处理，最后得到车牌号码的识别结果。

2.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在实施所述步骤2之前，还需要对通过步骤S1获得的所述车牌区域进行校正操作，所述校正操作包括下面的步骤：

a,对检测到所述车牌区域进行二值化，得到所述车牌区域的二值化图像；

b, 对所述二值化图像进行边缘化处理，然后再进行Radon变化后，计算Radon变换矩阵中的峰值，通过寻找峰值，得到原图像的倾斜角度；

c,利用旋转算法，旋转检测到车牌区域位置，得到校正后的所述车牌区域。

3.根据权利要求2所述一种基于深度学习的车牌识别方法，其特征在于：在实施步骤b的时候，为了降低由于外在因素的干扰，将Radon变化矩阵中的所有峰值点从小到大排序，取前几个峰值相差不大的点角度平均作为最终的车牌倾斜角度。

4.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在实施步骤S2之前，还需要根据机动车号牌号码编码规则、机动车号牌号码的固有属性来构建车牌号码识别用的约束条件，并且需要把所述约束条件添加到所述CRNN网络中之后，才实施步骤S2中的车牌号码识别操作；所述约束条件包括：

Ⅰ，车牌颜色为绿色，则为新能源号牌，号牌号码字符长度为8位；否则为普通号牌，号牌号码字符长度为7位；

Ⅱ，第一位为省、自治区、直辖市简称，只能为31个汉字之一；第二位为发牌机关代码，为24个大写英文字母之一；后面的序号部分由阿拉伯数字和英文大写字母组成；

Ⅲ，省、自治区、直辖市简称与发牌机关代号间的约束关系；

Ⅳ，序号中只能包含0-2位大写英文字母，其余为阿拉伯数字；

Ⅴ，序号长度为5位或者6位的时候为新能源号牌；

Ⅵ，新能源小型汽车号牌序号的第一位为D或者F，新能源号牌大型汽车号牌序号的最后一位为D或者F。

5.根据权利要求4所述一种基于深度学习的车牌识别方法，其特征在于：所述车牌颜色的判断方法是通过步骤S1-2中计算得到的的值，来对车牌的颜色进行判断。

6.根据权利要求1所述一种基于深度学习的车牌识别方法，其特征在于：在步骤S1-4中，训练、校验和测试的所述车牌样本的比例为6:2:2。