[发明专利]一种基于深度学习的车牌检测方法

说明书

本发明提供一种基于深度学习的车牌识别方法，其可以自适应地获得不同场景下的车牌特征信息，同时提高了车牌识别的准确率。本发明将车牌固有的颜色属性加入YOLO模型中构建一个具有泛化能力强、检测以及定位准确率高的车牌检测模型，对输入的卡口监控设备拍摄的过车图片进行检测，得到车牌的区域位置；接着使用Radon变换对倾斜的车牌区域进行校正，同时利用颜色和边缘等线索对车牌区域进行微调，最后将微调后的车牌区域送入加入车牌编码规则约束的CRNN网络对车牌号码进行识别。

技术领域

本发明涉及智能交通控制中图像识别技术领域，具体为一种基于深度学习的车牌识别方法。

背景技术

机动车车牌作为全国交通管理部门进行机动车管理的唯一标识符号，号牌号码的检测与识别在智能交通系统中起着极为重要的作用；现有的车牌识别方法，通常分为三步：第一步，利用车牌的特征性，通过颜色、边缘、纹理等线索对车牌位置快速定位，得到车牌目标的候选区域；第二步，通过SIFT((Scale-invariant feature transform，尺度不变特征转换)、LBP（Local Binary Patterns，局部二值模式）等算法提取图像特征，进一步使用SVM(Support Vector Machine，支持向量机）方法对候选车牌区域分类得到的车牌区域；第三步，对车牌区域切割得到分离的车牌字符，接着使用人工神经网络对分割后的字符进行识别。但是现有的方法大多适用于受控条件下或者需要复杂的图像捕获系统，在不受控制的真实环境中，因为高度复杂的背景、天气等外在因素的影响，检测机动车牌照仍然存在准确率较低的问题。

发明内容

为了解决现有车牌识别方法实时性较差、在真实环境中准确率较低的问题，本发明提供一种基于深度学习的车牌识别方法，其可以自适应地获得不同场景下的车牌特征信息，同时提高了车牌识别的准确率。

本发明的技术方案是这样的：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；