[发明专利]一种基于YOLO模型的车牌定位和识别方法

说明书

本发明公开了一种基于深度学习的车牌定位和识别方法。采用改进的YOLO(You Only look Once)算法与图像的超分辨率技术进行了优化，分别训练一个改进的YOLO卷积神经网络和一个卷积增强的SRCNN(Super Resolution)卷积神经网络。首先采用改进的深度学习YOLO算法进行车牌区域的定位，再利用校正探测器进行检测边框的校正，解决了现有车牌定位方法在某些特定场景下无法正确定位的问题，然后利用增强的卷积神经网络SRCNN模型对车牌区域的图像进行超分辨率技术的处理，使之得到分辨率和辨析率更高的照片，接着利用神经网络进行光学字符识别。本发明在YOLO卷积神经网络的训练时，采用maxout激活函数替代原模型的激活函数，增强了拟合能力，同时通过调整阀值来改进非极大值抑制，能够有效地加快边界框的筛选速度。在训练SRCNN卷积神经网络时，增加卷积核的大小和卷积层的数量，能够有效地提升图像处理的效果，因此本方法兼顾了实时性与准确率的要求。

技术领域

本发明属于人工智能与计算机视觉识别技术领域，尤其涉及一种深度神经网络相关的自动检测和识别方法。

技术背景

随着经济的快速发展，城市大规模的扩建，交通成为当代社会不可或缺的一个环节。人们逐日增长的出行需求就促使了交通管理的模式发生改变。早期提出的智能交通系统可以有效的缓解不平衡的矛盾，车牌识别技术是指从车牌的图形数据中自动的提取车辆牌照信息，并且进行信息识别。车牌识别技术是智能交通系统的重要组成部分之一，在被盗车辆追踪、交通监控、限速执法以及自动停车等方面发挥着重要作用。

通常车牌识别系统主要包括车牌区域检测和车牌字符识别，而外界环境因素的复杂性给检测带来了一个至关重要的问题，即对于车牌定位，基于特征提取的方法无法准确定位受到光照影响、分辨率低和不清晰的图片，存在错误定位车牌的问题，而基于灰度特征的方法需要大量的计算时间。同时，对于字符识别，由于车牌受到光照，车牌角度变化以及车牌上灰尘覆盖等因素的影响，准确地检测车牌中的每一个字符也是一个技术难题。目前针对车牌字符识别的方法有很多，例如基于模板匹配的方法、基于支持向量机方法等，但现有方法都有各自的优势和局限性。

神经网络方法因其具有良好的学习能力、容错能力和强大的分类能力，同时当前计算能力的极大提高也允许我们计算更多的数据，根据车牌的特征(颜色、面积、中心点等)选取合适的网络模型进行训练，本发明的主要目的是通过网络层数或参数的调整来减少外界环境带来的干扰，以及增加模型的鲁棒性和准确率。

发明内容

本发明要解决的问题是针对现有的基于车牌字符分割的车牌识别方法，在阴暗、倾斜等特定的自然场景下存在无法定位车牌的情况，或者对于模糊车牌无法正确分割、影响车牌字符识别效果的问题，提出的一种基于YOLO(You Only look Once)模型的车牌定位和识别方法。具体包含如下步骤：

S1：采用改进的深度学习YOLO算法进行车牌区域的定位；

S2：利用校正探测器进行检测边框的校正；

S3：利用增强的卷积神经网络SRCNN模型对车牌区域的图像进行超分辨率技术的处理；

S4：利用神经网络进行光学字符识别；

进一步，上述步骤S1具体包含如下步骤：

A.构建YOLO卷积神经网络并进项相应的网络参数设定，模型由24个卷积层和2个全连接层构成。对于检测任务，将其安排在预处理中前20个卷积层去实现，之后添加4个卷积层，然后是2个全连接层；

B.使用maxout激活函数代替leaky激活函数，并将所有预测值进行归一化操作；

C.进行权值初始化，一方面共享卷积层的权值使用Imagenet分类训练模型进行初始化，而其他的层使用零均值高斯分布进行初始化；

D.调整阀值来改进非极大值抑制，从而加快边界框的筛选速度；