[发明专利]一种基于深度学习的车牌侦测方法

说明书

一种基于深度学习的车牌侦测的方法，根据监督学习的方式人工标注车牌位置信息进行车牌数据集训练，数据集采用VOC和LMDB格式，数据通过降低采样和降低输出层维度的网络模型来提高检测效率。这种基于深度学习的方法，让机器自己学习目标特征，减少了人工参与提取特征的过程，使结果更加准确和鲁棒(即健壮性)；另外，这种通过定位检测车牌来确定是否为车辆的方法可以做到适应不同场景的需求。

【技术领域】

本发明涉及目标物品的判定识别技术，特别是一种基于深度学习的车牌侦测方法。

【背景技术】

随着社会的发展，人们的生活水平的提高，安全意识逐渐增大，城市中监控系统的投入不断增多，带来了越来越多的视频数据。从这些海量的视频数据中找出有效且需要的数据需要投入大量的人力，那么能否利用计算机视觉领域的深度学习，通过前期大量有效的车辆标记数据进行训练，建立识别车辆数据的神经网络，通过该神经网络代替人脑进行解读视频数据，识别出有效的车辆数据。其中涉及有卷积神经网络及深度学习等相关内容。

深度学习是一种特征学习方法，把原始数据通过简单而非线性的模型转变成更高层次、更抽象的表达。卷积神经网络(CNN)具有提取反映数据本质的隐性特征及可扩展性的优越性能，可被用于几乎全部的目标识别分类领域，例如交通信号识别、人脸识别、道路场景解析、图像理解等。在车辆检测方面，其区别于浅层学习的突出优点之一在于算法的可扩展性，能够进一步扩展识别交通环境中的多类目标。

当前，一些具深度学习的车牌检测方法，如专利申请号为CN201811037178的一种基于深度学习的车牌检测方法，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，这样可以更准确和高效来检测车牌。

本申请人开发出了一种能准确检测车牌且能适应不同场景需求的新车牌侦测方法。

【发明内容】

本发明的目的在于克服现有技术的不足，提供了一种。

为了解决上述存在的技术问题，本发明采用下述技术方案：

本发明提供的基于深度学习的车牌侦测的方法包括以下步骤：

(1)制作VOC数据集和LMDB数据，包括分步骤：

(1).(a).使用样本标注工具生成txt标注文件，文件内容包含目标位置和目标类型；

(1).(b).txt标注文件转换生成xml标注文件；

(1).(c).归档生成用于训练、验证、训练和验证、测试的图片文件的文件名列表，格式为txt文件，至此VOC数据准备完毕；

(1).(d).设置图像属性的通道数和图像大小，VOC数据格式转换成LMDB格式；

(2)网络模型调参，主要是修改用于网络训练的配置参数，包括分步骤：

(2).(a).配置图像通道参数，修改mean_value:的维数、force_color:是否为true和input_shape中第二个dim；

(2).(b).配置图像大小参数，修改transform_param中的height和width大小和input_shape中第三个和第四个dim；

(2).(c).调整卷积层的num_output数量，数量越小速度越快，但精度会降低；

(2).(d).调整池化层的num_output数量，数量越小速度越快，但精度会降低；