[发明专利]一种开放式停车位中车牌识别方法及系统

权利要求书

1.一种开放式停车位中车牌识别方法，其特征在于，包括：

S1，获取待检测图像；

S2，车牌检测，对待检测的图像采用改进的MTCNN深度学习算法进行车牌检测，判断当前图像中是否存在车牌的四个顶点；

S3，车牌校正，根据检测的车牌的四个顶点，计算透视变换矩阵，采用透视变换理论，对车牌进行校正；

其中，透视变换公式为：其中，u,v是原始图片坐标，对应得到变换后的图片坐标(x,y),其中x＝x′/w′，y＝y′/w′；透视变换矩阵计算方法为：通过车牌检测方法，得到车牌的四个顶点的坐标，分别为(x1,y1),(x2,y2),(x3,y3),(x4,y4)，代表左上，右上，右下，左下四个顶点，对应矫正的坐标为(0,0),(W,0),(W,H),(0,H)，其中W为车牌的宽度，H为车牌的高度，将这四对坐标分别输入到以下这个方程组：

然后可以得到8个方程，如下所示，根据这8个方程，解出矩阵的8个参数，依次为a11,a12,a13,a21,a22,a23,a31,a32,其中a33＝1为固定值：

S4，整牌识别，对校正后的车牌图像归一化处理，然后对归一化后的车牌进行整行识别；

所述步骤S4包括：采用CNN+RNN网络对校正后归一化的车牌图像做整行识别；

所述CNN+RNN网络包括：

1)卷积层，使用CNN，从输入图像中提取特征序列；

2)循环层，使用RNN，预测从卷积层获取的特征序列的标签分布；循环层由一个双向LSTM循环神经网络构成，预测特征序列中的每一个特征向量的标签分布，循环层的误差被反向传播，最后会转换成特征序列，再把特征序列反馈到卷积层，作为卷积层和循环层之间连接的桥梁；

3)转录层，使用CTC模型，是把从循环层获取的标签分布通过去重整合操作转换成最终的识别结果；转录是将双向LSTM网络预测的特征序列的所有可能的结果进行整合，转换为最终结果。

2.根据权利要求1所述的车牌识别方法，其特征在于，所述步骤S2包括：

S201，通过一个基于3层的CNN快速生成候选窗口；

S202，通过一个4层的CNN对步骤S201得到候选窗口图像进行处理，否决大量非车牌窗口从而精化车牌窗口；

S203，使用5层的CNN对步骤S202得到的车牌窗口进行进一步精化并输出4个车牌顶点。

3.根据权利要求1所述的车牌识别方法，其特征在于，所述步骤S2还包括：当检测不到车牌时，将图片通过有车无车算法进行判断，在判断有车时，通过人工进行车牌识别，当判断无车时，不作处理。

4.根据权利要求3所述的车牌识别方法，其特征在于，所述有车无车算法采用mobilenet网络对场景图像进行分类，将图像的类型分为六类，有车样本：露出车身车轮、只露出底盘(无车轮)、只有车轮；无车样本：场景中没有车、场景中有经过车辆(远处小车)、图片曝光。

5.根据权利要求2所述的车牌识别方法，其特征在于，所述3层CNN网络输入为宽16高12的3通道彩图，第一层为10个5*5的卷积层，第二层为16个3*3的卷积层，第三层为32个1*1的卷积层，然后输出一个2+4+8＝12维的向量，其中包括plate_confidence，no_plateconfidence，车牌位置的四个坐标为(left,top,right,bottom),四个顶点的坐标为(x1,y1),(x2,y2),(x3,y3),(x4,y4)总共12个值，plate_confidence，no_plateconfidence代表车牌和非车牌的置信度；在车牌的置信度plate_confidence大于阈值时，判定该图像包含车牌，否则判断检测不到车牌；然后根据步骤S201输出的车牌位置的四个坐标去图像上截取车牌图像，接下来对车牌图像进行归一化处理并作为候选窗口，输入步骤S202进行处理。