[发明专利]基于YOLOv3的同步端到端车牌定位与识别方法

说明书

基于YOLOv3的同步端到端车牌定位与识别方法，获取车牌外接矩形框以及车牌号信息，制作成数据集标签文件，将数据集分为训练数据集、验证数据集和测试数据集；训练基于YOLOv3的车牌检测与识别一体化网络LP‑Yolo，使之能在检测车牌的同时实现对多种类型车牌的识别，将训练数据集增广后，放入网络训练；利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后评估模型。本发明能对多种类型及不同长度的车牌进行分类并识别。同时，该方法提出的网络LP‑Yolo能在各种非约束环境下快速准确检测并识别车牌。

技术领域

本发明涉及车牌自动识别技术领域，具体涉及一种基于YOLOv3的同步端到端车牌定位与识别方法。

背景技术

自动车牌识别系统在智能交通领域中应用广泛，如车辆违章监测、高速路口收费、停车场收费等。在道路交通管理中，车牌是获取车辆拥有者信息的唯一依据，因此在车辆行驶过程中，准确有效的识别车牌信息具有重要意义。现有的车牌识别技术通常被分为车牌检测和字符识别两部分。现有的车牌检测与字符识别技术均可分为传统方法和深度学习的方法。

传统车牌检测方法可分为基于边缘特征、基于数学形态学和基于颜色特征三种。如文献[1]陈政.车牌识别系统研究综述[J].现代信息科技,2019,3(11):193-195中记载。其中，1)基于边缘特征的方法是利用车牌边缘特征信息对车牌进行定位，文献[2]Davis,A.M.,Arunvinodh C.,Arathy Menon NP.(2015).Automatic license plate detectionusing vertical edge detection method.2015International Conference onInnovations in Information,Embedded and Communication Systems(ICIIECS).doi:10.1109/iciiecs.2015.7193073.提出一种快速边缘检测算法VEDA用于提取车牌垂直边缘，并使用HDD对车牌区域进行高亮处理来定位车牌。基于边缘特征的方法适合处理边界明显的车牌图像，对于模糊的、边界不清的车牌图像效果不佳。

2)基于数学形态学的方法通过膨胀、腐蚀等基本运算处理图像，文献[3]王晓群,刘宏志.基于自适应数学形态学的车牌定位研究[J].图学学报,2017,38(06):843-850提出了一种基于自适应数学形态学的方法，通过改进行列自适应数学形态学结构元素的方法对车牌进行粗定位,提高了只基于行的自适应结构元素选取算法获取候选车牌的效率。基于数学形态学的方法只适合处理背景简单的车牌图像，因此通常需要结合其他方法来定位车牌。

3)基于颜色特征的方法利用车牌特有的颜色特征对车牌进行定位，文献[4]Tian,Y.,Song,J.,Zhang,X.,Shen,P.,Zhang,L.,Gong,W.,…Zhu,G.(2016).An algorithmcombined with color differential models for license-platelocation.Neurocomputing,212,22–35.doi:10.1016/j.neucom.2016.02.081.提出了一种结合颜色特征与Adaboost算法的车牌检测算法，该算法利用颜色差分模型对车牌进行粗定位，然后使用Adaboost算法训练特征分类器实现车牌精定位。中国车牌颜色是固定的蓝底黑字、黄底黑字等几类，因此很容易定位，但当背景颜色与车牌颜色相似时，该类方法定位效果会受到影响。