[发明专利]基于深度学习的车牌字符识别方法、存储介质及电子设备

权利要求书

1.一种基于深度学习的车牌字符识别方法，其特征在于，包括以下步骤：

S1、获取待识别图片；

S2、从所述待识别图片中获取车牌的粗定位区域；

S3、将车牌的所述粗定位区域的图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息；

S4、根据车牌的位置信息对车牌各个字符的顺序进行重新排列，得到完整的车牌号码。

2.根据权利要求1所述的方法，其特征在于，步骤S1包括：

S11、从卡口、电警摄像头或手持终端设备获取往来车辆的原图数据；

S12、利用车辆检测技术从所述原图数据获取车身的待识别图片。

3.根据权利要求1所述的方法，其特征在于，步骤S2包括：利用车牌检测技术从所述待识别图片中获取车牌的粗定位区域。

4.根据权利要求1所述的方法，其特征在于，步骤S3包括：

S31、对车牌的所述粗定位区域的图片进行字符标注；

S32、将标注好的车牌数据归一化到预定像素；

S33、根据标注好的车牌数据设计卷积神经网络；

S34、将标注好的车牌数据送入所述卷积神经网络的检测模型中进行车牌字符的检测和识别。

5.根据权利要求4所述的方法，其特征在于，在步骤S31中，对车牌的所述粗定位区域的图片进行字符标注的规则为每个字符的最小外接矩形。

6.根据权利要求4所述的方法，其特征在于，在步骤S32中，所述预定像素为65*150像素。

7.根据权利要求4所述的方法，其特征在于，步骤S33包括：

S331、根据标注好的车牌数据构建基础网络：采用优化的VGG结构作为端到端神经网络的基础网络；

S332、构建多尺度网络：采用conv4_3，fc7，conv6_2，conv7_2，conv8_2和conv9_2共6个特征层构建多尺度网络层。

8.根据权利要求7所述的方法，其特征在于，步骤S34包括：

S341、将标注好的车牌数据送入所述卷积神经网络的检测模型中；

S342、通过所述多尺度网络获取当前先验框位置处的车牌字符区域，通过回归任务精确定位车牌字符区域的位置矩形，并识别出所述位置矩形所对应字符的真实意义；

S343、输出整个车牌的各个字符的标签和各个字符的位置信息。

9.一种计算机存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如权利要求1-8中任一项所述的方法。

10.一种电子设备，包括存储器和处理器，其特征在于，

所述存储器用于存储一条或多条计算机指令；

所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如权利要求1-8中任一项所述的方法。