[发明专利]基于深度学习的船牌识别方法及系统

权利要求书

1.一种基于深度学习的船牌识别方法，其特征在于，包括：

数据采集步骤：通过光电采集设备采集包含船只的船舶图片；

标记训练集步骤：对船舶图片中船牌的文字内容进行标记，形成数据训练集；

图片处理步骤：将标记过的船舶图片通过灰度、增强处理操作，凸显出文本内容的边界特征；

文字区域检测步骤：对经过图片处理步骤处理过的船舶图片，采用CTPN文字检测网络模型检测出船舶图片中的船牌文字区域，检测结果作为训练文字识别模型步骤的输入使用；

训练文字识别模型步骤：基于深度学习网络，使用检测结果进行训练，获得文字识别预测模型；

文字矫正处理步骤：对待识别船舶图片中的船牌文字区域进行整体倾斜矫正以及文字本身的字体倾斜矫正；

预测船牌步骤：将文字矫正处理后的检测结果输入文字识别预测模型进行识别，输出船牌文字内容。

2.根据权利要求1所述的一种基于深度学习的船牌识别方法，其特征在于，所述数据采集步骤中，所述船舶图片包括两部分，一部分是直接使用带有抓拍功能的成像设备抓拍所得的照片，另一部分是光电视频采集设备获取的视频，从中截取出包含船只的帧图片。

3.根据权利要求2所述的一种基于深度学习的船牌识别方法，其特征在于，所述从中截取出包含船只的帧图片，包括采用三帧差分算法，记获取视频序列中某第n-1帧、第n帧和第n+1帧图片对应为f_n-1、f_n和f_n+1，三帧对应像素点的灰度值分别记为f_n-1(x,y)、f_n(x,y)和f_n+1(x,y)，其中x为获取的帧图片中像素点的横坐标值，y为获取的帧图片中像素点的纵坐标值，将第n-1帧和第n帧相减取绝对值获得D_n，第n帧和第n+1帧相减取绝对值获得D_n+1，D_n与D_n+1取交集D，结果D大于设定阀值的就是目标帧图片，最终通过连续性分析得到符合要求的图片，所述设定阀值需要依据不同环境因素取值。

4.根据权利要求3所述的一种基于深度学习的船牌识别方法，其特征在于，所述标记训练集步骤中，使用ImageLab标记软件，对上一步收集到的船舶图片进行人工标注，标注出船牌的文字内容，标注结果输出至XML文件中保存，一张船舶图片对应与一个XML文件建立联系。

5.根据权利要求4所述的一种基于深度学习的船牌识别方法，其特征在于，所述图片处理步骤中，包括：

图片灰度处理子步骤：对图片进行一次预处理，将图片灰度化，仅由一个分量表示出来，采用平均值灰度法，公式为Gray(x,y)＝(R(x,y)+G(x,y)+B(x,y))/3，将彩色图片中的三分量亮度求平均得到一个灰度值，最终得到灰度后的图片，所述x表示像素点的横坐标，所述y表示像素点的纵坐标，所述R是红色分量，所述G是绿色分量，所述B是蓝色分量；

图片增强处理子步骤：将图片灰度处理子步骤处理得到的灰度图片进行增强处理，采用灰度直方图均衡化算法实现细节增强，包括：

统计原始图像各灰度级的像素数目n_i，0≤iL，L是图像中所有的灰度数；

图像中灰度为i的像素的出现概率是:n是图像中所有的像素数，p_z(i)实际上是像素值为i的图像的直方图，归一化到[0,1]，其中z表示概率函数的自变量；

p_z的累积分布函数是图像的累计归一化直方图；

直方图均衡化计算公式中，cdf_min为累积分布函数最小值，M和N分别代表了图像的长宽像素个数，L是灰度级数，如图像为8位深度，则灰度级别共有2^8＝256级数，这也是最常见的灰度级数，v为原始图像中为v的像素值。