[发明专利]车牌识别模型训练方法、车牌识别方法及装置

权利要求书

1.一种车牌识别模型训练方法，其特征在于，包括：

根据收集的带有双车牌的车辆图片样本，构建双车牌车辆数据集B和车牌数据集C；

基于所述双车牌车辆数据集B训练yolov3－tiny网络模型结构，在车辆图片中定位出车牌区域；

根据包含多种带有双车牌的测试图片的双车牌车辆测试集对yolov3－tiny的各训练模型进行网络测试，保留精度最高的yolov3－tiny网络模型权重文件；

基于所述车牌数据集C训练LPS/CR－NET字符分割与识别的网络模型结构，在车牌图片中定位各个字符的位置并识别各个字符；

根据包含多张车牌测试图片的车牌测试集对LPS/CR－NET的各训练模型进行网络测试，初步确定精度最高的几个网络模型权重文件；

基于yolov3－tiny的双车牌检测结果和字符排序方法，计算各个初步确定的LPS/CR－NET网络模型权重文件下车辆图片的双车牌识别正确率，保留正确率表现最高的LPS/CR－NET网络模型权重文件；

所述基于yolov3－tiny的双车牌检测结果和字符排序方法，计算各个初步确定的LPS/CR－NET网络模型权重文件下车辆图片的双车牌识别正确率，保留正确率表现最高的LPS/CR－NET网络模型权重文件，包括：

通过yolov3－tiny网络检测出车牌区域；

将检测出的车牌区域输入到LPS/CR－NET进行字符分割与识别；

对字符分割识别结果进行字符排序，输出车牌号；

若检测出车牌区域的位置与真值的IoU大于0.5且车牌号一致，则该车牌预测识别成功；若车辆图片中的所有车牌识别成功，则该车辆图片识别成功；计算车辆图片识别正确率，确定车辆图片识别正确率最高的LPS/CR－NET网络模型权重文件；

基于所述双车牌车辆数据集B训练yolov3－tiny网络模型结构和基于所述车牌数据集C训练LPS/CR－NET字符分割与识别的网络模型结构，并最终确定正确率表现最高的LPS/CR－NET网络模型权重文件的操作流程如下：

A)将双车牌车辆数据集B和车牌数据集C中的数据均转为标准YOLO系列常用的数据格式；

B)分别采用K－means聚类算法获取各自的anchor锚定值；

C)yolov3－tiny车牌目标检测网络训练；

D)yolov3－tiny网络测试，计算车辆图片的车牌正确检出率，确定模型权重，其中车牌正确检出率LP_{obj_accuracy}表示为：

n_correct表示车辆被成功检出所有车牌的车辆图片数，N_picture表示车辆图片总数；

E)LPS/CR－NET字符分割识别网络训练；

F)LPS/CR－NET网络测试，计算车牌字符完全分割识别准确率，初步筛选模型权重，车牌字符完全分割识别准确率LP_CH-accutacy表示为：

其中，n'_correct表示车牌图片中所有字符全部成功识别的车牌数，N'_picture表示车牌图片总数；

联合yolov3－tiny网络确定LPS/CR－NET网络模型权重，先通过yolov3－tiny网络检测出车牌区域；然后将检测出的车牌区域输入到LPS/CR－NET进行字符分割与识别；对字符分割识别结果进行字符排序，输出车牌号；若车牌预测框与真值的IoU大于0.5且车牌号一致，则该车牌预测识别成功；若车辆中的所有车牌识别成功，则该车辆图片识别成功；计算车辆图片识别正确率，确定正确率最高的LPS/CR－NET网络模型权重。