[发明专利]车牌检测识别方法、装置、设备及存储介质

说明书

本发明公开了一种车牌检测识别方法、装置、设备及存储介质，该方法包括：获取预训练的深度学习卷积神经网络输出的多个包含车牌区域的目标候选框；计算每个目标候选框与预设标注框的重合度；采用修正因子对重合度进行修正，获得修正结果；将修正结果与预设阈值进行比对，当修正结果大于或等于预设阈值时，保留并输出目标候选框，当修正结果小于预设阈值时，删除目标候选框。通过上述方式，本发明能够防止车牌字符的边缘信息丢失，有效提高车牌检测识别的准确率。

技术领域

本发明涉及人工智能技术领域，特别是涉及一种车牌检测识别方法、装置、设备及存储介质。

背景技术

随着现代科技的进步，道路交通、停车场所等相关车辆管理系统都朝着智能化和数字化的方向发展，作为这些系统智能化的一个重要核心，车牌自动识别系统起着至关重要的作用。

车牌自动识别中的首要任务就是车牌的检测。现有的检测方法有传统的特征提取(如HOG、LBP、SIFT等)以及基于深度学习的检测网络(如Faster RCNN、YOLO等)。但是传统的检测方法准确率低，且严重依赖于特征的设计，已逐渐被深度学习的检测网络所取代。基于深度学习的检测网络(如Faster RCNN、YOLO)中对于判定检测框最重要的指标IoU就是用于衡量检测框与标注框的差异。现有的IoU算法及其迭代版本GIoU、DIoU、CIoU只考虑检测框与标注框的交集，而并无考虑检测框与标注框之间的大小问题，这对于普通物体检测都有很好的效果，但对于车牌检测这一特定场景并非完美，当检测框偏小时，会导致车牌字符的边缘信息丢失，如“E”、“T”、“L”这类字符因丢失边缘信息而误识别为“F”、“1”、“1”，严重影响后续车牌的准确识别。

发明内容

本发明提供一种车牌检测识别方法、装置、设备及存储介质，能够防止车牌字符的边缘信息丢失，有效提高车牌检测识别的准确率。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种车牌检测识别方法，包括：

获取预训练的深度学习卷积神经网络输出的多个包含车牌区域的目标候选框；

计算每个所述目标候选框与预设标注框的重合度；

采用修正因子对所述重合度进行修正，获得修正结果；

将所述修正结果与预设阈值进行比对，当所述修正结果大于或等于所述预设阈值时，保留并输出所述目标候选框，当所述修正结果小于所述预设阈值时，删除所述目标候选框。

根据本发明的一个实施例，所述计算每个所述目标候选框与预设标注框的重合度的步骤包括：

计算所述目标候选框与所述预设标注框的交集的面积以及并集的面积；

计算所述交集的面积与所述并集的面积的比率，获得所述重合度。

根据本发明的一个实施例，所述采用修正因子对所述重合度进行修正，获得修正结果的步骤包括：

构造所述目标候选框与所述预设标注框的最小包围框；

计算所述目标候选框的面积与所述最小包围框的面积的比率，获得所述修正因子；

采用修正因子对所述重合度进行修正，获得所述修正结果。

根据本发明的一个实施例，在所述获取预训练的深度学习卷积神经网络输出的多个包含车牌区域的目标候选框的步骤之前，还包括：

采用图像识别方法对待检测图片进行识别，定位所述待检测图片中的车辆区域；

将所述车辆区域输入预训练的深度学习卷积神经网络中，对所述车辆区域进行特征提取和计算，生成一系列候选框以及所述候选框可能含有车牌区域的概率；