[发明专利]车牌识别方法和系统

说明书

本发明提供了一种车牌识别方法和系统。方法包括：对待识别的图片进行语义分割处理以得到二分类分割图，其中所述语义分割将车辆与背景区分开；使用所述二分类分割图进行车辆抠图处理；对经抠图处理的图片进行逻辑处理以提高车辆和车牌的屏占比；以及对经逻辑处理后的图片进行车牌识别。

技术领域

本发明涉及图像识别领域，更具体地，涉及使用一种结合语义分割技术提高远端小目标车牌检测识别成功率的方法和系统。

背景技术

随着科学技术的发展，人工智能的使用越来越广泛，诸如车牌识别，人脸识别等，特别是随着深度学习各种技术的成熟，图像语义分割、图像检测、图像分类、图像识别、图像检索各种深度网络模型的探索越来越深入和精细。其中车牌的自动识别技术在小区、酒店、道路卡口等场景得以广泛应用，识别成功率在98％以上。

车牌的识别从技术上分为两种类型：1、基于传统图像处理的车牌识别2、基于深度学习的车牌识别。传统的车牌识别分为三个步骤：车牌定位、字符分割和字符识别，识别精度有限；而基于深度学习的车牌识别的泛化能力更强，其基于神经网络架构的端到端的识别方式，使得车牌识别成功率更高。基于深度学习的车牌识别分为两个主要步骤，先进行车牌的检测，也就是在图片里找到车牌的位置，然后进行车牌文字的OCR识别。车牌的检测的方案也有目标检测和语义分割两个方案。但不管是哪种方案，图片在进行神经网络之前都需要进行resize操作，因为神经网络的神经元是有限的，太深太宽的网络会对训练集的数量要求更多，对训练的难度大幅增加，所以进行resize操作把输入分辨率是必要的。但resize操作会造成一个问题，如果离车的位置比较远的，或者一些小目标，比如摩托车车牌，整个车牌在图片里占比较小的情况下，检测分割出的车牌会非常模糊，造成识别成功率较低。

题为“一种实时交通场景的多车牌动态识别方法”(CN201810368034.4)的中国专利申请提出了实时交通场景的多车牌动态识别方法，主要分为图像预处理、车牌定位网络训练、图像后处理、识别网络训练等几个主要步骤。利用车牌定位网络和字符识别网络，能够在不分割字符信息的情况下，高效实时地识别单张图片中的多个车牌信息，相较于传统的字符分割、识别方法具有创新优势，并可大量应用到停车场收费、高速公路等违章行为监测中。然而，该方案直接将图片调整大小至224*224，对于远端场景检测和识别成功率较低。

题为“一种基于深度学习的车牌检测和整体识别方法”(CN201710187289.6)的中国专利申请提出了一种基于深度学习的车牌检测和整体识别方法，其特征在于，包括如下步骤：步骤a，进行车辆检测，获得目标车辆，由目标车辆确定整个车牌检测区域；步骤b，将所述车牌检测区域划分成n个小块，各小块之间部分重叠；步骤c，使用第一深度神经网络模型拟合得到大致的车牌区域，同时获得该区域是真车牌的可信度；步骤d，根据所述车牌区域的位置与可信度的关系，融合得到最终的车牌区域；以及步骤e，通过第二深度神经网络模型对所述车牌区域的车牌号码进行整体识别。该方案的缺点在于车辆检测部分使用传统的图像处理方案，准确率较低，另外车牌检测使用简单的分块的方式，对于比较大的目标会把目标分割在不同的块里，漏检率较高；而对于较小的目标背景的噪音会比较大，错检率较高。

发明内容

提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。

为了提高车牌检测和识别成功率，尤其是对于远端小目标车牌的检测和识别成功率，本发明首次使用语义分割技术，将车辆与背景进行语义分割，再将车辆从背景中抠出，随后通过处理来提高车牌在图中的屏占比，由此提高远端小目标车牌的检测和识别成功率。

根据本发明的一个方面，提供了一种车牌识别方法，方法包括：

对待识别的图片进行语义分割处理以得到二分类分割图，其中所述语义分割将车辆与背景区分开；

使用所述二分类分割图进行车辆抠图处理；