[发明专利]一种复杂场景下的车牌识别方法及系统

说明书

本发明公开了一种复杂场景下的车牌识别方法，包括：获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；将所述识别结果输入评估模型，获取评估结果，可实现复杂场景下的车牌识别，且具有较高的识别准确率。

技术领域

本发明涉及图像检测技术领域，更具体的说是一种复杂场景下的车牌识别方法及系统。

背景技术

作为智能交通监控及管理系统的重要组成部分，车牌自动识别一直是人们研究的热点。车牌识别系统(License Plate Recognition System，LPRS)在交通道路信息化管理上具有重要的作用，大大提高了传统管理模式的效率。车牌检测识别系统是城市大脑系统不可缺少的一部分，有着广泛的应用场景。比如通过十字路口的摄像头对违章车辆进行抓拍，对于违法犯罪的车辆追踪，收费站、停车场、港口、小区的车牌识别系统等。

近几年，基于深度学习的目标检测和图像处理算法取得了较好的进展。U-Net

在2015年被提出，并在生物医学图像的分割领域得到了广泛的应用。U-Net模型最大限度地利用了车牌图像的浅层和深层特征，实现对车牌区域精准定位。在无需对字符分割的情况下，通过卷积神经网络(CNN)对车牌实现端到端的识别，但是在采用了人工智能方面的技术后，可以直接对车牌进行端到端的识别，提高了识别的速度和准确率。另外，在可维护性和便携性方面，采用人工智能相关技术的方案相较传统方案也是更胜一筹。目前，在各个交通场景下，采用上述技术方案的产品应用极为广泛。

但是在一些复杂场景中，如远距离、光照变化、大角度引起车牌变形、运动模糊、雨天等场景下仍然有很大的优化空间。目前很多系统不支持这种复杂场景或者识别效果较差，一些车牌检测识别系统的做法仍然较为粗糙，不能根据不同场景做一些针对性优化。

因此，需要一种准确率更高且适用场景更广的车牌识别方法。

发明内容

本说明书实施例的一个方面提供一种复杂场景下的车牌识别方法，包括：获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；将所述识别结果输入评估模型，获取评估结果。

在一些实施例中，所述识别模型依次包括下采样模块、序列化特征提取模块、图像增强模块；所述下采样模块用于对输入的车牌数据集进行下采样并提取底层特征；所述序列化特征提取模块用于对提取的所述底层特征进行序列化特征提取；所述图像增强模块用于对提取的所述底层特征进行图像增强。

在一些实施例中，所述下采样模块由一个卷积层和三个Resblock模块组成，一个所述Resblock模块中至少包括两个卷积层。

在一些实施例中，所述图像增强模块采用上采样进行图像增强。

在一些实施例中，所述评估模型采用以下方式对所述识别结果进行评估：

Acc＝Righer/All；

Acc代表识别模型的识别车牌的精确率，Right代表识别正确的车牌数，All代表所有车牌数据集中的车牌的样本数；

所述评估模型的测试指标至少包括以下一种：回归损失平方和、top1车牌准确率、top1_in_top5车牌准确率；

其中，所述回归损失平方和与车牌数据集的车牌图片的识别置信度和预测质量分相关，所述top1车牌准确率、top1_in_top5车牌准确率与识别模型的识别准确率相关。