[发明专利]一种基于卷积神经网络的实时车牌检测方法

说明书

本发明公开了一种基于卷积神经网络的实时车牌检测方法，包括如下步骤：获取包含车牌的车辆图像，作为训练集，设计keypoint‑Anchor，提取训练集的特征；使用基于深度卷积神经网络的检测模型，作为车牌检测的基线网络架构，并按keypoint‑Anchor方式修改检测模型；使用训练集、目标框坐标及角点坐标对修改后的检测模型进行训练，获得训练好的检测模型；使用训练好的检测模型对待检测的图像进行检测，获得不同角度拍摄图像中车牌的检测结果。本发明实现方法简单，可移植性强，能够实现对摄像头拍摄的公路上、停车场、小区出入口等场所中车牌的精准检测。

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种基于卷积神经网络的实时车牌检测方法。

背景技术

汽车给人们出行带来方便的同时也产生了城市交通拥挤的问题，这种现象给人们的生活带来极大地不便，迫切需要相应有效的手段去解决。车牌作为汽车的标志具有唯一性，获取了车牌号码，车辆的所有信息(如车种、车主等)便一目了然。其中，精确的定位车牌位置是这项技术的关键之一。

近些年来，利用数字图像处理和计算机视觉等相关技术，自动识别出车牌号码，并存放到系统数据库中，作为安全管理和收费管理的辅助工具，加强停车场的安全管理，有效杜绝漏收、误收等现象的发生。开发了很多基于车牌自动检测识别的小区车辆管理系统。自动车牌检测的方法众多，但大多数现有方法都把注意力放在特定车牌区域，并且数据集一般是车辆正面车牌比较清晰的区域，环境适应性差，无法满足复杂场景倾斜车牌检测需求。

YOLO神经网络架构，采用了YOLO算法，其全称是You Only Look Once: Unified,Real-Time Object Detection，You Only Look Once表示只需要一次CNN运算，Unified表明这是一个统一的框架，提供end-to-end的预测，而Real-Time体现是Yolo算法速度快，Object Detection表示目标检测。传统的采用YOLO神经网络进行的车牌检测，仅采用目标框、置信度参与损失计算，这对车牌包络特征的识别存在一定的局限性。

Wing-loss通常用于人脸关键点回归任务，旨在提高深度网络训练过程中应对小范围和中等范围内的误差的能力。每个关键点的回归难度不一样，在训练初期，所有的点误差都很大，即large error，训练到中后期时，大部分点都已经基本准确，但是还不够准，此时是small error，如需回归得更准确，就必须放大损失，这是wing loss中采用对数损失的意义。在训练的后期，仍然可能出现一两个关键点的损失是large loss，即离群点，此时其他点的损失都很小，如果用原始的损失函数，在这一次的反向传播中，离群点的损失占据了主导，这对其他点的回归是一种损害，应该要让离群点的损失减小一些，这是wing loss中分段函数的意义。

发明内容

本公开解决的技术问题是提供一种基于卷积神经网络的实时车牌检测方法，以至少部分地解决现有技术中目标区域识别效率低的技术问题。此外，还提供一种基于卷积神经网络的实时车牌检测装置。

为解决现有技术的不足，实现车牌识别精度高，识别速度快的目的，本发明采用如下的技术方案：

一种基于卷积神经网络的实时车牌检测方法，包括如下步骤：

S1，获取包含车牌的车辆图像，通过关键点锚框联合锚定keypoint-Anchor，将锚框与对应的一组关键点共同标注车牌，将标注的车辆图像作为训练集，并提取图像特征；所述锚框为包含车牌的矩形框，通过矩形框左上角TU（x_lu,y_lu）和右下角TD（x_rd,y_rd）的对角坐标确定位置。所述关键点的位置，为车牌四个角点A（x₁,y₁）,B（x₂,y₂）,C（x₃,y₃）,D（x₄,y₄）的坐标。