[发明专利]一种基于深度学习的车牌识别和分类方法及系统

权利要求书

1.一种基于深度学习的车牌识别和分类方法，其特征在于，该方法包括以下步骤：

步骤1：通过高斯降噪和灰度化处理对采集到的图片进行预处理；

步骤2：建立基于直方图的精细化车牌定位与分割模型，对图片进行车牌定位与分割；

步骤3：建立基于深度学习的车牌字符识别模型，对带有车牌字符图片进行识别；

步骤4：构建基于HSV颜色识别的车牌类型识别模型，对车牌的颜色进行识别，进而实现车牌类型分类。

2.根据权利要求1所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的步骤2中，对图片进行车牌定位与分割的过程具体包括以下步骤：

步骤201：在摄像头拍取的多张图片中，获取车牌的位置；

步骤202：基于水平方向直方图波峰检测法精细化车牌的位置，通过查找水平方向直方图波峰和垂直方向直方图波峰消除车牌的边框；

步骤203：采用垂直方向直方图波峰检测实现对车牌的单个字符进行分割。

3.根据权利要求2所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的步骤2中，通过计算机视觉技术对已拍的多张照片进行车牌定位和车牌字符分割，获取一张能够清楚定位车牌和7个字符的图片进行下一步处理，进行下一步处理的图片满足的条件包括：

进行车牌定位矩形比例筛选和颜色筛选，定位出车牌位置；

进行字符分割，分割得到7位字符。

4.根据权利要求2所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的步骤201中，获取车牌的位置的过程具体包括以下步骤：

步骤201A：采用canny边缘检测和形态学操作技术将图片中闭合的部分充分填充，得到边框；

步骤201B：判断得到的边框是否为矩形轮廓，即判断是否得到矩形框，若是，则进行矩形框筛选；

步骤201C：进行HSV色彩检测，对检测到的矩形框进一步筛选，判断是否属于设置的5种车牌类型，若是，则获取车牌的位置。

5.根据权利要求1所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的步骤3中，基于深度学习的车牌字符识别模型以ResNet网络为主干特征网络，对车牌上的每个字符图像进行字符识别，进而得到车牌号信息。

6.根据权利要求1所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的步骤4中，基于HSV颜色识别的车牌类型识别模型对车牌颜色进行识别，在HSV模型中，颜色的参数分别为色调、饱和度和明度，明度表示色彩的明亮程度，色调表示色彩信息，即所处的光谱颜色的位置；饱和度表示色彩的鲜艳程度。

7.根据权利要求1所述的一种基于深度学习的车牌识别和分类方法，其特征在于，所述的车牌颜色与车辆类型对应，具体为：

蓝色：普通燃油小车；

绿色：新能源汽车；

黄色：大型车辆；

白色：军警车辆；

黑色：涉外车辆。

8.一种实现如权利要求1～7任一项所述的车牌识别和分类方法的系统，其特征在于，该系统由车牌定位模块、字符分割模块、车牌分类模块和字符识别模块组成。

9.根据权利要求8所述的一种车牌识别和分类系统，其特征在于，所述的车牌定位模块、字符分割模块和车牌分类模块分别采用opencv图像处理法对图像进行处理。

10.根据权利要求8所述的一种车牌识别和分类系统，其特征在于，所述的字符识别模块采用深度学习ResNet模型进行训练。