[发明专利]一种高位远景模糊车牌检测方法

说明书

本发明属于车牌检测技术领域，涉及一种高位远景模糊车牌检测方法，针对高位远景中产生模糊车牌，通过使用可插拔的车牌增强模块，从特征层面实现对模糊车牌的增强，在增强车牌可视化效果的同时提高整体特征质量，以促进后续车牌识别任务；另外使用基于检测字符的方法对车牌进行识别，通过显式地建模车牌字符位置信息，能高效获取字符的位置信息进而利用位置信息进行字符识别，而无需按车牌类型分别处理，解决了同时识别多类别车牌的问题，不仅可以用来进行高位远景模糊车牌检测识别，还可以用于场景文本检测、人脸检测等多种退化场景的目标检测任务，精度高达98.5%，极大的提升了检测和分类效果。

技术领域

本发明属于车牌检测技术领域，涉及一种高位远景模糊车牌检测方法。

背景技术

随着经济快速发展，城市交通拥堵等问题日趋严重，对智慧交通系统的建设提出了更高的要求，车牌检测识别作为智慧交通中一项关键信息处理技术，对城市车辆监管起着非常重要的作用，而且车牌的检测和识别的应用非常广泛，比如交通违章车牌追踪、停车场及小区出入口等，然而实际应用中由于光照、旋转畸变等场景条件的变化，场景文本识别仍然是一项具有挑战性的任务。

近年来，受强大的深度学习特征提取器的影响，如VGG、ResNet等深度卷积网络，非受限场景中车牌检测识别越来越受到关注，在高位远景场景中，现有的方法经常会出现车牌字符识别错误或者漏检的情况，其中一部分原因是由于远距离成像过程中图像受噪声、模糊和低分辨率的造成的，由于缺乏足够的细节，车牌特征等信息不易被提取，导致算法容易生成错误的结果；在面对低质量退化图像时，现有的车牌检测方法将车牌检测分为图像增强和车牌检测两个步骤，即先对图像进行图像增强，在对增强后图像进行车牌检测识别。该方法两个步骤需要分别对图像特征进行提取，因此不能实现端到端，影响计算的效率，并且尽管这种方法显示出比原图更好的视觉质量，但它在识别结果上的改进非常有限。

另外，针对退化图像增强，首先传统的增强算法存在增强效果不显著、恢复后的边缘不清晰等缺陷，并且传统方法从底层视觉任务出发，主要针对提升可视化效果，缺乏对场景视觉中高层特性知识的有效利用，并不能有效促进车牌识别等任务，在车牌检测时，面临车牌畸变旋转等场景的时候，很难有较强的鲁棒性，出现检测不准确甚至漏检的情况，这是由于卷积神经网络对空间旋转具有较差的表现能力；在车牌识别时，常用的检测框架时卷积神经网络加长短时记忆网络，但是这种框架更倾向于识别单行和固定长度的文本，但是在面对新能源车牌和双层车牌时需要使用额外的识别模型以及判别模型，严重的影响了识别效率。

由此可见，在高位远景场景中，针对图像模糊退化问题，现有的方法存在计算效率低以及对高层任务引导能力差的问题，另外车牌检测识别中存在车牌畸形、以及多类型车牌识别问题，因此急需更有效的方法多类型车牌的退化以及畸形问题。

发明内容

为了克服现有技术存在的不足，本发明设计提供一种高位远景模糊车牌识别方法，增强退化车牌信息并解决车牌畸形和多类型车牌识别问题，可用于高位远景场景的车牌检测识别任务中，能够高效的实现端到端车牌增强检测和识别。

为实现上述目的，本发明具体包括如下步骤：

（1）数据集构建：先收集高位远距离成像的交通监控、高位侧方位停车场中含有常规以及倾斜、畸变车牌的图像，并对车牌的位置和每一张车牌中的字符进行标注后构建数据集，再将数据集中的图像进行不同模糊核的模糊处理和下采样处理，得到原始图像和退化后的图像对，最后将数据集划分为训练集、验证集和测试集；

（2）共享主干网络特征提取：先对图像的尺寸和数值范围行初始化处理，再将处理后的图像输入到主干网络中进行卷积特征提取，然后将提取的卷积特征通过特征金字塔网络进行

强化利用得到多尺度车牌卷积特征图集合；