[发明专利]一种基于深度学习的车牌检测方法

摘要

本发明提供一种基于深度学习的车牌识别方法，其可以自适应地获得不同场景下的车牌特征信息，同时提高了车牌识别的准确率。本发明将车牌固有的颜色属性加入YOLO模型中构建一个具有泛化能力强、检测以及定位准确率高的车牌检测模型，对输入的卡口监控设备拍摄的过车图片进行检测，得到车牌的区域位置；接着使用Radon变换对倾斜的车牌区域进行校正，同时利用颜色和边缘等线索对车牌区域进行微调，最后将微调后的车牌区域送入加入车牌编码规则约束的CRNN网络对车牌号码进行识别。

主权项

1.一种基于深度学习的车牌识别方法，其包括以下步骤：S1：获得需要识别的输入图片，在所述输入图片中对车牌位置进行分析，得到具体车牌区域；S2：对所述车牌区域的信息进行识别，得到具体的车牌号码内容；其特征在于：所述步骤S1包括以下步骤：S1‑1：通过现有的卡口监控设备获得所述输入图片，将所述输入图片划分为S x S个网格，分别将每个网格映射到HSV颜色空间后，求出每个网格在HSV空间中蓝色、黄色、绿色所占的比例，其中i = 1，……,S x S；S1‑2：将每个网格在HSV空间中蓝色、黄色、绿色中所占的比例代入到YOLO框架中，得到的损失函数如下所示：式中：i,j取值范围为1，……，S x S，x,y,w,C,p为网络预测值，为标注值，表示有目标中心落在网格中，表示第i个网格中的第j个边框负责这个目标，表示第i个网格中的第j个边框不负责这个目标；在所述损失函数中：第一项和第二项用来表示坐标预测损失；第三项是包含目标的区域可信度预测损失；第四项是不含目标的区域可信度预测损失；第五项为类别预测损失；S1‑3：收集车牌样本；S1‑4：使用所述车牌样本和所述损失函数，训练用于检验车牌位置的YOLO网络；S1‑5：将步骤S1‑1中获得的所述输入图片送入在步骤S1‑4中训练好的YOLO网络，获得所述车牌区域；所述步骤S2中，通过CRNN网络对所述车牌区域的数据进行识别，经过卷积层、循环层和转录层对特征序列的处理，最后得到车牌号码的识别结果。