一种车牌检测定位方法、装置、设备及计算机可读介质制造方法及图纸

本发明专利技术提供了一种车牌检测定位方法、装置、设备及计算机可读介质，该方法包括：样本图像获取步骤，获取车辆样本图像和车牌样本图像；样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。其技术效果为提出了基于SSD模型构建了车辆及车牌检测模型，基于车辆信息标记车牌的外接矩形，进一步基于颜色及形状特征识别车牌的精确位置。

【技术实现步骤摘要】
一种车牌检测定位方法、装置、设备及计算机可读介质
本专利技术涉及模式识别
，特别是一种车牌检测定位方法、装置、设备及计算机可读介质。
技术介绍
随着经济的发展，人民的生活水平日益提高，相应地机动车数量也逐年增加。无论是道路交通信息量，还是二手车买卖数量都迅猛增加。为了有效管理机动车信息，一个切实可行的车牌识别系统显得尤为可贵。此外，车牌是用户的隐私，在图片中隐藏用户信息也是十分重要的。但是现有技术大多依靠人工，枯燥且效率不高，造成了人力的浪费。现有车牌系统主要基于背景进行检测，但是，例如，蓝色车牌对于蓝色车或者是蓝色背景将难以定位，造成车牌定位精度降低。
技术实现思路
本专利技术针对上述现有技术中的缺陷，提出了如下技术方案。一种车牌检测定位方法，该方法包括：样本图像获取步骤，获取车辆样本图像和车牌样本图像；样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。更进一步地，所述样本图像训练步骤具体包括：车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。更进一步地，所述深度学习算法为单次检测器(SSD：TheSingleShotDetector)算法。更进一步地，所述单次检测器算法为视觉几何组(VGG)卷积神经网络。更进一步地，所述车牌检测定位步骤具体包括：车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。本专利技术还提出了一种车牌检测定位装置，该装置包括：样本图像获取单元，获取车辆样本图像和车牌样本图像；样本图像训练单元，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型。车牌检测定位单元，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置；更进一步地，所述样本图像训练单元包括：车辆检测模型训练单元，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；车牌检测模型训练单元，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。更进一步地，所述深度学习算法为单次检测器(SSD：TheSingleShotDetector)算法。更进一步地，所述单次检测器算法为视觉几何组(VGG)卷积神经网络。更进一步地，所述车牌检测定位单元具体包括：车辆检测单元，将获取的车辆图像输入到车辆检测模型中得到车辆信息；标记单元，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；车牌检测单元，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。本专利技术还提出了一种车牌检测定位设备，其特征在于，所述设备包括处理器、存储器，所述处理器与所述存储器通过总线相连接，所述存储器中存储机器可读代码，所述处理器执行存储器中的机器可读代码可执行上述之任一项的方法。本专利技术还涉及一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时可执行上述之任一的方法。本专利技术的技术效果为：基于SSD模型构建了车辆及车牌检测模型，基于车辆信息标记车牌的外接矩形，进一步基于颜色及形状特征识别车牌的精确位置。附图说明图1是本专利技术的一种车牌检测定位方法的流程图。图2是本专利技术的一种车牌检测定位装置的结构示意图。图3是本专利技术的一种车牌检测定位设备的结构示意图。具体实施方式下面结合附图1-3进行具体说明。图1示出了本专利技术的一种车牌检测定位方法，该方法包括：一种车牌检测定位方法，该方法包括：S11样本图像获取步骤，获取车辆样本图像和车牌样本图像；S12样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；S13车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。步骤S11中车辆样本图像和车牌样本图像获取可通过网络、拍摄的方式获得，特别是对于不同角度和不同位置图像中的车辆进行采集，构成车辆样本图像和车牌样本图像数据包，该数据包可以存储在存储介质上，可以存在服务器上等等。所述样本图像训练步骤S12包括：车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。在进行车辆检测模型训练时，利用标记的车辆样本进行车辆的检测，这里我们使用深度学习的算法，具体的通过SSD模型(SSD：TheSingleShotDetector是基于一个前向传播CNN网络，产生一系列固定大小(fixed-size)的boundingboxes，以及每一个box中包含物体实例的可能性，即score。之后，进行一个非极大值抑制(Non-maximumsuppression)得到最终的predictions；)，使用VGG网络进行初步训练，在训练的过程根据损失函数的输出和结果的收敛情况进行参数调整和样本调整通过训练数据训练模型，利用测试数据验证参数的准确性，同时利用反馈网络不断修改参数，达到最终的网络收敛，完成车辆检测模型的训练。上述模型的训练可以是在Linux的caffe框架下使用SSD进行训练。车牌检测模型的训练与之相同，不在赘述。所述车牌检测定位步骤S13包括：车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。在车辆检测步骤中，使用训练好的车辆检测模型对车辆中的车牌进行检测，检测使用的算法和车辆检测算法一样都是利用SSD，在车辆检测后为车牌的标记外接矩形，其准确度和速度都能够达到预期效果。在车牌检测步骤，完成车牌的外接矩形标记后利用形状检测和颜色检测实现车牌的准确定位。通常现有的算法都是利用图像的底层特征完成车牌的定位，这样做法容易受到背景和车辆本身影响，准确性和泛化性都比较差，而我们在深度学习的模型检测下实现了车牌外接矩形的准确定位基础上，完成车牌的真实位置定位就排除了大多数背景因素影响，但是仍然存在一定的困难，为此设计了基于颜色和形状特征融合的算法。通过我们能够实现连通域的确定，对连通域进行边缘检测和Hough变换(Hough变换：霍夫变换(HoughTransform)是图像处理中的一种特征提取技术，它通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。具体是运用两个坐标本文档来自技高网...

【技术保护点】
1.一种车牌检测定位方法，其特征在于，该方法包括：样本图像获取步骤，获取车辆样本图像和车牌样本图像；样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。

【技术特征摘要】
1.一种车牌检测定位方法，其特征在于，该方法包括：样本图像获取步骤，获取车辆样本图像和车牌样本图像；样本图像训练步骤，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测模型；车牌检测定位步骤，获取车辆图像，将所述车辆图像输入到车牌检测模型中得到车牌位置。2.根据权利要求1的方法，其特征在于，所述样本图像训练步骤具体包括：车辆检测模型训练步骤，对车辆样本图像进行标记，使用深度学习算法基于标记的车辆样本图像进行训练，得到车辆检测模型；车牌检测模型训练步骤，对车牌样本图像进行标记外接矩形，在车辆检测模型中使用深度学习算法基于标记外接矩形的车牌样本图像进行训练，得到车牌检测模型。3.根据权利要求2的方法，其特征在于，所述深度学习算法为单次检测器(SSD：TheSingleShotDetector)算法。4.根据权利要求3的方法，其特征在于，所述单次检测器算法为视觉几何组(VGG)卷积神经网络。5.根据权利要求4的方法，其特征在于，所述车牌检测定位步骤具体包括：车辆检测步骤，将获取的车辆图像输入到车辆检测模型中得到车辆信息；标记步骤，基于所述车辆信息进行车牌的外接矩形的标记得到带有外接矩形的车牌图像；车牌检测步骤，将带有外接矩形的车牌图像输入到车牌检测模型中，基于颜色和形状特征进行车牌的精确定位。6.一种车牌检测定位装置，其特征在于，该装置包括：样本图像获取单元，获取车辆样本图像和车牌样本图像；样本图像训练单元，对获取的车辆样本图像和车牌样本图像进行训练，得到车牌检测...

【专利技术属性】
技术研发人员：庞敏辉，邱慧，高岩，梁大双，李文佳，
申请(专利权)人：优信拍北京信息科技有限公司，
类型：发明
国别省市：北京,11