一种基于深度学习的前后车牌检测识别方法技术

本发明专利技术公开了一种基于深度学习的前后车牌检测识别方法，包括：通过摄像机实时采集路面图像；基于运动目标识别技术，从所述路面图像中确定出机动车目标；开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片；将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取特征信息；将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差值，输出所述机动车目标是否为套牌车的判定结果；本发明专利技术有效改善一车两牌的违法行为的监控捕获准确率，增强执法力度。

【技术实现步骤摘要】

本专利技术涉及机动车车牌检测
，特别是指一种基于深度学习的前后车牌检测识别方法。
技术介绍
目前交通智能管控中，多是依赖单一的电警或卡口的单向管控。当出现不法分子通过单一的更替、遮挡、损坏车头或者车尾的车牌(一车两牌的违法行为)进行违法活动时，单向管控将无法有效捕获此类违法行为。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种基于深度学习的前后车牌检测识别方法，有效对改善一车两牌的违法行为的监控捕获准确率，增强了执法力度。基于上述目的本专利技术提供的一种基于深度学习的前后车牌检测识别方法，包括：通过摄像机实时采集路面图像；所述摄像机以与地面成90°夹角的顶拍方式安装，镜头配备视角大于90°的广角镜头；基于运动目标识别技术，从所述路面图像中确定出机动车目标；开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片；将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息；将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差值，输出所述机动车目标是否为套牌车的判定结果。优选的，所述基于运动目标识别技术，从所述路面图像中确定出机动车目标的步骤包括：基于深度学习的目标检测算法，预先搜集大量顶拍场景下的不同车型的机动车样本，按照车型类别进行样本标注获取训练样本集；设置深度网络层、网络结构及损失函数；将训练样本集输入网络，进行基于方向梯度的迭代卷积核计算，直至网络收敛以获取机动车目标检测网络，并将提取的各款型的机动车特征映射至已标注的对应款型的标签内，获取机动车模型；将所述路面图像逐帧进行每帧图像内的全图、多尺度的滑动窗检测，获得多个待判别的目标窗口，然后将所述待判别的目标窗口的位置坐标及图片送入所述机动车目标检测网络，进行特征提取，将提取的特征与所述机动车模型进行特征比对，筛选出所述机动车目标。优选的，所述开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片的步骤包括：设置目标监控区域；所述目标监控区域位于所述摄像机下方位置，沿所述机动车目标的运动方向依次包括：第一车牌监控区域、跟踪区域、第二车牌监控区域；监控所述机动车目标在所述第一车牌监控区域内，监测车牌区域像素点数，当数量达到特征识别需求时，抓拍获得前拍图片，保存所述前拍图片中的前车牌位置坐标；跟踪所述机动车目标经过所述跟踪区域到达所述第二车牌监控区域后，监测车牌区域像素点数，数量达到特征识别需求时，抓拍获得后拍图片，保存所述后拍图片中的后车牌位置坐标。优选的，所述第一车牌监控区域的宽度为所述目标监控区域的默认宽度，长度为所述目标监控区域起始线至所述机动车目标行驶方向1.0～2.0m；所述第二车牌监控区域的宽度为所述目标监控区域的默认宽度，长度为所述目标监控区域终止线至所述机动车目标行驶反方向1.0～2.0m。优选的，所述由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片的步骤包括：根据上述前车牌位置坐标和后车牌位置坐标，提取所述前拍图片和后拍图片中的车牌区域图片，然后左右扩充0.5个车牌宽度，上下扩充0.25的车牌宽度，作为最终的前车牌图片和后车牌图片。优选的，在所述将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息的步骤之前，还包括：将所述前车牌图片和后车牌图片通过Sobel等边缘特征检测算法，获取车牌的精确定位，再在精确定位的车牌区域内采用图像去噪、图像增强、灰度值转换、尺度变换、图像旋转的图像预处理操作获取高辨识度车牌图片。优选的，所述将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度的步骤包括：将前车牌的N*M维的特征PFj与后车牌的N*M维的特征PBj，进行相应维度的特征比对，取各个特征比对结果的差值得比对相似度Pro。其中，N为车牌特征提取的种类，M为每类特征下提取的特征数；所述比对相似度Pro为：其中，其中，x为前车牌图片的待检测样本，x′为后车牌图片的待检测样本，w为优化后的网络层参数，b为偏置项。另一方面，本专利技术还提供了一种基于深度学习的前后车牌检测识别装置，包括：摄像机，用于实时采集路面图像；所述摄像机以与地面成90°夹角的顶拍方式安装，镜头配备视角大于90°的广角镜头；运动目标识别模块，用于基于运动目标识别技术，从所述路面图像中确定出机动车目标；车牌图片获取模块，用于开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片；特征比对判定模块，用于将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息；将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差值，输出所述机动车目标是否为套牌车的判定结果。从上面所述可以看出，本专利技术提供的基于深度学习的前后车牌检测识别方法，基于深度学习的前后车牌检测识别方法，实现对一辆车的前、后车牌的双向监控；具体的，选用了基于深度学习的车牌级联定位及车牌区域内字符特征的识别比对方法，改善了传统识别方法因车牌定位不准确或字符切割不准确引发的车牌误识别及后续联动的比对误判别。有效改善一车两牌的违法行为的监控捕获准确率，增强了执法力度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例的基于深度学习的前后车牌检测识别方法流程图；图2为本专利技术实施例中的摄像机设置方式示意图；图3为本专利技术实施例中的目标监控区域设置示意图；图4为本专利技术实施例的基于深度学习的前后车牌检测识别装置结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。需要说明的是，本专利技术实施例中所有使用“第一”和本文档来自技高网...

【技术保护点】
一种基于深度学习的前后车牌检测识别方法，其特征在于，包括：通过摄像机实时采集路面图像；所述摄像机以与地面成90°夹角的顶拍方式安装，镜头配备视角大于90°的广角镜头；基于运动目标识别技术，从所述路面图像中确定出机动车目标；开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图片和后车牌图片；将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行网络卷积核计算，提取出特征信息；将所述前车牌图片和后车牌图片的特征信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差值，输出所述机动车目标是否为套牌车的判定结果。

【技术特征摘要】
1.一种基于深度学习的前后车牌检测识别方法，其特征在于，包括：
通过摄像机实时采集路面图像；所述摄像机以与地面成90°夹角的顶拍
方式安装，镜头配备视角大于90°的广角镜头；
基于运动目标识别技术，从所述路面图像中确定出机动车目标；
开启对所述机动车目标的跟踪及抓拍，获取所述机动车目标的前拍图片
和后拍图片，并由所述前拍图片和后拍图片提取所述机动车目标的前车牌图
片和后车牌图片；
将所述前车牌图片和后车牌图片分别送入预设的深度学习网络中，进行
网络卷积核计算，提取出特征信息；将所述前车牌图片和后车牌图片的特征
信息进行特征比对，获得比对相似度；根据所述比对相似度与预设阈值的差
值，输出所述机动车目标是否为套牌车的判定结果。
2.根据权利要求1所述的，其特征在于，所述基于运动目标识别技术，
从所述路面图像中确定出机动车目标的步骤包括：
基于深度学习的目标检测算法，预先搜集大量顶拍场景下的不同车型的
机动车样本，按照车型类别进行样本标注获取训练样本集；设置深度网络
层、网络结构及损失函数；将训练样本集输入网络，进行基于方向梯度的迭
代卷积核计算，直至网络收敛以获取机动车目标检测网络，并将提取的各款
型的机动车特征映射至已标注的对应款型的标签内，获取机动车模型；
将所述路面图像逐帧进行每帧图像内的全图、多尺度的滑动窗检测，获
得多个待判别的目标窗口，然后将所述待判别的目标窗口的位置坐标及图片
送入所述机动车目标检测网络，进行特征提取，将提取的特征与所述机动车
模型进行特征比对，筛选出所述机动车目标。
3.根据权利要求1所述的方法，其特征在于，所述开启对所述机动车目
标的跟踪及抓拍，获取所述机动车目标的前拍图片和后拍图片的步骤包括：
设置目标监控区域；所述目标监控区域位于所述摄像机下方位置，沿所
述机动车目标的运动方向依次包括：第一车牌监控区域、跟踪区域、第二车
牌监控区域；
监控所述机动车目标在所述第一车牌监控区域内，监测车牌区域像素点
数，当数量达到特征识别需求时，抓拍获得前拍图片，保存所述前拍图片中

\t的前车牌位置坐标；
跟踪所述机动车目标经过所述跟踪区域到达所述第二车牌监控区域后，
监测车牌区域像素点数，数量达到特征识别需求时，抓拍获得后拍图片，保
存所述后拍图片中的后车牌位置坐标。
4.根据权利要求3所述的方法，其特征在于，所述第一车牌监控区域的
宽度为所述目标监控区域的默认宽度，长度为所述目标监...

【专利技术属性】
技术研发人员：张如高，刘丹，赵晓萌，刘洋，陈江林，虞正华，
申请(专利权)人：博康智能信息技术有限公司，
类型：发明
国别省市：北京;11