一种基于全卷积网络的车牌定位方法及装置制造方法及图纸
【技术实现步骤摘要】
一种基于全卷积网络的车牌定位方法及装置
本专利技术实施例涉及计算机视觉和机器学习
，尤其涉及一种基于全卷积网络的车牌定位方法及装置。
技术介绍
目前，在智能交通领域，车牌定位具有较高的研究和应用价值，如停车场自动收费，交通监控中自动搜索车牌信息等。尽管近些年来该研究取得了很大的进展，但仍无法很好地解决如自然场景下，低亮度、低分辨率和多车辆，车辆倾斜等环境下的车牌定位问题。因此，如何能从自然场景的车辆视频图像中定位出车牌区域，是车牌识别系统及交通监控、车辆门禁等应用中的重要课题。
技术实现思路
本专利技术实施例提供一种基于全卷积网络的车牌定位方法及装置，可以提高车牌区域的定位效率和精度。一方面，本专利技术实施例提供了一种基于全卷积网络的车牌定位方法，包括：采用预先基于第一全卷积神经网络结构训练得到的车牌定位模型，确定待检测车辆图片中包含的至少一个车牌图片初分区域；对包含所述至少一个车牌图片初分区域的待检测车辆图片进行处理，得到所述待检测车辆图片中包含的候选车牌区域；采用预先基于第二全卷积神经网络结构训练得到的车牌首字识别模型，确定所述候选车牌区域的首字符是否为车牌...
【技术保护点】
一种基于全卷积网络的车牌定位方法，其特征在于，包括：采用预先基于第一全卷积神经网络结构训练得到的车牌定位模型，确定待检测车辆图片中包含的至少一个车牌图片初分区域；对包含所述至少一个车牌图片初分区域的待检测车辆图片进行处理，得到所述待检测车辆图片中包含的候选车牌区域；采用预先基于第二全卷积神经网络结构训练得到的车牌首字识别模型，确定所述候选车牌区域的首字符是否为车牌首字符；若所述候选车牌区域的首字符为车牌首字符，则确定所述候选车牌区域是车牌，并在所述待检测车辆图片中绘制车牌所在位置。
【技术特征摘要】
1.一种基于全卷积网络的车牌定位方法，其特征在于，包括：采用预先基于第一全卷积神经网络结构训练得到的车牌定位模型，确定待检测车辆图片中包含的至少一个车牌图片初分区域；对包含所述至少一个车牌图片初分区域的待检测车辆图片进行处理，得到所述待检测车辆图片中包含的候选车牌区域；采用预先基于第二全卷积神经网络结构训练得到的车牌首字识别模型，确定所述候选车牌区域的首字符是否为车牌首字符；若所述候选车牌区域的首字符为车牌首字符，则确定所述候选车牌区域是车牌，并在所述待检测车辆图片中绘制车牌所在位置。2.根据权利要求1所述的方法，其特征在于，对包含所述至少一个车牌图片初分区域的待检测车辆图片进行处理，得到所述待检测车辆图片中包含的候选车牌区域，包括：采用形态学变换技术滤除所述待检测车辆图片中除所述至少一个车牌图片初分区域外的噪声区域；采用轮廓算法，对包含所述至少一个车牌图片初分区域的待检测车辆图片进行边框查找，得到多个边框区域；滤除像素数量小于预设像素阈值的边框区域，并滤除长宽比不属于预设的车牌长宽比范围的边框区域，得到所述候选车牌区域。3.根据权利要求1所述的方法，其特征在于，若所述候选车牌区域的首字符为车牌首字符，则确定所述候选车牌区域是车牌，并在所述待检测车辆图片中绘制车牌所在位置，包括：若所述候选车牌区域的首字符为车牌首字符，则确定所述首字符的特征点坐标以及所述候选车牌区域的宽度和高度；依据所述候选车牌区域的宽度和高度以及所述首字符的特征点坐标，确定所述首字符是否位于所述候选车牌区域内部；若是，则确定所述候选车牌区域是车牌，并在所述待检测车辆图片中绘制车牌所在位置；否则，滤除所述候选车牌区域。4.根据权利要求1所述的方法，其特征在于，基于第一全卷积神经网络结构训练得到车牌定位模型，包括：收集包含车牌的样本车辆图片，并标注所述样本车辆图片中包含的车牌区域，作为所述车牌定位模型的训练样本集；采用所述训练样本集对第一全卷积神经网络结构进行训练，得到所述车牌定位模型。5.根据权利要求1-4任一项所述的方法，其特征在于，所述第一全卷积神经网络结构为：第一卷积层包括1个卷积层、1个ReLU层、1个Pool层和1个LRN层；第二卷积层包括1个卷积层、1个ReLU层、1个Pool层和1个LRN层；第三卷积层包括1个卷积层和1个ReLU层；第四卷积层包括1个卷积层和1个ReLU；第五卷积层包括1个卷积层、1个ReLU层和1个Pool层；第六卷积层的滤波器尺寸为7，输出数据形体为[1x1x4096]；第七卷积层的滤波器尺寸为1x1，输出数据形体为[1x1x4096]；第八卷积层的滤波器尺寸为1x1，输出数据形体为[1x1x2]；第九反卷积放大层用于将所述第八卷...
【专利技术属性】
技术研发人员：向函，符祖峰，赵勇，谢锋，陈胜红，
申请(专利权)人：深圳市丰巨泰科电子有限公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。