The invention discloses a multi scale plate convolution neural network based on precise positioning method, firstly construct the convolutional neural network for feature extraction of the input image, then the multi-scale characteristics of regional location may contain the license plate in the input image are extracted based on based on multi-scale feature recognition and precise positioning of the license plate area is real. The invention of image feature extraction using convolutional neural network, the recognition effect is good; the semantic features are different and the resolution of fusion, has good recognition ability for different scales directly on the license plate; license plate corner prediction and inference, construct fine quadrilateral plate is covering the actual area, positioning high precision.
【技术实现步骤摘要】
一种基于卷积神经网络的多尺度车牌精准定位方法
本专利技术属于图像处理
,具体涉及一种基于卷积神经网络所构建,能对图像中的车牌进行精确定位,并对车牌尺度变化具有高度不变性的车牌检测方法。
技术介绍
车牌识别是智能交通的核心技术之一,被广泛地应用于交通监测、道路管理、不停车收费系统等领域。车牌识别包含三个步骤:车牌检测、车牌字符分割和车牌字符识别。其中,车牌检测是后续车牌字符分割与识别的基础,决定了整个系统的识别性能,被认为是车牌识别中最重要的步骤。因此,设计和实现高性能的车牌检测算法,对车牌识别具有重要的意义。车牌检测的目标是在输入图像中定位车牌的位置,并通过一定的几何形式对其进行指示。一般来说,车牌检测算法通常先对待检测图像进行特征提取,然后构建分类器基于提取到的特征信息对区域进行判定和识别。传统车牌检测算法使用的特征可以分为三类。第一类是基于车牌自身结构的特征,如车牌的颜色、形状、对称性、灰度值、长宽比等;第二类是基于车牌字符特性的特征,如车牌字符的线型、长宽比、字符间距等;第三类是图像处理领域较为通用的特征描述算子,如SIFT(ScaleInvariantFeatureTransform),SURF(Speeded-UpRobustFeatures)、HOG(HistogramofOrientedGradient)等。这些特征对于车牌信息具有一定的表达能力,但其设计过程非常复杂、自动化程度低,且通常只能表达较为浅层的信息,鲁棒性和适应性较弱。此外,传统的车牌检测算法还面临两大挑战:首先,难以对图像中的车牌进行足够精准的定位。由于相机视角和仿射变换 ...
【技术保护点】
一种基于卷积神经网络的多尺度车牌精准定位方法,其特征在于,包括以下步骤:步骤1:构建卷积神经网络对输入图像进行特征提取;步骤2:基于多尺度特征对输入图像中可能包含车牌的区域位置进行提取;步骤3:基于多尺度特征对真正的车牌区域进行识别和精准定位。
【技术特征摘要】
1.一种基于卷积神经网络的多尺度车牌精准定位方法,其特征在于,包括以下步骤:步骤1:构建卷积神经网络对输入图像进行特征提取;步骤2:基于多尺度特征对输入图像中可能包含车牌的区域位置进行提取;步骤3:基于多尺度特征对真正的车牌区域进行识别和精准定位。2.根据权利要求1所述的基于卷积神经网络的多尺度车牌精准定位方法,其特征在于,步骤1的具体实现过程是:使用5个卷积层对输入图像进行特征提取,每个卷积层后设置一个线性纠正单元ReLU层对信号进行激活,从而向网络中引入非线性因素;前4个线性纠正单元ReLU层后设置池化层进行最大值池化,从而减少需要训练的网络参数数量、降低模型的复杂度。3.根据权利要求1所述的基于卷积神经网络的多尺度车牌精准定位方法,其特征在于,步骤2的具体实现包括以下子步骤:步骤2.1:使用滑动窗口,对卷积神经网络不同层次上的特征进行提取与融合;步骤2.2:对每个融合特征矢量所对应的输入图像区域参照若干具有不同尺度和长宽比的锚点,得到具有不同尺度和长宽比组合的初始车牌候选区域;步骤2.3:基于融合的特征矢量对每个区域进行分类识别,保留含车牌概率最大的N个区域作为目标候选区域,并使用回归器对区域的位置进行调整。4.根据权利要求3所述的基于卷积神经网络的多尺度车牌精准定位方法,其特征在于:步骤2.1中,使用3×3的窗口在卷积神经网络所构建的特征映射图上滑动,同时在第五个卷积层和第四个卷积层对应的特征映射图上进行搜索,从每个位置提取512维的特征矢量,并对两个层次上的特征矢量进行融合。5.根据权利要求3所述的基于卷积神经网络的多尺度车牌精准定位方法,其特征在于:步骤2.2中,对每个融合特征矢量所对应的输入图像区域参照9种具有不同尺度和长宽比的锚点,包括128×128、256×256、512×51...
【专利技术属性】
技术研发人员:姚剑,韩婧,赵娇,刘亚辉,李礼,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北,42
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。