一种基于深度学习的多方位车牌定位方法技术

本发明专利技术公开了一种基于深度学习的多方位车牌定位方法，包括下述步骤：S1，构建大规模带车辆标注的数据集；从开源的数据集得到大量不同场景下的不同机动车的样本，并对得到的样本进行样本标注从而得到训练样本集，样本标注是只框出车辆存在的区域；本发明专利技术采用最新的YOLO目标检测方法，提出了一种新的精确的旋转角预测方法来实现多向车牌检测，同时为了快速求出两个转动矩形之间的交并比(IoU)，提出了一种近似方法，即角偏差惩罚因子；本发明专利技术具有最先进的检测精度，并且可以实时运行。

【技术实现步骤摘要】
一种基于深度学习的多方位车牌定位方法
本专利技术涉及车牌定位
，具体涉及一种基于深度学习的多方位车牌定位方法。
技术介绍
在交通事故的事故监测过程中，自动检测和识别车牌的能力是世界各地执法机构使用的关键工具之一。现有大多数解决方案在本质上都是有其局限性，例如在固定相机上工作，或者针对特定的分辨率，以及针对特定类型的车牌模板，或使用特定的视角等都存在局限。许多现代汽车牌照检测方法在特定条件下都是合理有效的，但是，当被评估的汽车牌照图像有一定程度的旋转时，它们的表现不佳，这是由交通警察手动捕获或相机偏差造成的。在车牌识别领域，传统方法通常采用图像处理算法来对车牌进行定位，而深度学习目前已成功应用于计算机视觉、自然语言处理等领域，其中的卷积神经网络在图像识别领域取得了非凡的成就，将其应用于车牌识别，有助于改善车牌旋转时的识别精度。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种提高车牌定位准确度和鲁棒性更高的基于深度学习的多方位车牌定位方法。本专利技术的目的通过下述技术方案实现：一种基于深度学习的多方位车牌定位方法，包括下述步骤：S1，构建大规模带车辆标注的数据集；本文档来自技高网...

【技术保护点】
1.一种基于深度学习的多方位车牌定位方法，其特征在于，包括下述步骤：S1，构建大规模带车辆标注的数据集；从开源的数据集得到大量不同场景下的不同机动车的样本，并对得到的样本进行样本标注从而得到训练样本集，样本标注是只框出车辆存在的区域；对进行车辆识别的卷积神经网络进行训练，具体步骤如下：S1.1，网络参数的修改及初始化：修改YOLO目标检测算法并进行训练，为了满足只检测车辆的要求，将YOLO目标检测算法的最后一层卷积层的filters＝(C+5)×A，其中，C为识别物体的种类，5为YOLO目标检测算法输出五个参数，设置anchorboxes，即A＝5，将最后一层的filters修改为30，对应于...

【技术特征摘要】
1.一种基于深度学习的多方位车牌定位方法，其特征在于，包括下述步骤：S1，构建大规模带车辆标注的数据集；从开源的数据集得到大量不同场景下的不同机动车的样本，并对得到的样本进行样本标注从而得到训练样本集，样本标注是只框出车辆存在的区域；对进行车辆识别的卷积神经网络进行训练，具体步骤如下：S1.1，网络参数的修改及初始化：修改YOLO目标检测算法并进行训练，为了满足只检测车辆的要求，将YOLO目标检测算法的最后一层卷积层的filters＝(C+5)×A，其中，C为识别物体的种类，5为YOLO目标检测算法输出五个参数，设置anchorboxes，即A＝5，将最后一层的filters修改为30，对应于只有车辆一种分类的情况；修改配置文件；使用在PascalVOC数据集上训练过的卷积层及相关参数并进行初始化；S1.2，将训练样本输入网络，进行前向传播，计算预测值与真实值之间的损失函数，并结合反向传播使损失函数降低，迭代训练直至网络收敛，从而得到训练完成的车辆目标检测模型；S2，将待检测的图像经过处理转换成和训练样本集尺寸相同的图像，输入训练完成的车辆目标检测模型中，得到车辆和车牌区域并检查模型的准确度；其中，待检测的图像可能与训练样本集中的图像尺寸不符，此时需要对待检测的图像进行转换，转变为和训练样本集中图像相同的尺寸，然后输入车辆目标检测模型并进行一次前向传播，输出图像中的车辆信息，根据车辆目标检测模型预测的结果与真实值之间的差距来判断模型的准确度；S3，将车辆识别卷积神经网络的输出作为车牌定位卷积神经网络的样本集，并对有偏移角度的车牌重新标注作为训练集，对有偏移角度的车牌定位卷积神经网络进行训练，具体步骤如下：在YOLO目标检测算法的网络基础上进行改进，网络包含七层卷积层以及三层全连接层，前五层卷积层之后分别有一层最大池化层；网络的训练过程如下：S3.1...

【专利技术属性】
技术研发人员：刘珊珊，熊晓明，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44