一种基于深度卷积神经网络的实时车牌检测方法技术

本发明专利技术涉及计算机视觉领域和深度学习领域，具体而言，涉及一种基于深度卷积神经网络的实时车牌检测方法，该方法包括：获取路面监控图像，选出多张符合要求的目标图像，对目标图像中的车牌的位置进行标记并按预设比例划分为训练集、测试集及验证集，对标记后的车牌进行数据增强，将数据增强处理后的训练集放入深度卷积神经网络中进行训练，结合Adam优化整个改进的SSD模型的损失函数，向训练后的深度卷积神经网络结构中输入一张车牌图像并进行网络计算，输出n*1*4和n*1*2的矩阵并进行非极大值抑制，得到最终的预测结果。如此，不仅能更好的兼具时间和性能两个优势，有效地提高了车牌检测的鲁棒性和网络的泛化能力。

A real-time license plate detection method based on deep convolution neural network

【技术实现步骤摘要】
一种基于深度卷积神经网络的实时车牌检测方法
本专利技术涉及计算机视觉领域和深度学习领域，具体而言，涉及一种基于深度卷积神经网络的实时车牌检测方法。
技术介绍
近年来，随着我国经济实力的迅速提升，我国的机动车保有量逐年上升。机动车数量的持续增长在服务社会生产生活时，对机动车的管理工作也提出了更高的要求，为了有效地管理机动车辆，机动车号牌需要在交通管理部门申请登记，在这种情形下，需要一种高效、精确的车牌识别系统，用以对车牌号码等车牌信息进行快速采集获取，由此产生了车牌识别系统。车牌检测是车辆识别系统的重要组成部分，车牌检测的精度可以直接影响车牌识别的准确率。早期的车牌检测方法是利用人工提取特征，训练分类器，进行车牌检测，但这类方法在环境变化强烈的时候检测效果不理想。近年来，利用Faster-RCNN，SSD，YOLO来检测车牌，效果不错，可以轻微适应环境变化和车牌不全等问题，但是时间消耗、计算能力和设备存储消耗非常高。而最近公开了《CN106709486A-基于深度卷积神经网络的自动车牌识别方法》，主要采用常规卷积神经网络提本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述检测方法的步骤包括：/nS1，获取路面监控图像，从所述路面监控图像中选出多张符合要求的目标图像，对所述目标图像中的车牌的位置进行标记，得到标记了车牌位置的已标记图像，将所述已标记图像按照按预设比例划分为训练集、测试集及验证集；/nS2，对标记后的车牌进行数据增强；/nS3，构建深度卷积神经网络结构，所述深度卷积神经网络结构包括一个主干及一个特征提取支路，所述主干及特征提取支路共计含有13个卷积层和4个池化层；/nS4，将数据增强处理后的训练集放入深度卷积神经网络结构中进行训练，结合Adam优化整个改进的SSD模型的损失函数，训练后...

【技术特征摘要】
1.一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述检测方法的步骤包括：
S1，获取路面监控图像，从所述路面监控图像中选出多张符合要求的目标图像，对所述目标图像中的车牌的位置进行标记，得到标记了车牌位置的已标记图像，将所述已标记图像按照按预设比例划分为训练集、测试集及验证集；
S2，对标记后的车牌进行数据增强；
S3，构建深度卷积神经网络结构，所述深度卷积神经网络结构包括一个主干及一个特征提取支路，所述主干及特征提取支路共计含有13个卷积层和4个池化层；
S4，将数据增强处理后的训练集放入深度卷积神经网络结构中进行训练，结合Adam优化整个改进的SSD模型的损失函数，训练后使用验证集检验改进的SSD模型的速度与准确率；
S5，向训练后的所述深度卷积神经网络结构中输入一张车牌图像并进行网络计算，输出n*1*4的矩阵和n*1*2的矩阵，对所述输出n*1*4的矩阵和n*1*2的矩阵进行非极大值抑制，得到最终的预测结果。


2.根据权利要求1所述的一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述训练集、所述测试集和所述验证集的预设比例为：50％：40％：10％。


3.根据权利要求1所述的一种基于深度卷积神经网络的实时车牌检测方法，其特征在于，所述数据增强方法包括：
S21，颜色的数据增强，包括饱和度、亮度、曝光度、色调和对比度；
S22，尺度变换，将每一轮送入改进的SSD模型进行训练的图片尺寸随机更改成32倍整倍数大小；
S23，角度变换，图片每次随机旋转0～10度或者水平翻转或者垂直翻转；
S24，随机噪声干扰...

【专利技术属性】
技术研发人员：张裕星，殷光强，候少麒，刘春辉，刘学婷，李慧萍，李超，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51