一种基于深度学习的两地双车牌检测识别方法及系统技术方案

本发明专利技术提供一种基于深度学习的两地双车牌检测识别方法及系统，包括构建带车牌标注的车辆数据集，进行样本标注；训练经改进的MTCNN车牌检测器，并使用训练好的车牌检测器定位图像中的车牌区域及车牌四个角点的坐标，使用车牌的四个角点坐标对车牌区域进行矫正；训练车牌字符检测器，检测出车牌中各字符的包围框及类别；对车牌字符检测结果进行排序，输出串联的车牌字符序列。本发明专利技术主要用于复杂场景下两地车辆的车牌检测与识别，所用网络都为轻量型网络，在有效降低车牌检测识别所耗时间的同时，也可以提高车牌的检测与识别准确率。此外，本发明专利技术采用了车牌的四个角点坐标进行车牌矫正，有效改善车牌倾斜及畸变情况，提高了车牌识别的效果。

【技术实现步骤摘要】
一种基于深度学习的两地双车牌检测识别方法及系统
本专利技术属于车牌检测
，具体涉及一种两地双车牌的检测和识别方法技术方案。
技术介绍
车辆是重要的交通工具，对其进行管理是城市交通管理、安全管理的重要内容。车牌作为车辆的身份识别码，能唯一地表征车辆对象，因而利用车牌进行车辆管理和识别成为近些年最热门和最具挑战的任务。车牌的检测与识别就是从复杂的自然图像中定位车牌的位置，并将车牌号进行识别的技术。车牌检测识别的流程一般分为两类，一类是车辆检测、车牌定位、车牌识别，另一类是直接车牌定位再车牌识别。其中，车牌定位是关键环节，对车牌检测识别的效果有重要影响。车牌定位常用的方法有基于自适应数学形态学的方法、基于形状回归的方法、基于颜色信息的方法、基于变换的方法、基于Adaboost的方法、基于神经网络的方法等等。从方法的泛化角度来看，类似前四种基于普通图像处理的方法只适用于固定场景，检测精度也较低。而Adaboost方法、深度学习等模型化的方法因有较好的泛化能力及较高的检测精度得到较广泛的应用。车牌识别方面，又可分为三类：①先对车牌进本文档来自技高网...

【技术保护点】
1.一种基于深度学习的两地双车牌检测识别方法，其特征在于，包括以下步骤：/n步骤S1，构建带车牌标注的车辆数据集，包括如下子步骤，/n步骤S1-1，收集带有车辆的图片数据集，再利用预训练模型对收集到的图片数据集检测车辆目标并从原图片分割出车辆区域进行保存，获得车辆图片数据集；/n步骤S1-2，对车辆图片数据集进行样本标注，样本标注内容包括车牌区域和字符区域并标注类型；/n步骤S2，训练经改进的MTCNN车牌检测器，并使用训练好的车牌检测器定位图像中的车牌区域及车牌四个角点的坐标，然后使用车牌的四个角点坐标对车牌区域进行矫正；/n所述改进的MTCNN车牌检测器中，使用MTCNN的子网络PNet、...

【技术特征摘要】
1.一种基于深度学习的两地双车牌检测识别方法，其特征在于，包括以下步骤：
步骤S1，构建带车牌标注的车辆数据集，包括如下子步骤，
步骤S1-1，收集带有车辆的图片数据集，再利用预训练模型对收集到的图片数据集检测车辆目标并从原图片分割出车辆区域进行保存，获得车辆图片数据集；
步骤S1-2，对车辆图片数据集进行样本标注，样本标注内容包括车牌区域和字符区域并标注类型；
步骤S2，训练经改进的MTCNN车牌检测器，并使用训练好的车牌检测器定位图像中的车牌区域及车牌四个角点的坐标，然后使用车牌的四个角点坐标对车牌区域进行矫正；
所述改进的MTCNN车牌检测器中，使用MTCNN的子网络PNet、RNet网络提取及筛选候选车牌区域，再使用改进的子网络ONet对提取的候选车牌区域进行精细筛选，矩形框修正及角点定位；
步骤S3，训练LPS/CR-NET车牌字符检测器，并使用训练好的车牌字符检测器检测出车牌中各字符的包围框及类别；
步骤S4，车牌字符排序，包括对步骤S3-4的车牌字符检测结果进行排序，输出串联的车牌字符序列，包括如下子步骤，
步骤S4-1，设S3-5字符分割与识别出的字符有n个，计算这n个包围框的平均宽度及高度：
步骤S4-2，按字符包围框的中心位置坐标的X坐标升序排列，记第i个包围框为Ki，i＝1，...，n，xi为Ki的中心点X坐标，yi为Ki的中心点Y坐标；
步骤S4-3，设置字符的初始行位置，包括设车牌有两行字符，分别记为row1、row2，则将所有字符都归为row2；
步骤S4-4，分离字符行，包括计算Ki、Ki+1的水平距离Δwi，i+1＝xi+1-xi及垂直距离Δhi，i+1＝yi+1-yi...

【专利技术属性】
技术研发人员：邓练兵，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44