车牌定位方法、装置、系统及存储介质制造方法及图纸

本发明专利技术适用于机器视觉技术领域，提供了一种车牌定位方法、装置、系统及存储介质，该方法包括：通过训练好的车牌定位网络模型获取待检测图像中车辆包含的车牌的粗预测框的中心和尺寸，以车牌的粗预测框的中心为中心，对车牌的粗预测框所包含的区域进行扩展，得到包围该车牌的局部区域，并基于共享特征图将该局部区域缩放到固定尺寸，在缩放的局部区域内回归车牌的四个顶点，根据该四个顶点获得车牌的外边框，从而通过共享特征图的方式降低了车辆定位模型的训练复杂度和运行时间，减少了车辆检测过程中的计算量，提高了检测效率，通过在局部范围内检测车牌，提高了小尺寸与多方向车牌检测的准确性。

【技术实现步骤摘要】
车牌定位方法、装置、系统及存储介质
本专利技术属于机器视觉
，尤其涉及一种车牌定位方法、装置、系统及存储介质。
技术介绍
车牌检测在停车场、小区进出门禁、高速收费站和交通监管等场景中有着广泛的应用。车牌检测是实现车牌识别的第一步，也是至关重要的一步。当前在停车场和小区门禁等场景中，由于拍摄得到的车牌尺寸较大且角度较小，其中的车牌检测技术已基本成熟。但是在开放场景中，比如交通记录仪或行车记录仪，由于车牌在尺度、光照、背景、方向等方面的多样性，车牌检测依然面临着巨大的挑战。在过去的很长时间里，学术界与产业界提出了大量提升车牌检测能力的方法。传统车牌检测方法需要根据车牌的显著特点人为地设计可区分的特征，再根据特征构建适合的分类器，比如支持向量机、神经网络等，其中人工特征根据类别可以大体分为以下五类：边缘、连通性、纹理、颜色和字符(DUS,IBRAHIMM,SHEHATAM,etal.Automaticlicenseplaterecognition(ALPR):Astate-of-the-artreview[J].IEEETransactions本文档来自技高网...

【技术保护点】
1.一种车牌定位方法，其特征在于，所述方法包括下述步骤：/n将待检测图像输入到训练好的车牌定位网络模型中，通过所述车牌定位网络模型中的车牌粗检测网络对所述待检测图像进行特征提取，得到共享特征图，其中，所述训练好的车牌定位网络模型通过带有标记的车辆图像数据对所述车牌定位网络模型进行端到端的训练得到，所述车牌定位网络模型包括依次连接的所述车牌粗检测网络、车牌区域扩展和缩放网络和车牌精定位网络；/n基于所述共享特征图，通过所述车牌粗检测网络获取所述待检测图片中车辆预测框的中心和尺寸，并根据所述车辆预测框的中心和尺寸获取所述车辆包含的车牌的粗预测框的中心和尺寸；/n以所述车牌的粗预测框的中心为中心，通...

【技术特征摘要】
1.一种车牌定位方法，其特征在于，所述方法包括下述步骤：
将待检测图像输入到训练好的车牌定位网络模型中，通过所述车牌定位网络模型中的车牌粗检测网络对所述待检测图像进行特征提取，得到共享特征图，其中，所述训练好的车牌定位网络模型通过带有标记的车辆图像数据对所述车牌定位网络模型进行端到端的训练得到，所述车牌定位网络模型包括依次连接的所述车牌粗检测网络、车牌区域扩展和缩放网络和车牌精定位网络；
基于所述共享特征图，通过所述车牌粗检测网络获取所述待检测图片中车辆预测框的中心和尺寸，并根据所述车辆预测框的中心和尺寸获取所述车辆包含的车牌的粗预测框的中心和尺寸；
以所述车牌的粗预测框的中心为中心，通过所述车牌区域扩展和缩放网络对所述车牌的粗预测框所包含的区域进行扩展，得到包围所述车牌的局部区域；
基于所述共享特征图，通过所述车牌区域扩展和缩放网络将所述局部区域缩放到固定尺寸；
通过所述车牌精定位网络在所述缩放后的局部区域内回归车牌的四个顶点，根据所述四个顶点获得车牌的外边框。


2.如权利要求1所述的方法，其特征在于，所述车牌粗检测网络为改进后的SSD网络。


3.如权利要求1所述的方法，其特征在于，所述根据所述车辆预测框的中心和尺寸获取所述车辆包含的车牌的粗预测框的中心和尺寸的步骤，包括：
获取所述车辆包含车牌的概率；
当所述车辆包含车牌的概率大于预设的概率阈值时，根据所述车辆预测框的中心和尺寸获取所述车辆包含的车牌的粗预测框的中心和尺寸。


4.如权利要求1所述的方法，其特征在于，所述通过所述车牌精定位网络在所述缩放后的局部区域内回归车牌的四个顶点的步骤，包括：
通过所述车牌精定位网络在所述缩放后的局部区域内获取车牌预测框；
获取所述车牌预测框的匹配锚点框，所述匹配锚点框为大于预设的交并比阈值的锚点框；
基于所述匹配锚点框回归车牌的四个顶点。


5.如权利要求1所述的方法，其特征在于，所述车牌定位网络模型的损失函数定义如下：
L＝L1(c，l，g，υ,lpc)+αL2(c′,l′,g′)
其中，L表示所述车牌定位网络的损失，L1(c,l,g,υ,lpc)表示所述车牌粗检测网络的损失，L2(c′,l′,g′)表示所述车牌精定位网络的损失，α表示所述车牌粗检测网络的损失和所述车牌精定位网络的损失的权衡参数，c表示预测车辆的置信度，l表示车辆预测框，g表示车辆真实框，υ表示该车辆是否包含有车牌，lpc表示预测出的车辆包含车牌的概率，c′表示预测车牌的置信度，l′表示车牌预测框，g′表示车牌真实框。


6.如权利要求5所述的方法，其特征在于，所述车牌粗检测网络的训练任务包括：车辆/非车辆分类任务、车辆边界框回归任务、车辆含车牌分类任务、车牌中心与车辆中心偏移回归任务和车牌大小回归任务，所述车牌粗检测网络的损失函数定义如下：



其中，N表示与车辆真实框匹配的车辆锚点框的数量，Lconf(c)表示所述车辆/非车辆分类任务的损失，Lloc(l,g)表示所述车辆边界框回归任务的损失，Lhas_lp(υ,lpc)表示所述车辆含车牌分类任务的损失，Loff(l,g，υ)表示所述车牌中心与车辆中心偏移回归任务的损失，Llpwh(l，g，υ)表示所述车牌大小回归任务的损失；
所述车辆含车牌分类任务采用二元交叉熵损失函数进行训练，所述车辆含车牌分类任务的损失函数定义如下：



其中，σ是sigmoid函数，用于将车辆包含车牌的概率限制在[0，1]之间，υi表示第i个车...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：珠海亿智电子科技有限公司，
类型：发明
国别省市：广东;44