车牌检测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了一种基于YOLO目标检测的车牌检测方法、装置、设备和存储介质，其中车牌检测方法包括：步骤一，连续地截取待检测视频流中预设数量的视频帧；步骤二，通过YOLO目标检测方式在所述预设数量的视频帧中的第一帧图像中检测第一物体目标，得到所述第一物体目标对应的第一定位结果；步骤三，根据所述第一定位结果确定的范围，在所述预设数量的视频帧中的非第一帧图像中检测第二物体目标，得到所述第二物体目标在所述非第一帧图像中对应的第二定位结果，直至检测完所述预设数量的视频帧。本发明专利技术能够在达到高速检测的同时提升小目标的检测能力，减少误判。

【技术实现步骤摘要】
车牌检测方法、装置、设备和存储介质
本专利技术涉及图像识别领域的目标检测技术，特别是涉及一种基于YOLO目标检测的车牌检测方法、装置、设备和存储介质。
技术介绍
目标检测是计算器视觉领域的重要研究方向之一，传统的目标检测方法是通过构建特征描述子提取特征后利用分类器对特征进行分类实现目标检测，如HOG(HistogramofOrientedGradient，梯度方向直方图)和SVM(SupportVectorMachine，支持向量机)。随着深度学习在图像分类领域的优异表现，卷积神经网络在计算器视觉的各领域开始得到了广泛使用，在目标检测领域中使用深度学习实现目标检测也成为一个新的方向。现有的使用深度学习实现目标检测的技术方案列举如下：目标检测的经典模型，包括R-CNN(RegionCNN，区域卷积神经网络)和FasterR-CNN(快速R-CNN)。其中，2015年提出的FasterR-CNN深度学习目标检测算法，在mAP(meanaverageprecision，平均精准度)上高于特征描述子与分类器结合的传统方法。但Faster本文档来自技高网...

【技术保护点】
1.一种基于YOLO目标检测的车牌检测方法，其特征在于，包括：/n步骤一，连续地截取待检测视频流中预设数量的视频帧；/n步骤二，通过YOLO目标检测方式在所述预设数量的视频帧中的第一帧图像中检测第一物体目标，得到所述第一物体目标对应的第一定位结果；/n步骤三，根据所述第一定位结果确定的范围，在所述预设数量的视频帧中的非第一帧图像中检测第二物体目标，得到所述第二物体目标在所述非第一帧图像中对应的第二定位结果，直至检测完所述预设数量的视频帧。/n

【技术特征摘要】
1.一种基于YOLO目标检测的车牌检测方法，其特征在于，包括：
步骤一，连续地截取待检测视频流中预设数量的视频帧；
步骤二，通过YOLO目标检测方式在所述预设数量的视频帧中的第一帧图像中检测第一物体目标，得到所述第一物体目标对应的第一定位结果；
步骤三，根据所述第一定位结果确定的范围，在所述预设数量的视频帧中的非第一帧图像中检测第二物体目标，得到所述第二物体目标在所述非第一帧图像中对应的第二定位结果，直至检测完所述预设数量的视频帧。


2.根据权利要求1所述的车牌检测方法，其特征在于，还包括：
步骤四，判断所述待检测视频流是否被截取完毕，是则结束流程，否则返回步骤一。


3.根据权利要求2所述的车牌检测方法，其特征在于，
所述步骤二中，检测所述第一物体目标的所述YOLO目标检测方式是采用由第一资料集训练的模型。


4.根据权利要求3所述的车牌检测方法，其特征在于，所述第一物体目标为汽车目标，所述第一资料集为由背景图像与汽车图像相合成后的第一合成图像所构成的资料集。


5.根据权利要求4所述的车牌检测方法，其特征在于，所述第一合成图像的生成方式为：将所述背景图像中的汽车区域抠除，将不同种类的汽车图片放入所述背景图像中的抠除区域中合成对应的第一合成图像。


6.根据权利要求3所述的车牌检测方法，其特征在于，
所述步骤三中，检测所述第二物体目标的所述YOLO目标检测方式是采用由第二资料集训练的模型。


7.根据权利要求5所述的车牌检测方法，其特征在于，所述第二物体目标为车牌目标，所述第二资料集为由汽车图像与车牌图像相合成后的第二合成图像所构成的资料集。


8.根据权利要求4所述的车牌检测方法，其特征在于，所述第二合成图像的生成方式为：将所述汽车图像中的车牌区域抠除，将不同种类的车牌图片放入所述汽车图像中的抠除区域中合成对应的第二合成图...

【专利技术属性】
技术研发人员：柯长荣，彭康庭，张楠赓，
申请(专利权)人：北京嘉楠捷思信息技术有限公司，
类型：发明
国别省市：北京;11