基于YOLOv3的同步端到端车牌定位与识别方法技术

基于YOLOv3的同步端到端车牌定位与识别方法，获取车牌外接矩形框以及车牌号信息，制作成数据集标签文件，将数据集分为训练数据集、验证数据集和测试数据集；训练基于YOLOv3的车牌检测与识别一体化网络LP‑Yolo，使之能在检测车牌的同时实现对多种类型车牌的识别，将训练数据集增广后，放入网络训练；利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后评估模型。本发明专利技术能对多种类型及不同长度的车牌进行分类并识别。同时，该方法提出的网络LP‑Yolo能在各种非约束环境下快速准确检测并识别车牌。

【技术实现步骤摘要】
基于YOLOv3的同步端到端车牌定位与识别方法
本专利技术涉及车牌自动识别
，具体涉及一种基于YOLOv3的同步端到端车牌定位与识别方法。
技术介绍
自动车牌识别系统在智能交通领域中应用广泛，如车辆违章监测、高速路口收费、停车场收费等。在道路交通管理中，车牌是获取车辆拥有者信息的唯一依据，因此在车辆行驶过程中，准确有效的识别车牌信息具有重要意义。现有的车牌识别技术通常被分为车牌检测和字符识别两部分。现有的车牌检测与字符识别技术均可分为传统方法和深度学习的方法。传统车牌检测方法可分为基于边缘特征、基于数学形态学和基于颜色特征三种。如文献[1]陈政.车牌识别系统研究综述[J].现代信息科技,2019,3(11):193-195中记载。其中，1)基于边缘特征的方法是利用车牌边缘特征信息对车牌进行定位，文献[2]Davis,A.M.,ArunvinodhC.,&ArathyMenonNP.(2015).Automaticlicenseplatedetectionusingverticaledgedetectionmethod.20本文档来自技高网...

【技术保护点】
1.基于YOLOv3的同步端到端车牌定位与识别方法，其特征在于包括以下步骤：/n步骤1：获取车牌外接矩形框以及车牌号信息，制作成数据集标签文件，将数据集分为训练数据集、验证数据集和测试数据集；/n步骤2：训练基于YOLOv3的车牌检测与识别一体化网络LP-Yolo，使之能在检测车牌的同时实现对多种类型车牌的识别，将训练数据集增广后，放入网络训练；/n步骤3：利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后评估模型。/n

【技术特征摘要】
1.基于YOLOv3的同步端到端车牌定位与识别方法，其特征在于包括以下步骤：
步骤1：获取车牌外接矩形框以及车牌号信息，制作成数据集标签文件，将数据集分为训练数据集、验证数据集和测试数据集；
步骤2：训练基于YOLOv3的车牌检测与识别一体化网络LP-Yolo，使之能在检测车牌的同时实现对多种类型车牌的识别，将训练数据集增广后，放入网络训练；
步骤3：利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后评估模型。


2.根据权利要求1所述基于YOLOv3的同步端到端车牌定位与识别方法，其特征在于步骤3中，利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后使用精确率与召回率两个指标来评估模型，具体计算见公式(14)(15)，在对模型进行评估时，若精确率和召回率较低，可以通过改变训练次数、学习率等重新训练模型；
Precision＝TP/(TP+FP)(14)；
Recall＝TP/(TP+FN)(15)；
其中：TP为真阳性，表示检测正确的车牌数量；FP为假阳性，表示非车牌被检测为车牌的数量；FN为假阴性，表示车牌被检测为非车牌的数量。


3.基于YOLOv3的端到端车牌检测与识别网络LP-Yolo，其特征在于：
该网络不仅预测车牌位置信息，同时还能够预测车牌号信息，网络的输出层特征通道数nfilter如公式(10)所示：
nfilter＝boxNum*(classes+coord+conf+lpc+lpn)(1)
其中，boxNum表示每个单元格预测的边界框(boundingbox)个数，即每个尺度对应一个边界框，coord表示边界框的位置信息，即中心点坐标(x,y)和宽w高h，conf表示置信度，classes为类别个数，lpc表示车牌类型所占位数，lpn为车牌号所占位数；
网络LP-Yolo增加了新的预测信息，在原有损失函数的基础上增加车牌类型及车牌号信息预测的损失，如公式(11)、公式(12)、公式(13)所示：
NTotal_loss＝Total_loss+lpc_loss+lpn_loss(2)






其中，NTotal_loss、Total_loss、lpc_loss、lpn_loss分别为改进模型的...

【专利技术属性】
技术研发人员：徐光柱，匡婉，雷帮军，万秋波，吴正平，石勇涛，
申请(专利权)人：三峡大学，
类型：发明
国别省市：湖北;42