一种基于卷积神经网络的车牌识别方法技术

本发明专利技术涉及一种基于卷积神经网络的车牌识别方法，主要包括以下步骤：S1、通过获取车牌图片训练样本，制作车牌数据集，进行车牌检测定位模型设计及训练，并利用车牌检测定位模型进行车牌定位，从图片或者实时视频流中定位车牌位置及置信度，提取车牌矩形块图片；S2、通过获取车牌样本，制作车牌识别数据集，进行车牌识别模型设计及训练，并利用车牌识别模型进行车牌识别，通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型，获取车牌号码及对应置信度并输出。本发明专利技术通过构建车牌检测定位模型及车牌识别模型，实现不同天气条件、恶劣光照、倾斜等常规及恶劣条件下对车牌的实时识别。

【技术实现步骤摘要】
一种基于卷积神经网络的车牌识别方法
本专利技术涉及计算机视觉、数字图像处理和深度学习领域，尤其涉及一种基于卷积神经网络的车牌识别方法。
技术介绍
车牌识别是现代智能交通网络的重要组成部分及智慧城市的重要基础构建，应用十分广泛，已经渗入生活的各个方面。它以数字图像处理、计算机视觉、深度学习等技术为基础，对拍摄的图片或者视频序列进行分析，得到车辆车牌号码，从而完成识别过程。车牌识别技术可应用于停车场、道路监管、收费站等场景。对于构建智能交通网络、实现智能城市有着重要意义。现有的车牌识别系统大多采用传统图像识别的方法，基于颜色或边缘检测、复杂一点的基于MSER文字定位的方法进行车牌定位、然后对车牌进一步处理，进行倾斜校正，文字分割，然后再进一步对分割出来的文字逐一进行识别，其弊端在于：识别场景单一，只能针对特定场景进行识别，应用于不同的场景需要对算法进行针对性的优化；识别准确率不高，在特定优化场景下识别率能达到98％以上，但是在其他场景下识别准确率低；无法处理复杂环境的识别，如雨天、雾天、夜间、光照不均匀、清晰度低等。本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的车牌识别方法，其特征在于，包括以下步骤：/nS1、通过获取车牌图片训练样本，制作车牌数据集，进行车牌检测定位模型设计及训练，并利用车牌检测定位模型进行车牌定位，从图片或者实时视频流中定位车牌位置及置信度，提取车牌矩形块图片；/nS2、通过获取车牌样本，制作车牌识别数据集，进行车牌识别模型设计及训练，并利用车牌识别模型进行车牌识别，通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型，获取车牌号码及对应置信度并输出。/n

【技术特征摘要】
1.一种基于卷积神经网络的车牌识别方法，其特征在于，包括以下步骤：
S1、通过获取车牌图片训练样本，制作车牌数据集，进行车牌检测定位模型设计及训练，并利用车牌检测定位模型进行车牌定位，从图片或者实时视频流中定位车牌位置及置信度，提取车牌矩形块图片；
S2、通过获取车牌样本，制作车牌识别数据集，进行车牌识别模型设计及训练，并利用车牌识别模型进行车牌识别，通过将步骤S1中获取的车牌矩形块图片送入车牌识别模型，获取车牌号码及对应置信度并输出。


2.根据权利要求1所述的一种基于卷积神经网络的车牌识别方法，其特征在于，步骤S1中车牌检测定位模型的设计及训练，包括车牌检测定位图片预处理、车牌检测定位模型设计及训练；其中，图片预处理的过程为：将图片等比例缩放为最长边416，其余部分采用灰色，即RGB114、114、114填充。


3.根据权利要求2所述的一种基于卷积神经网络的车牌识别方法，其特征在于，步骤S1中车牌检测定位模型的设计及训练，采用目标检测模型YOLOv3-Tiny网络结构，其采用Tiny-Darknet结构，总共为24层网络结构，包括13个卷积层、6个池化层、2个route层、一个上采样层和2个yolo输出层。


4.根据权利要求3所述的一种基于卷积神经网络的车牌识别方法，其特征在于，车牌检测定位模型采用多尺度检测进行预测，具体形式是在网络预测中进行上采样及拼接不同层输出。


5.根据权利要求4所述的一种基于卷积神经网络的车牌识别方法，其特征在于，车牌检测定位模型的输出为车牌位置信息及车牌类别，具体格式为(x,y,w,h,c)；其中，(x,y)为车牌左上角在输入图像中坐标，(w,h)为车牌宽度及高度，c为车牌类别；其中，车牌类别包含：无车牌、蓝牌、黄牌、双层黄牌、新能源、黑牌和警牌。


6.根...

【专利技术属性】
技术研发人员：刘永桂，任闯，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44