一种复杂场景下的车牌识别方法及系统技术方案

本发明专利技术公开了一种复杂场景下的车牌识别方法，包括：获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；将所述识别结果输入评估模型，获取评估结果，可实现复杂场景下的车牌识别，且具有较高的识别准确率。的识别准确率。的识别准确率。

【技术实现步骤摘要】
一种复杂场景下的车牌识别方法及系统


[0001]本专利技术涉及图像检测
，更具体的说是一种复杂场景下的车牌识别方法及系统。

技术介绍

[0002]作为智能交通监控及管理系统的重要组成部分，车牌自动识别一直是人们研究的热点。车牌识别系统(License Plate Recognition System，LPRS)在交通道路信息化管理上具有重要的作用，大大提高了传统管理模式的效率。车牌检测识别系统是城市大脑系统不可缺少的一部分，有着广泛的应用场景。比如通过十字路口的摄像头对违章车辆进行抓拍，对于违法犯罪的车辆追踪，收费站、停车场、港口、小区的车牌识别系统等。
[0003]近几年，基于深度学习的目标检测和图像处理算法取得了较好的进展。U
‑
Net
[0004]在2015年被提出，并在生物医学图像的分割领域得到了广泛的应用。U
‑
Net模型最大限度地利用了车牌图像的浅层和深层特征，实现对车牌区域精准定位。在无需对字符分割的情况下，通过卷积神经网络(CNN)对车牌实现端到端的识别，但是在采用了人工智能方面的技术后，可以直接对车牌进行端到端的识别，提高了识别的速度和准确率。另外，在可维护性和便携性方面，采用人工智能相关技术的方案相较传统方案也是更胜一筹。目前，在各个交通场景下，采用上述技术方案的产品应用极为广泛。
[0005]但是在一些复杂场景中，如远距离、光照变化、大角度引起车牌变形、运动模糊、雨天等场景下仍然有很大的优化空间。目前很多系统不支持这种复杂场景或者识别效果较差，一些车牌检测识别系统的做法仍然较为粗糙，不能根据不同场景做一些针对性优化。
[0006]因此，需要一种准确率更高且适用场景更广的车牌识别方法。

技术实现思路

[0007]本说明书实施例的一个方面提供一种复杂场景下的车牌识别方法，包括：获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；将所述识别结果输入评估模型，获取评估结果。
[0008]在一些实施例中，所述识别模型依次包括下采样模块、序列化特征提取模块、图像增强模块；所述下采样模块用于对输入的车牌数据集进行下采样并提取底层特征；所述序列化特征提取模块用于对提取的所述底层特征进行序列化特征提取；所述图像增强模块用于对提取的所述底层特征进行图像增强。
[0009]在一些实施例中，所述下采样模块由一个卷积层和三个Resblock模块组成，一个所述Resblock模块中至少包括两个卷积层。
[0010]在一些实施例中，所述图像增强模块采用上采样进行图像增强。
[0011]在一些实施例中，所述评估模型采用以下方式对所述识别结果进行评估：
[0012]Acc＝Righer/All；
[0013]Acc代表识别模型的识别车牌的精确率，Right代表识别正确的车牌数，All代表所有车牌数据集中的车牌的样本数；
[0014]所述评估模型的测试指标至少包括以下一种：回归损失平方和、top1车牌准确率、top1_in_top5车牌准确率；
[0015]其中，所述回归损失平方和与车牌数据集的车牌图片的识别置信度和预测质量分相关，所述top1车牌准确率、top1_in_top5车牌准确率与识别模型的识别准确率相关。
[0016]本申请对复杂场景下的车牌识别技术进行了研究。针对目前业界对复杂场景下车牌识别效果较差的情况下，本申请通过多任务学习的方式,在做车牌识别的过程中融合图像增强模块来提高模型对复杂场景的适应性。序列化特征提取采用muti
‑
attention模块，使得算法更关注文字的位置信息。在车牌识别模块中融合图像增强模块的细节特征,利用模型学习复杂场景下车牌信息到固定车牌信息的变换,以提高识别效果。
[0017]本说明书实施例的一个方面提供一种复杂场景下的车牌识别设备，包括：获取模块，用于获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；识别模块，用于将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；评估模块，用于将所述识别结果输入评估模型，获取评估结果。
[0018]本说明书实施例的一个方面提供一种复杂场景下的车牌识别装置，所述装置包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现所述复杂场景下的车牌识别方法对应的操作。
[0019]本说明书实施例的一个方面提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，实现所述复杂场景下的车牌识别方法。
附图说明
[0020]本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
[0021]图1是根据本申请一些实施例所示的复杂场景下的车牌识别设备的应用场景示意图；
[0022]图2是根据本申请的一些实施例所示的可以在其上实现处理引擎的示例性计算设备的示例性硬件和/或软件组件的示意图；
[0023]图3是根据本申请的一些实施例所示的可以在其上实现一个或以上终端的示例性移动设备的示例性硬件和/或软件组件的示意图；
[0024]图4是根据本申请的一些实施例所示的示例性处理引擎的示意框图；
[0025]图5是根据本说明书的一些实施例所示的复杂场景下的车牌识别方法的流程图；
[0026]图6是根据本说明书的一些实施例所示的识别模型识别车牌的流程示意图；
[0027]图7是根据本说明书的一些实施例所示的下采样模块的示意图；
[0028]图8是根据本说明书的一些实施例所示的Resblock模块的示意图；
[0029]图9是根据本说明书的一些实施例所示的识别模型的训练流程示意图。
具体实施方式
[0030]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0031]应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
[0032]如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂场景下的车牌识别方法，其特征在于，包括：获取作为训练样本的车牌数据集并对获取的所述车牌数据集进行预处理；将所述车牌数据集输入识别模型进行处理，获取识别模型的识别结果；所述车牌数据集包括若干车牌图片；将所述识别结果输入评估模型，获取评估结果；其中，所述识别模型依次包括下采样模块、序列化特征提取模块、图像增强模块；所述下采样模块用于对输入的车牌数据集进行下采样并提取底层特征；所述序列化特征提取模块用于对提取的所述底层特征进行序列化特征提取；所述图像增强模块用于对提取的所述底层特征进行图像增强。2.根据权利要求1所述的方法，其特征在于，所述下采样模块由一个卷积层和三个Resblock模块组成，一个所述Resblock模块中至少包括两个卷积层。3.根据权利要求1或2所述的方法，其特征在于，所述图像增强模块采用上采样进行图像增强。4.根据权利要求3所述的方法，其特征在于，所述识别模型对输入的所述车牌图片的处理包括：对所述车牌图片进行下采样提取底层特征；对提取到的所述特征分别进行序列化特征和图像增强；将经过图像增强的特征和经过序列化特征提取的特征进行特征融合得到识别结果。5.根据权利要求1所述的方法，其特征在于，所述评估模型采用以下方式对所述识别结果进行评估：Acc＝Righer/All；Acc代表识别模型的识别车牌的精确率，Right代表识别正确的车牌数，All代表所有车牌数据集中的车牌的样本数；所述评估模型的测试指标至少包括以下一种：回归损失平方和、...

【专利技术属性】
技术研发人员：李洪洋，郭敬娜，王铭宇，
申请(专利权)人：成都恒创新星科技有限公司，
类型：发明
国别省市：