【技术实现步骤摘要】
一种基于深度学习的车牌识别方法及装置
[0001]本专利技术涉及智能交通
，尤其涉及一种基于深度学习的车牌识别方法及装置。
技术介绍
[0002]车牌识别技术在城市交通管理、车辆识别、停车场收费管理、违章处理等多个任务中具有重要的作用，但是，由于受光照条件、天气条件、图像的清晰度、车牌的拍摄角度、车牌的颜色等多个因素的影响，使得车牌识别仍是一个富有挑战的任务。
[0003]车牌识别包含两个任务，一是车牌位置的检测，即从拍摄图像出定位得到车牌区域的位置；二是车牌字符的识别，即将检测到的车牌区域内的可见字符识别出来。现有技术中，车牌识别主要包括两种方法，一种是两阶段的车牌识别方法，这类方法一般是先检测车牌的位置，之后，在检测车牌的基础上进行车牌字符的识别，这类方法需要对检测和识别模块分别训练和调优，无法充分发挥两者高度相关又互补的关系；另一种是端到端的车牌识别方法，将检测和识别过程一起训练，直接得到车牌识别的结果，但现有的端到端车牌识别方法存在如下缺陷：一方面，不能实现完全的端到端的方式进行训练，而是先训练检测器，...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的车牌识别方法，其特征在于，包括：获取多张含有车辆车牌信息的图像帧，通过卷积神经网络提取各图像帧的特征，并将提取的各图像帧的特征进行融合，得到各图像帧的特征表示；通过预定目标检测网络检测所述各图像帧的特征表示，得到所述各图像帧的车牌检测框的类别和位置信息，并根据所述类别和位置信息对所述各图像帧的车牌进行分割，得到分割后的所述各图像帧的特征图；获取各图像帧中的原始车牌标签信息，根据各原始车牌标签信息和所述各图像帧的特征图，训练得到车牌识别模型；将待识别图片输入所述车牌识别模型进行车牌识别，识别得到所述待识别图片中的车牌字符。2.根据权利要求1所述的方法，其特征在于，所述通过卷积神经网络提取各图像帧的特征，并将提取的各图像帧的特征进行融合，得到各图像帧的特征表示，包括：在卷积神经网络中增加特征金字塔网络结构，通过所述特征金字塔网络结构从不同尺度上提取各图像帧的高层语义特征；将提取的各图像帧的高层语义特征进行特征融合，得到各图像帧的特征表示。3.根据权利要求1或2所述的方法，其特征在于，所述根据所述类别和位置信息对所述各图像帧的车牌进行分割，得到分割后的所述各图像帧的特征图，包括：根据所述各图像帧的车牌检测框的类别和位置信息，对第一预定尺寸大小的所述各图像帧分别经过第一预定次数卷积及第二预定次数反卷积操作，提取得到所述各图像帧各自对应的第二预定尺寸大小的特征图。4.根据权利要求3所述的方法，其特征在于，在根据各原始车牌标签信息和所述各图像帧的特征图，训练得到车牌识别模型的步骤之前，包括：根据各原始车牌标签信息，将各原始车牌标签转换为针对车牌全局字符的全局字符特征图以及针对车牌单个字符的单字符特征图。5.根据权利要求4所述的方法，其特征在于，所述根据各原始车牌标签信息和所述各图像帧的特征图，训练得到车牌识别模型，包括：通过预定的损失函数对各全局字符特征图、各单字符特征图以及所述各图像帧的特征图进行计算，得到计算结果；基于各原始车牌标签信息，通过所述损失函数矫正所述计算结果，训练得到车牌识别模型。6.根据权利要求5所述的方法，其特征在于，所述预定的损失函数为多任务损失函数，所述多任务损失函数包括车牌目标检测阶段的损失函数和车牌分割阶段的损失函数；其中，通过分别设定车牌目标检测阶段的损失函数和车牌分割阶段的损失函数的权重系数，确定所述多任务损失函数。7.根据权利要求6所述的方法，其特征在于，所述车牌目标检测阶段的损失函数包括位置回归函数和分类损失函数，通过分别设定位置回归函数和分类损失函数的权重系数，确定所述车牌目标检测阶段的损失函数；所述车牌分割阶段的损失函数包括全局车牌实例分割损失函数和表示每个字符的语义分割损失函数，其中，所述全局车牌实例分割损失函数使用二值交叉熵损失函数进行计
算，所述语义分割损失函数使用加权损失函数进行计算。8.根据权利要求7所述的方法，其特征在于，所述将待识别图片输入所述车牌识别模型进行车牌识别，识别得到所述待识别图片中的车牌字符，包括：将待识别图片输入所述车牌识别模型，得到所述待识别图片的车牌检测框；通过所述车牌识别模型中的预定目标检测网络检测所述待识别图片的车牌检测框，得到所述待识别图片的全局字符特征图以及所述待识别图片的单字符特征图；根据所述待识别图片的车牌检测框，通过预定算法计算所述待识别图片的单字符特征图中每个字符区域的...
【专利技术属性】
技术研发人员：闫军，丁丽珠，
申请(专利权)人：超级视线科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。