一种复杂环境下的车牌定位和识别方法技术

本发明专利技术公开了一种复杂环境下的车牌定位和识别方法，本发明专利技术采用循环生成对抗网络对合成车牌图像进行风格迁移，生成更接近真实的车牌图像以丰富训练样本集，并解决样本不均衡问题，采用一种MF

【技术实现步骤摘要】
一种复杂环境下的车牌定位和识别方法


[0001]本专利技术属于目标检测和模式识别领域，具体涉及一种基于MF
‑
RepUnet的车牌定位方法和基于卷积循环神经网络和注意力机制的车牌识别方法。

技术介绍

[0002]智慧交通是智慧城市的重要组成部分，快速准确的车牌识别技术对智慧交通系统建设具有重大意义。现有的车牌识别技术已广泛应用于各种限定场景如车辆通行管理、智慧停车场、电子警察、电子停车收费系统(Electronic Toll Collection,ETC)等。这些智能管理系统不仅提供了安全、有效的服务，还极大地便利了人们的日常生活。虽然传统车牌识别技术已十分成熟，限定场景下车牌图像质量相对较高，车牌识别能够达到较高的精确率和实时性，但无法普遍适用于各种复杂场景。在真实复杂环境下，如光照变换、背景复杂、拍摄角度和拍摄距离多变、运动模糊、天气恶劣等多种因素影响导致获取的车牌图像往往质量差且分辨率低，为后续车牌精确定位和识别带来了严峻的挑战。因此，复杂环境下的车牌定位和识别方法研究仍具有重要意义。
[0003]近年来，随着深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂环境下的车牌定位和识别方法，其特征在于，该方法具体包括以下步骤：步骤1：基于CycleGAN的训练样本生成步骤1
‑
1：根据标准车牌模板自动合成各个省份的车牌图像，通过透视畸变模拟车牌形变程度，更改HSV颜色空间数据模拟光照强度，添加环境背景以及高斯噪声模拟模糊场景；步骤1
‑
2：采用CycleGAN进行风格迁移，使合成车牌图像更接近真实车牌图像以解决样本不平衡问题，同时进一步提高样本多样性；CycleGAN在传统GAN模型基础上各增加了一个生成器和鉴别器，整个网络是一个对偶结构，并采用对抗损失函数和循环一致性损失函数；步骤2：基于MF
‑
RepUnet的车牌定位MF
‑
RepUnet网络模型具体结构以U
‑
Net模型结构为骨干，分为编码和解码两个阶段，包含四次下采样和四次上采样，并通过通道拼接的方式将低层特征与高层特征结合起来；步骤2
‑
1：编码阶段将一种改进的RepVGG结构替换U
‑
Net的全部卷积层，用于提取车牌图像特征；首先，在普通卷积基础上加入了恒等映射和残差分支，并在每一层卷积都做了恒等映射，构建出RepVGG训练模型；然后，采用结构重参数化技术除去多余分支，最终得到一个仅由3
×
3卷积层堆栈的RepVGG的推理模型；步骤2
‑
2：解码阶段将FPN融入到解码路径中，通过在每一级上采样过程中添加支路径，分别预测不同尺度的车牌图像特征；同时，在改进的RepVGG结构中添加批量归一化，加快网络的训练和收敛速度，并在一定程度上避免过拟合；然后，采用线性整流函数作为激活函数，缓解模型梯度消失问题；通过最大池化层进行下采样，减小计算量并扩大感受野；最后，使用Adam优化算法进行优化，并在反向传播过程中采用BCEWithLogitsLoss损失函数；步骤3：基于CRNN和注意力机制的车牌识别将ResNet作为特征提取结构的骨干，并根据车牌特征对其网络结构加以改进，同时采用注意力机制对顺序输入的特征序列进行选择和权衡以协助LSTM预测结果，算法整体框架由特征提取层、序列建模层和注意力解码层三大模块组成；步骤3
‑
1：特征提取层首先，将图像归一化到相同大小，通过处理灰度图像加快训练速度；车牌图像宽度和高度在经过Max
‑
pooling层时采取不同程度的量化，在最后一次Max
‑
pooling操作时，根据车牌形状特征设定窗口大小，通过Zero Padding来扩充特征图宽度，最终提取特征图；步骤3
‑
2：序列建模层序列建模层首先通过Map
‑
to
‑
sequence操作将上一层输出的特征图转换为特征向量序列，然后采用深层双向长短期记忆网络，在卷积特征的基础上继续提取文字序列特征；步骤3
‑
3：注意力解码层通过注意力机制对顺序输入的特征序列进行选择和权衡，将相邻目标区域联系起来用特征序列加权的方式来衡量各字符之间相关性的权重，更有利于获取字符最优的特征表达。2.根据权利要求1所述的一种复杂环境...

【专利技术属性】
技术研发人员：王兴起，于淏，邵艳利，魏丹，陈滨，方景龙，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：