一种用于车牌识别的车牌定位方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种用于车牌识别的车牌定位方法、装置及存储介质，所述方法包括：获取待识别图像，待识别图像中至少包含一张待识别车牌；将待识别图像输入至车牌定位模型中进行定位检测，得到待识别车牌对应的4个车牌角点坐标，以便根据4个车牌角点坐标，完成待识别图像中的车牌定位，其中，车牌定位模型包括MobileNetV1

【技术实现步骤摘要】
一种用于车牌识别的车牌定位方法、装置及存储介质


[0001]本专利技术属于车牌识别
，具体涉及一种用于车牌识别的车牌定位方法、装置及存储介质。

技术介绍

[0002]随着计算机视觉、数字图像处理技术以及智能交通技术的发展，车牌识别技术在智能交通领域中的应用越来越广泛，如停车场闸口、高速公路收费站以及交通违规识别等场景，而在车牌识别技术中，车牌定位以及车牌矫正是首要问题，也是影响车牌识别精度的重要因素。
[0003]现有的车牌定位技术中，主要以传统图像处理算法和基于深度学习的目标检测算法为主，其中，基于传统图像处理算法的车牌识别技术，主要以图像二值化、车牌颜色特征以及车牌边缘特征等手段定位分割出车牌，进而通过车牌字符倾斜特征矫正车牌；而基于深度学习的目标检测算法，如Yolo(You Only Look Once，是Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测系统)、SSD(Single Shot MultiBox Detector，物体检测网络)以及R
‑
CNN(Region
‑
CNN(Convolutional Neural Networks，卷积神经网络)，是第一个成功将深度学习应用到目标检测上的算法)等目标检测算法，在检测领域发展迅猛，应用于车牌定位已有丰富的理论支撑和经验参考，该方法具有适应车牌广、召回率高以及定位精确等优点。
[0004]但是前述两种定位方法存在以下不足：由于中国车牌样式以及颜色众多，存在渐变绿色、蓝色、黑色以及白色等样式，同时受到实际场景下光照等因素的影响，传统的图像处理算法定位车牌难度较大，精度不够，鲁棒性不足；另外，在实际场景中，车牌识别摄像头与车之间存在不确定的角度，目标检测算法定位出的车牌存在倾斜问题，需要再结合图像技术或深度学习技术进行倾斜矫正，干扰过滤等后处理，且由于干扰影响，实际中很难做到高精度的车牌定位，从而也导致车牌识别精度不高；由此，提供一种精度高的车牌定位方法迫在眉睫。

技术实现思路

[0005]本专利技术的目的是提供一种用于车牌识别的车牌定位方法、装置及存储介质，以解决现有车牌定位方法所存在的精度低的问题。
[0006]为了实现上述目的，本专利技术采用以下技术方案：
[0007]本专利技术提供了一种用于车牌识别的车牌定位方法，包括：
[0008]获取待识别图像，其中，所述待识别图像中至少包含一张待识别车牌；
[0009]将所述待识别图像输入至车牌定位模型中进行定位检测，得到所述待识别车牌对应的4个车牌角点坐标，以便根据所述4个车牌角点坐标，完成所述待识别图像中的车牌定位，其中，所述车牌定位模型包括MobileNetV1
‑
0.25网络、FPN网络、SSH网络以及head网络；
[0010]所述MobileNetV1
‑
0.25网络作为所述车牌定位模型的主干特征提取网络，用于在
三种感受野条件下对所述待识别图像进行特征提取，得到三个第一特征图；
[0011]所述FPN网络用于对三个第一特征图进行上采样以及特征融合，得到三个第二特征图；
[0012]所述SSH网络包括三个并行的卷积层，用于利用所述三个并行的卷积层对三个第二特征图进行卷积处理，得到三个第三特征图；
[0013]所述head网络用于对三个第三特征图进行车牌关键点预测，以输出8维的关键点向量，以便根据所述关键点向量得到所述4个车牌角点坐标。
[0014]基于上述公开的内容，本专利技术通过利用MobileNetV1
‑
0.25网络、FPN网络、SSH网络以及head网络预先构建车牌定位模型，从而将待识别图像输入至模型中进行特征提取，即先利用MobileNetV1
‑
0.25网络进行主干特征提取，然后利用FPN网络对提取的主干特征进行特征融合，得到具有更为丰富特征信息的特征图，接着，再利用SSH网络中三个并行的卷积层对FPN网络输出的特征图进行多尺度检测，进一步的加强特征提取，以增强提取的特征的上下文信息，从而提高提取的车牌特征质量，达到提高车牌定位精度的目的，最后，利用head网络进行关键点预测，输出8维关键点向量，即本专利技术将模型中的关键点分支输出维度由10维更改为8维，以便匹配车牌的4个角点，由此，本专利技术可直接获取车牌的4个角点，实现了端到端的车牌定位，避免目标检测以及图像处理技术所存在的误差大以及精度低问题，进一步的提高了车牌定位精度。
[0015]通过上述设计，本专利技术可直接获取车牌的4个角点，实现了端到端的车牌定位，避免了目标检测以及图像处理技术所存在的误差大以及精度低问题，且本专利技术采用MobileNetV1
‑
0.25网络为骨干网络，在精度几乎没有损失的情况下，实现了车牌定位，降低了整体模型的参数量和计算量，为终端部署车牌识别系统提供了条件，适用于大规模推广与应用。
[0016]在一个可能的设计中，所述车牌定位模型的损失函数为：
[0017][0018]上述式中，L表示所述车牌定位模型的损失函数，L
cls
表示目标分类损失函数，L
box
表示检测框回归损失函数，L
pts
表示关键点回归损失函数，p
i
表示锚点i被预测为车牌角点的概率，为1时表示为正锚点的真实标签，为0时表示负锚点的真实标签，t
i
表示锚点框中的预测框的预测坐标，表示锚点框中的预测框的真实坐标，l
i
表示锚点框中预测的车牌角点坐标，表示车牌标注角点坐标，λ1、λ2、λ3和λ4表示权重系数，为常数；
[0019]L
pts1
表示角点距离约束函数，用于约束待识别车牌的两平行边的距离；
[0020]L
pts2
表示角点距离比例约束函数，用于约束待识别车牌的长度与宽度的比例。
[0021]在一个可能的设计中，所述角点距离约束函数为：
[0022]L
pts1
(l
i
)＝|||l0l1|
‑
|l2l3|||+|||l0l2|
‑
|l1l3|||
[0023]上述式中，l0l1表示第一个车牌角点与第二个车牌角点之间的距离，l2l3表示第三个车牌角点与第四个车牌角点之间的距离，l0l2表示第一个车牌角点与第三个车牌角点之间的距离，l1l3表示第二个车牌角点与第四个车牌角点之间的距离，其中，所述待识别车牌的左上角为第一个车牌角点，右上角为第二个车牌角点，左下角为第三个车牌角点，右下角为第四个车牌角点。
[0024]在一个可能的设计中，所述角点距离比例约束函数为：
[0025][0026]前述式中，表示第一个车牌标注角点到第二个车牌标注角点之间的距离，表示第一个车牌标注角点到第三个车牌标注角点之间的距离。
[0027]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于车牌识别的车牌定位方法，其特征在于，包括：获取待识别图像，其中，所述待识别图像中至少包含一张待识别车牌；将所述待识别图像输入至车牌定位模型中进行定位检测，得到所述待识别车牌对应的4个车牌角点坐标，以便根据所述4个车牌角点坐标，完成所述待识别图像中的车牌定位，其中，所述车牌定位模型包括MobileNetV1
‑
0.25网络、FPN网络、SSH网络以及head网络；所述MobileNetV1
‑
0.25网络作为所述车牌定位模型的主干特征提取网络，用于在三种感受野条件下对所述待识别图像进行特征提取，得到三个第一特征图；所述FPN网络用于对三个第一特征图进行上采样以及特征融合，得到三个第二特征图；所述SSH网络包括三个并行的卷积层，用于利用所述三个并行的卷积层对三个第二特征图进行卷积处理，得到三个第三特征图；所述head网络用于对三个第三特征图进行车牌关键点预测，以输出8维的关键点向量，以便根据所述关键点向量得到所述4个车牌角点坐标。2.如权利要求1所述的方法，其特征在于，所述车牌定位模型的损失函数为：上述式中，L表示所述车牌定位模型的损失函数，L
cls
表示目标分类损失函数，L
box
表示检测框回归损失函数，L
pts
表示关键点回归损失函数，p
i
表示锚点i被预测为车牌角点的概率，为1时表示为正锚点的真实标签，为0时表示负锚点的真实标签，t
i
表示锚点框中的预测框的预测坐标，表示锚点框中的预测框的真实坐标，l
i
表示锚点框中预测的车牌角点坐标，表示车牌标注角点坐标，λ1、λ2、λ3和λ4表示权重系数，为常数；L
pts1
表示角点距离约束函数，用于约束待识别车牌的两平行边的距离；L
pts2
表示角点距离比例约束函数，用于约束待识别车牌的长度与宽度的比例。3.如权利要求2所述的方法，其特征在于，所述角点距离约束函数为：L
pts1
(l
i
)＝|||l0l1|
‑
|l2l3|||+|||l0l2|
‑
|l1l3|||上述式中，l0l1表示第一个车牌角点与第二个车牌角点之间的距离，...

【专利技术属性】
技术研发人员：何翔，
申请(专利权)人：成都新潮传媒集团有限公司，
类型：发明
国别省市：