【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 ...
【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:
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。