一种基于深度学习的智能车牌识别方法及系统技术方案

本发明专利技术属于智能交通工程技术领域，具体提供一种基于深度学习的智能车牌识别方法及系统，其中方法包括：获取原始车辆图片，采用CenterNet对原始车辆图片进行车牌的目标位置的定位、检测与保存；提取车牌兴趣区域图像，输入已训练好的车牌识别模型中，判断车牌是否遮挡不清，若正常，则进一步提取车牌图片，若不正常，则提示报警；对车牌图片进行预处理得到车牌图像信息；将处理后的车牌字符传入卷积神经网络进行模型的训练与优化，最终预测得到车牌识别结果。通过选取CenterNet网络进行车牌定位与检测，选择直方图均衡化、倾斜度矫正等图像预处理技术增强车牌的对比度，都为后续卷积神经网络的训练提供了有效保障。能有效辨别车牌信息，且平均识别准确率高。且平均识别准确率高。且平均识别准确率高。

【技术实现步骤摘要】
一种基于深度学习的智能车牌识别方法及系统


[0001]本专利技术涉及智能交通工程
，更具体地，涉及一种基于深度学习的智能车牌识别方法及系统。

技术介绍

[0002]智能车牌识别是现代智能交通系统的重要组成部分，广泛应用于高速公路、停车场、路口等场景。随着大数据、人工智能的不断发展，智能车牌识别在数据处理、自适应学习以及特殊场景训练等方面都有较大程度提升，具有更强的容错性和鲁棒性。通过车牌号码的自动识别与跟踪，能有效降低车辆自动化管理的成本，规范车辆不规范行为，为社会稳定与居民便捷生活提供坚实保障。
[0003]车牌识别的一般流程包括原始车辆图片的获取、车牌检测与车牌识别三个步骤。其中车牌检测主要实现车牌在车辆图片中的检测、车牌图片的定位及预处理等，常用的检测技术包括基于传统的特征检测及基于深度学习的车牌检测。针对数据量一般，对雨雪、光照等环境要求不高的情况，可采用传统特征检测，对车牌色彩、纹理、边缘等关键特征进行提取。比如文献(贺瑜飞.小波分析和边缘检测在快速车牌定位中的应用[J].科技创新导报，2014，12(12):88...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的智能车牌识别方法，其特征在于，包括以下步骤：S1，获取原始车辆图片，采用CenterNet对原始车辆图片进行车牌的目标位置的定位、检测与保存；S2，提取车牌兴趣区域图像，输入已训练好的车牌识别模型中，判断车牌是否遮挡不清，若正常，则进一步提取车牌图片，若不正常，则提示报警；S3，对车牌图片进行预处理得到车牌图像信息；S4，将处理后的车牌字符传入卷积神经网络进行模型的训练与优化，最终预测得到车牌识别结果。2.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S1具体包括：S11：选择Resnet50作为目标检测网络，即对车辆图片进行50次卷积操作，实现特征提取；S12：通过反卷积模块，对上一步得到的特征图片进行三次上采样，得到增强后的特征图片；S13：将所述特征图片放入三个分支卷积网络，分别预测检测目标的热力图heatmap、目标的宽度与高度占比以及目标的中心点坐标的参数；S14：采用仿射变换，在原始车辆图片中实现检测目标的裁剪和缩放，用边框框出车牌位置，并显示位置比例。3.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S3中预处理具体包括：S31：采用直方图均衡化方法，增强车牌图片的对比度；S32：采用基于幂次变换的伽马校正实现图片的灰度处理，将输入图片的灰度值进行指数变换；S33：检测灰度变换后的车牌图片是否存在倾斜，如存在，则采用霍夫变换检测车牌的边界形状，不断拟合车牌的边界线条，然后通过空间角度的调整，实现车牌图片的矫正；S34：通过统计边框像素出现的频率，对矫正后的车牌图片进行边缘去除。4.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S4之前且在所述S3之后还包括：在卷积神经网络搭建前先明确输入与输出变量，将所有车牌图片统一缩放为宽240px，高80px的标准图片，灰度处理后统一选择一维通道。5.根据权利要求4所述的基于深度学习的智能车牌识别方法，其特征在于，若训练集样本数量为N张车牌图片，则网络的输入层维度则为N*80*240*1，其中，N为正整数。6.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S4的卷积神经网络具体包括：依次布置的第一卷积图、第二卷积图及第三卷积图；所述第...

【专利技术属性】
技术研发人员：季丹，
申请(专利权)人：南京交通职业技术学院，
类型：发明
国别省市：