一种基于深度学习的车牌字符分割方法及系统技术方案

本发明专利技术公开了一种基于深度学习的车牌字符分割方法及系统，该方法包括：获取定位后的车牌图像，并对所述车牌图像进行归一化处理；将归一化处理得到的车牌图像输入至已预先构建的深度学习模型中，获取车牌图像中的车牌字符的中心点位置；根据车牌图像中的所述车牌字符的中心点位置，得到车牌图像中的所述车牌字符的分割位置。本发明专利技术基于深度学习不仅能准确定位出字符位置，还能有效抗各种干扰，同时搭建的深度学习模型还能以极其轻量的规模实现准确的定位；还能去掉灰度化、二值化、投影或者找轮廓等繁琐操作，不仅简化流程，而且提升分割准确性，同时能兼顾七位与八位车牌的分割，为后续的识别提供保障。为后续的识别提供保障。为后续的识别提供保障。

【技术实现步骤摘要】
一种基于深度学习的车牌字符分割方法及系统


[0001]本专利技术涉及图像分割
，特别是一种基于深度学习的车牌字符分割方法及系统。

技术介绍

[0002]车牌字符分割往往是车牌字符识别的前置步骤，分割得越好后续识别便会越准。车牌字符分割直到现在仍旧很多都是基于传统算法实现。比较典型的有投影法和轮廓法。
[0003]投影法主要是对车牌图像进行垂直投影，有像素存在的区域即为字符所在位置。投影法的一般步骤为：定位好的车牌
‑
>尺寸归一化
‑
>灰度化
‑
>二值化
‑
>垂直投影
‑
>分割点。轮廓法主要是查找字符轮廓，然后得到字符轮廓的外接矩形框进而实现字符分割。轮廓法的一般步骤为：定位好的车牌
‑
>尺寸归一化
‑
>灰度化
‑
>二值化
‑
>找轮廓
‑
>找外接矩形框
‑
>分割点。可以看出传统算法往往离不开二值化操作，而车牌的二值化受变形、折叠、污损、模糊、铆钉干扰、车牌金属边框、光线干扰等等因素干扰，导致分割不准。
[0004]随着深度学习的发展，图像处理技术也迎来一波爆发。通过深度学习技术，字符分割能很好的处理各种干扰问题，尤其是常见的铆钉干扰和光线干扰问题。r/>
技术实现思路

[0005]有鉴于此，本专利技术提供一种能准确定位出字符位置，还能有效抗各种干扰的深度学习的车牌字符分割方法及系统。
[0006]本专利技术提供一种基于深度学习的车牌字符分割方法，其包括：
[0007]获取定位后的车牌图像，并对所述车牌图像进行归一化处理；
[0008]将归一化处理得到的车牌图像输入至已预先构建的深度学习模型中，获取车牌图像中的车牌字符的中心点位置；
[0009]根据车牌图像中的所述车牌字符的中心点位置，得到车牌图像中的所述车牌字符的分割位置。
[0010]可选的，所述深度学习模型的构建步骤包括：
[0011]数据采集：采集高速卡口或者小区出入口场景下在早中晚不同时间点的车牌图像，所述车牌图像包括变形、折叠、污损、模糊、铆钉干扰、车牌金属边框以及光线干扰的车牌样本图像；
[0012]数据标注：通过labelme标注工具标注训练集中车牌字符中心位置；
[0013]模型搭建：使用pytorch深度学习框架搭建卷积神经网络模型；
[0014]模型训练：利用搭建好的模型，回归字符中心位置。
[0015]可选的，所述深度学习模型采用resnet模型，所述resnet模型由4个Basickblock组成，所述Basickblock包括shortcut分支和channel分支。
[0016]可选的，所述Basickblock的优化步骤为：
[0017]将shortcut分支固定添加一个1x3的卷积，使得卷积感受野在图像宽度上变大；
[0018]将channel分支先缩后升。
[0019]可选的，所述归一化处理得到的车牌图像的格式是NCHW，N表示图片张数，C表示channel，HW为高和宽。
[0020]可选的，所述根据车牌图像中的车牌字符的中心点位置，得到车牌图像中的车牌字符的分割位置，包括：
[0021]求取相邻车牌字符的中心点位置的中点，即得到车牌图像中的所述车牌字符的分割位置。
[0022]可选的，所述车牌字符的中心点位置为车牌字符最小外接矩形框中心点。
[0023]可选的，所述resnet模型的监督损失采用Smooth_L1 loss。
[0024]可选的，所述resnet模型的优化器采用Adam；所述resnet模型的初始学习率为1e
‑
4，每20个epoch学习率衰减10倍，共60个epoch。
[0025]本专利技术还提供一种基于深度学习的车牌字符分割系统，其包括：
[0026]归一化模块，用于获取定位后的车牌图像，并对所述车牌图像进行归一化处理；
[0027]位置获取模块，用于将归一化处理得到的车牌图像输入至已预先构建的深度学习模型中，获取车牌图像中的车牌字符的中心点位置；
[0028]位置计算模块，用于根据车牌图像中的所述车牌字符的中心点位置，得到车牌图像中的所述车牌字符的分割位置。
[0029]由于采用了上述技术方案，本专利技术具有如下的优点：基于深度学习实现，不仅能准确定位出字符位置，还能有效抗各种干扰，同时搭建的深度学习模型还能以极其轻量的规模实现准确的定位。通过本专利技术，还能去掉灰度化、二值化、投影或者找轮廓等等繁琐操作，不仅简化流程，而且提升分割准确性，同时能兼顾七位与八位车牌的分割，为后续的识别提供保障。
附图说明
[0030]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例的一种基于深度学习的车牌字符分割方法的流程示意图；
[0032]图2为本专利技术实施例的一种利用resnet模型获取车牌字符中心点位置的示意图；
[0033]图3为本专利技术实施例的一种基于深度学习的车牌字符分割系统结构示意图。
具体实施方式
[0034]结合附图和实施例对本专利技术作进一步说明，显然，所描述的实施例仅是本专利技术实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本专利技术实施例保护的范围。
[0035]图1为本专利技术实施例的一种基于深度学习的车牌字符分割方法的流程示意图，如图1所示，具体地，该方法包含如下步骤：
[0036]S101：获取定位后的车牌图像，并对车牌图像进行归一化处理；
[0037]S102：将归一化处理得到的车牌图像输入至已预先构建的深度学习模型中，获取
车牌图像中的车牌字符的中心点位置；
[0038]S103：根据车牌图像中的车牌字符的中心点位置，得到车牌图像中的车牌字符的分割位置。
[0039]本实施例中，深度学习模型的构建步骤包括：
[0040]数据采集：采集高速卡口或者小区出入口场景下在早中晚不同时间点的车牌图像，车牌图像包括变形、折叠、污损、模糊、铆钉干扰、车牌金属边框以及光线干扰的车牌样本图像；
[0041]数据标注：通过labelme标注工具标注训练集中车牌字符中心位置；
[0042]模型搭建：使用pytorch深度学习框架搭建卷积神经网络模型；
[0043]模型训练：利用搭建好的模型，回归字符中心位置。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的车牌字符分割方法，其特征在于，包括：获取定位后的车牌图像，并对所述车牌图像进行归一化处理；将归一化处理得到的车牌图像输入至已预先构建的深度学习模型中，获取车牌图像中的车牌字符的中心点位置；根据车牌图像中的所述车牌字符的中心点位置，得到车牌图像中的所述车牌字符的分割位置。2.根据权利要求1所述的方法，其特征在于，所述深度学习模型的构建步骤包括：数据采集：采集高速卡口或者小区出入口场景下在早中晚不同时间点的车牌图像，所述车牌图像包括变形、折叠、污损、模糊、铆钉干扰、车牌金属边框以及光线干扰的车牌样本图像；数据标注：通过labelme标注工具标注训练集中车牌字符中心位置；模型搭建：使用pytorch深度学习框架搭建卷积神经网络模型；模型训练：利用搭建好的模型，回归字符中心位置。3.根据权利要求1所述的方法，其特征在于，所述深度学习模型采用resnet模型，所述resnet模型由4个Basickblock组成，所述Basickblock包括shortcut分支和channel分支。4.根据权利要求3所述的方法，其特征在于，所述Basickblock的优化步骤为：将shortcut分支固定添加一个1x3的卷积，使得卷积感受野在图像宽度上变大；将chann...

【专利技术属性】
技术研发人员：杨双祥，任鹏，周卓立，
申请(专利权)人：成都臻识科技发展有限公司，
类型：发明
国别省市：