【技术实现步骤摘要】
车牌检测与车牌识别方法、系统、介质及设备
[0001]本专利技术涉及车牌检测与识别的
,具体地,涉及车牌检测与车牌识别方法
、
系统
、
介质及设备
。
技术介绍
[0002]传统车牌检测使用
opencv
,利用传统算法获取车牌轮廓,受光照
、
车身颜色及车牌颜色影响较大
。
基于神经网络的车牌检测如
yolo
系列算法,可以提升车牌检测的准确率
。
[0003]车牌识别受到图像形变,光照,车牌字符及背景颜色等问题影响,准确率有待提升
。
一方面,传统车牌识别算法由字符分割和
ocr
分类来实现
。
另一方面,基于神经网络的车牌识别算法,使用基于二值化图像的
LPB
特征作为卷积神经网络的输入来产生字符类的概率等,或者使用
LPRNet
算法,进行端到端的训练
。
[0004]传统算法中,字符分类受限于字符分割的方法,对字符分割算法有很强的依赖性,分类效果影响很大
。
[0005]LPRnet
算法,据相关文献资料显示,车牌识别准确率为
95
%左右
。
但是在实际的应用中,仍然不能满足实际的生产需求
。
[0006]因此,需要提出一种新的技术方案以改善上述技术问题
。
技术实现思路
[0007]针对现 ...
【技术保护点】
【技术特征摘要】
1.
一种车牌检测与车牌识别方法,其特征在于,所述方法包括如下步骤:步骤
S1
:使用改进的
yolox
算法进行车牌检测;步骤
S2
:在模型输入数据处理时,输入
label
标签,
label
标签包括但不限于类别名称
、
框的像素坐标
、
车牌四个顶点的像素坐标;步骤
S3
:模型输出时,根据输出车牌顶点坐标,由公式
δ
=
(yi
‑
yj)/(xi
‑
xj)
,其中
xi
和
yi
为车牌右下角顶点的横坐标和纵坐标,
xj
和
yj
为车牌外接矩形框的右下角顶点的横坐标和纵坐标,计算出车牌倾斜角度;步骤
S4
:根据车牌倾斜角度进行矫正,再将矫正后的车牌送入车牌识别模型
。2.
根据权利要求1所述的车牌检测与车牌识别方法,其特征在于,所述步骤
S1
中的
yolox
算法采用
backbone
是自定义层的
resnet
,残差结构为
BasicBlock。3.
根据权利要求1所述的车牌检测与车牌识别方法,其特征在于,所述步骤
S4
中的车牌识别模型包括如下识别步骤:步骤
S4.1
:使用改进的
LPR
算法进行车牌识别;步骤
S4.2
:在
backbone
模块使用
maxpool2d
,并调整
kernel_size
及
stride
,减小计算维度,增加自适应权重参数
。4.
根据权利要求3所述的车牌检测与车牌识别方法,其特征在于,所述步骤
S4.2
中模型参数由原来的
43.9w
增加到
63.9w
,
estimate total size
增加
2.1MB
,获取准确度
。5.
一种车牌检测与车牌识别系统,其特征在于,所述系统包括如下模块:模块
M1
:使用改进的
yolox
算法进行车牌检测;模块
M2
...
【专利技术属性】
技术研发人员:王凤军,殷承良,吴越鹏,秦文刚,
申请(专利权)人:上海智能网联汽车技术中心有限公司,
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。