车牌检测与车牌识别方法技术

本发明专利技术提供了一种车牌检测与车牌识别方法

【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]针对现有技术中的缺陷，本专利技术的目的是提供一种车牌检测与车牌识别方法
、
系统
、
介质及设备
。
[0008]根据本专利技术提供的一种车牌检测与车牌识别方法，所述方法包括如下步骤：
[0009]步骤
S1
：使用改进的
yolox
算法进行车牌检测；
[0010]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；
[0011]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；
[0012]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
。
[0013]优选地，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。
[0014]优选地，所述步骤
S4
中的车牌识别模型包括如下识别步骤：
[0015]步骤
S4.1
：使用改进的
LPR
算法进行车牌识别；
[0016]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
。
[0017]优选地，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
。
[0018]本专利技术还提供一种车牌检测与车牌识别系统，所述系统包括如下模块：
[0019]模块
M1
：使用改进的
yolox
算法进行车牌检测；
[0020]模块
M2
：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；
[0021]模块
M3
：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；
[0022]模块
M4
：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
。
[0023]优选地，所述模块
M1
中的
yolox
算法采用
backbone
是自定义层的
resnet
，残差结构为
BasicBlock。
[0024]优选地，所述模块
M4
中的车牌识别模型包括如下识别模块：
[0025]模块
M4.1
：使用改进的
LPR
算法进行车牌识别；
[0026]模块
M4.2
：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
。
[0027]优选地，所述模块
M4.2
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
。
[0028]本专利技术还提供一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中的车牌检测与车牌识别方法的步骤
。
[0029]本专利技术还提供一种电子设备，包括存储器
、
处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被处理器执行时实现上述中的车牌检测与车牌识别方法的步骤
。
[0030]与现有技术相比，本专利技术具有如下的有益效果：
[0031]1、
本专利技术提供了一种改进的车牌检测与车牌识别算法，同样本测试集，车牌识别准确率达到
97
％，比其他算法至本文档来自技高网...

【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：