【技术实现步骤摘要】
本申请涉及智能车辆辅助的，特别涉及一种车位编号识别方法、系统、设备及计算机可读存储介质。
技术介绍
1、在自然场景中阅读文本是许多计算机视觉应用的基本任务，例如文本检索，办公自动化和视觉问答。由于深度神经网络具有强大的表征能力，场景文本检测与识别在过去几年中取得了很大的进展，涌现出如east，psenet，crnn，aster，fots和mask textspotter等方法。然而，这些方法仍然存在下述三个主要的局限性，阻碍了它们进一步发展部署到实际应用。
2、第一，许多工作通过单独关注文本检测或文本识别，来将文本检测和识别作为单独的任务处理。对于大多数现有的文本检测器如east、psenet和ctpn，首先使用卷积神经网络生成输入图像的特征映射，然后使用解码器生成场景文本的矩形或多边形边界框。另一方面，文本识别方法如crnn、aster和sar等往往在文本行图像patch的基础上进行序列预测网络。迄今为止，很少有方法探索这两个任务之间的互补性。因此，当将这些独立的方法组合成一个单一的场景文本读取系统时，会引入计算开销。
3、第二，大多数端到端文本识别器如fots和textspotter等通常设计用于读取水平或定向文本行。这些方法假设场景文本的布局是直线的，它们的检测和识别组件都是在这个假设上开发的。然而，除了笔直的文字线条外，不规则字符排列的文字线条在自然场景中也很常见，例如街头招牌和海报上的文字等。这些用于直文本线的方法无法正确检测和识别弯曲形状的文本线。
4、第三，现有的端到端文本识别器
5、因此，在现有技术中，仍然缺少一个能够高效且准确地识别任意形状的文本的方案。
技术实现思路
1、本申请为了解决
技术介绍
中所述的端到端文本识别器不能高效且准确地识别任意形状的文本的问题，本申请提供一种车位编号识别方法、系统、设备及存储介质。
2、第一方面，本申请提供了一种车位编号识别方法，包括：
3、建立常用车位编号字符词汇表；
4、利用车辆摄像头获取车外的车位编号图像，并对所述车位编号图像进行特征预处理，获取特征标注数据；
5、根据所述车位编号图像和所述特征标注数据，利用轻量级骨干网络进行模型学习训练，推理提取语义信息；
6、利用堆叠的特征金字塔增强模块增强所述轻量级骨干网络提取到的语义信息；
7、根据所述字符词汇表和所述语义信息，检测并识别输出车位编号。
8、在一些优选的实施例中，所述对所述车位编号图像进行特征预处理，获取特征标注数据，包括：
9、识别所述车位编号图像，标注不规则四边形的第一文字区域框；
10、将所述第一文字区域框矫正为正四边形的第二文字区域框；
11、获取所述第二文字区域框的特征标注数据。
12、在一些优选的实施例中，所述特征标注数据至少包括x、y、w、h和θ；
13、其中，x表示第二文字区域框的首字符的左上角端点；y表示第二文字区域框的上框边；w表示第一文字区域的宽度；h表示第一文字区域的高度；θ表示所述第一文字区域与相对水平方向之间的倾斜角度。
14、在一些优选的实施例中，所述检测并识别输出车位编号，包括：
15、利用文本检测模块预测并调整所述语义信息，生成文本区域、文本内核和实例向量的模型参数，获取检测结果；
16、利用文本识别模块提取所述检测结果上的任意形状的文本，并与所述字符词汇表对比解码识别输出车位编号。
17、在一些优选的实施例中，所述调整所述文本区域、所述文本内核和所述实例向量的模型参数的算法包括pa算法。
18、第二方面，本申请提供了一种车位编号识别系统，用于实现如第一方面所述的车位编号识别方法，所述系统包括：
19、车辆摄像头，用于获取车外的车位编号图像；
20、轻量级骨干网络，用于接收所述车位编号图像，并进行模型训练以推理提取语义信息；
21、堆叠的特征金字塔增强模块，用于增强所述车位编号图像的语义信息；
22、文本检测模块，用于预测并调整所述语义信息，生成文本区域、文本内核和实例向量的模型参数，获取检测结果；
23、文本识别模块，用于提取所述检测结果上的任意形状的文本，并与所述字符词汇表对比解码识别输出车位编号。
24、在一些优选的实施例中，所述车辆摄像头包括鱼眼摄像头和数据标注模块。
25、在一些优选的实施例中，所述轻量级骨干网络包括轻量级的resnet18网络模型。
26、在一些优选的实施例中，所述文本检测模块包括包含用于同时预测生成文本区域、文本内核以及实例向量的两层卷积的轻量级检测头。
27、在一些优选的实施例中，所述文本识别模块包括用于为任意形状的文本提取固定大小的特征块的文字提取器和基于注意力机制的轻量级识别头。
28、在一些优选的实施例中，所述轻量级识别头包括用于处理所述特征块的序列数据的堆叠lstm层和两层多头注意力。
29、第三方面，本申请提供了一种车位编号识别设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
30、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的车位编号识别方法的操作。
31、第四方面，本申请提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在车位编号识别装置上运行时，使得车位编号识别装置执行如第一方面所述的车位编号识别方法的操作。
32、本申请的有益效果在于：
33、1.本申请基于深度学习实现文本识别的模型训练和推理，以高效且准确的识别出车位编号。通过轻量级骨干网络进行模型学习训练，使其在模型大小和计算复杂度方面更加轻量化，以实现高效的识别文字。利用堆叠的特征金字塔增强模块增强轻量级骨干网络提取到的语义信息，解决轻量级骨干网络感受野小和表征能力弱的问题，以配合提高识别文字的准确性。
34、2.本申请能够识别任意形状的文本。通过文本检测模块获取检测结果，利用文本识别模块检测结果上的任意形状的文本，并与所述字符词汇表对比解码识别输出车位编号。
本文档来自技高网...【技术保护点】
1.一种车位编号识别方法，其特征在于，包括：
2.根据权利要求1所述的车位编号识别方法，其特征在于，所述对所述车位编号图像进行特征预处理，获取特征标注数据，包括：
3.根据权利要求2所述的车位编号识别方法，其特征在于，所述特征标注数据至少包括x、y、w、h和θ；
4.根据权利要求1所述的车位编号识别方法，其特征在于，所述检测并识别输出车位编号，包括：
5.根据权利要求4所述的车位编号识别方法，其特征在于，所述调整所述文本区域、所述文本内核和所述实例向量的模型参数的算法包括PA算法。
6.一种车位编号识别系统，其特征在于，用于实现如权利要求1-5任意一项所述的车位编号识别方法，所述系统包括：
7.根据权利要求6所述的车位编号识别系统，其特征在于，所述车辆摄像头包括鱼眼摄像头和数据标注模块。
8.根据权利要求6所述的车位编号识别系统，其特征在于，所述轻量级骨干网络包括轻量级的ResNet18网络模型。
9.根据权利要求6所述的车位编号识别系统，其特征在于，所述文本检测模块包括包含用于同时预
10.根据权利要求6所述的车位编号识别系统，其特征在于，所述文本识别模块包括用于为任意形状的文本提取固定大小的特征块的文字提取器和基于注意力机制的轻量级识别头。
11.根据权利要求10所述的车位编号识别系统，其特征在于，所述轻量级识别头包括用于处理所述特征块的序列数据的堆叠LSTM层和两层多头注意力。
12.一种车位编号识别设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
13.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令在车位编号识别装置上运行时，使得车位编号识别装置执行如权利要求1-5任意一项所述的车位编号识别方法的操作。
...【技术特征摘要】
1.一种车位编号识别方法，其特征在于，包括：
2.根据权利要求1所述的车位编号识别方法，其特征在于，所述对所述车位编号图像进行特征预处理，获取特征标注数据，包括：
3.根据权利要求2所述的车位编号识别方法，其特征在于，所述特征标注数据至少包括x、y、w、h和θ；
4.根据权利要求1所述的车位编号识别方法，其特征在于，所述检测并识别输出车位编号，包括：
5.根据权利要求4所述的车位编号识别方法，其特征在于，所述调整所述文本区域、所述文本内核和所述实例向量的模型参数的算法包括pa算法。
6.一种车位编号识别系统，其特征在于，用于实现如权利要求1-5任意一项所述的车位编号识别方法，所述系统包括：
7.根据权利要求6所述的车位编号识别系统，其特征在于，所述车辆摄像头包括鱼眼摄像头和数据标注模块。
8.根据权利要求6所述的车位编号识别系统，其特征在于，所述轻量级骨干网络包括轻量级的resnet18...
【专利技术属性】
技术研发人员：胡翠，姜恒，郑耿忠，卢金波，
申请(专利权)人：惠州市德赛西威智能交通技术研究院有限公司，
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。