[發明專利]一種基于深度學習的前后車牌檢測識別方法

在審

• 申請號: 201610168035.5
• 申請日: 2016-03-24
• 公開（公告）號: CN105740855A
• 公開（公告）日: 2016-07-06
• 發明（設計）人: 張如高;劉丹;趙曉萌;劉洋;陳江林;虞正華
• 申請（專利權）人: 博康智能信息技術有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/32;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及機動車車牌檢測技術領域，特別是指一種基于深度學習的前后車牌檢測識別方法。

背景技術

目前交通智能管控中，多是依賴單一的電警或卡口的單向管控。當出現不法分子通過單一的更替、遮擋、損壞車頭或者車尾的車牌(一車兩牌的違法行為)進行違法活動時，單向管控將無法有效捕獲此類違法行為。

發明內容

有鑒于此，本發明的目的在于提出一種基于深度學習的前后車牌檢測識別方法，有效對改善一車兩牌的違法行為的監控捕獲準確率，增強了執法力度。

基于上述目的本發明提供的一種基于深度學習的前后車牌檢測識別方法，包括：

通過攝像機實時采集路面圖像；所述攝像機以與地面成90°夾角的頂拍方式安裝，鏡頭配備視角大于90°的廣角鏡頭；

基于運動目標識別技術，從所述路面圖像中確定出機動車目標；

開啟對所述機動車目標的跟蹤及抓拍，獲取所述機動車目標的前拍圖片和后拍圖片，并由所述前拍圖片和后拍圖片提取所述機動車目標的前車牌圖片和后車牌圖片；

將所述前車牌圖片和后車牌圖片分別送入預設的深度學習網絡中，進行網絡卷積核計算，提取出特征信息；將所述前車牌圖片和后車牌圖片的特征信息進行特征比對，獲得比對相似度；根據所述比對相似度與預設閾值的差值，輸出所述機動車目標是否為套牌車的判定結果。

優選的，所述基于運動目標識別技術，從所述路面圖像中確定出機動車目標的步驟包括：

基于深度學習的目標檢測算法，預先搜集大量頂拍場景下的不同車型的機動車樣本，按照車型類別進行樣本標注獲取訓練樣本集；設置深度網絡層、網絡結構及損失函數；將訓練樣本集輸入網絡，進行基于方向梯度的迭代卷積核計算，直至網絡收斂以獲取機動車目標檢測網絡，并將提取的各款型的機動車特征映射至已標注的對應款型的標簽內，獲取機動車模型；

將所述路面圖像逐幀進行每幀圖像內的全圖、多尺度的滑動窗檢測，獲得多個待判別的目標窗口，然后將所述待判別的目標窗口的位置坐標及圖片送入所述機動車目標檢測網絡，進行特征提取，將提取的特征與所述機動車模型進行特征比對，篩選出所述機動車目標。

優選的，所述開啟對所述機動車目標的跟蹤及抓拍，獲取所述機動車目標的前拍圖片和后拍圖片的步驟包括：

設置目標監控區域；所述目標監控區域位于所述攝像機下方位置，沿所述機動車目標的運動方向依次包括：第一車牌監控區域、跟蹤區域、第二車牌監控區域；

監控所述機動車目標在所述第一車牌監控區域內，監測車牌區域像素點數，當數量達到特征識別需求時，抓拍獲得前拍圖片，保存所述前拍圖片中的前車牌位置坐標；

跟蹤所述機動車目標經過所述跟蹤區域到達所述第二車牌監控區域后，監測車牌區域像素點數，數量達到特征識別需求時，抓拍獲得后拍圖片，保存所述后拍圖片中的后車牌位置坐標。

優選的，所述第一車牌監控區域的寬度為所述目標監控區域的默認寬度，長度為所述目標監控區域起始線至所述機動車目標行駛方向1.0～2.0m；所述第二車牌監控區域的寬度為所述目標監控區域的默認寬度，長度為所述目標監控區域終止線至所述機動車目標行駛反方向1.0～2.0m。

優選的，所述由所述前拍圖片和后拍圖片提取所述機動車目標的前車牌圖片和后車牌圖片的步驟包括：

根據上述前車牌位置坐標和后車牌位置坐標，提取所述前拍圖片和后拍圖片中的車牌區域圖片，然后左右擴充0.5個車牌寬度，上下擴充0.25的車牌寬度，作為最終的前車牌圖片和后車牌圖片。

優選的，在所述將所述前車牌圖片和后車牌圖片分別送入預設的深度學習網絡中，進行網絡卷積核計算，提取出特征信息的步驟之前，還包括：

將所述前車牌圖片和后車牌圖片通過Sobel等邊緣特征檢測算法，獲取車牌的精確定位，再在精確定位的車牌區域內采用圖像去噪、圖像增強、灰度值轉換、尺度變換、圖像旋轉的圖像預處理操作獲取高辨識度車牌圖片。

優選的，所述將所述前車牌圖片和后車牌圖片的特征信息進行特征比對，獲得比對相似度的步驟包括：

將前車牌的N*M維的特征PF_j與后車牌的N*M維的特征PB_j，進行相應維度的特征比對，取各個特征比對結果的差值得比對相似度Pro。其中，N為車牌特征提取的種類，M為每類特征下提取的特征數；

所述比對相似度Pro為：

其中，