[發明專利]一種基于深度學習SSD框架的車牌定位方法

有效

• 申請號: 201710596438.4
• 申請日: 2017-07-20
• 公開（公告）號: CN107563372B
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 閆曉葳;房樺;韓哲;劉琛;尹萍
• 申請（專利權）人: 濟南中維世紀科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/00;G06K9/62;G06N3/08
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 張貴賓

本發明公開了一種基于深度學習SSD框架的車牌定位方法，包括：依據VOC數據集格式制作車牌數據集，將制作的車牌數據集轉換為lmdb格式，以ResNet殘差網絡作為基礎網絡，添加額外輔助的網絡結構作為SSD框架特征提取層和分類層，搭建SSD框架，利用搭建的SSD框架訓練網絡模型；利用訓練出的模型進行車牌定位及模型評估。本發明的車牌定位方法，車牌定位準確率高，漏檢率低，定位速度快，實現了車輛實時檢測。

技術領域

本發明涉及計算機視覺識別技術領域，具體涉及一種基于深度學習SSD框架的車牌定位方法。

背景技術

面對當今世界全球化、信息化發展趨勢，智能交通系統將是交通事業發展的必然選擇。通過先進的信息技術、通信技術、控制技術、傳感技術、計算器技術和系統綜合技術有效的集成和應用，使人、車、路之間的相互作用關系以新的方式呈現，從而實現實時、準確、高效、安全、節能的目標。車牌識別是現代智能交通系統的一個重要組成部分，車牌識別技術應用于道路的交通監控、交通違章自動記錄、高速公路超速管理、小區和停車場智能管理等方面，為智能交通管理提供了高效、實用的手段。車牌識別技術包括車牌定位、字符分割和字符識別三個基本環節，其中，車牌定位是字符分割和字符識別的前提，也是車牌識別的難點。

現有的車牌定位方法主要有三類：基于圖像處理方法、基于特征提取方法和基于深度學習方法。圖像處理的方法主要有：1）基于車牌顏色的方法。利用查找車牌顏色區域的方法獲取車牌。該類方法易受車身顏色的影響，造成車牌漏檢；此外，自然條件下光照不均勻也會導致車牌顏色信息的變化。2）基于車牌紋理、邊緣的方法。利用車牌區域字符集中的特點，通過小波變換、邊緣增強等方法進行車牌定位。該類方法在場景中出現字符干擾時，易引發誤檢。3）基于灰度跳變的方法。利用車牌圖像二值化后的跳變規律，對圖像進行逐行掃描，從而確定車牌區域。該方法易受到跳變信息豐富的物體干擾造成誤檢，且車牌角度傾斜較大時不易得到車牌。特征提取的方法通常使用方向梯度直方圖（HoG）、局部二值模式（LBP）、SIFT、Haar等特征，使用分類器訓練模型進行全圖搜索，檢測率較高但速度慢，并且對角度要求較高，車牌角度大時會出現漏檢。深度學習的方法通常使用特征提取方法或訓練RPN卷積神經網絡進行粗選區域提取，再利用卷積神經網絡對得到的粗選區域進行判斷，從而得到車牌區域。該方法過程復雜，計算量大，難以實時處理。

中國專利公開號CN106022232A公開了一種基于深度學習的車牌檢測方法：采用faster-rcnn算法，分別訓練一個RPN卷積神經網絡和一個fast-rcnn卷積神經網絡，通過構建帶有標注和標簽的圖片庫作為樣本集，并采用訓練好的RPN卷積神經網絡處理樣本集中的圖片，得到車牌粗選區域，然后將車牌粗選框送入訓練好的fast-rcnn卷積神經網絡的輸出向量判斷，得到車牌最終區域。該方法在RPN卷積神經網絡訓練時，采用了多個尺度和多個比例基準框，能夠有效提升非常規尺度和比例的車牌檢測，但該方法整體分成兩個階段，先獲取粗選區域，然后對每個粗選區域分類、回歸，計算量仍然較大，難以達到實時的效果。

發明內容

為彌補現有技術的不足，本發明提供一種基于深度學習SSD框架的車牌定位方法，以提高車牌定位準確率，減少定位時間，達到實時檢測的要求。

本發明是通過如下技術方案實現的：

一種基于深度學習SSD框架的車牌定位方法，其特殊之處在于：包括以下步驟：

（1）依據VOC數據集格式制作車牌數據集；

（2）將車牌數據集轉換為lmdb格式；

（3）以ResNet殘差網絡作為基礎網絡，添加額外輔助的網絡結構作為SSD框架特征提取層和分類層，搭建SSD框架；

（4）利用搭建的SSD框架訓練網絡模型；

（5）利用訓練出的模型進行車牌定位及模型評估。