[發明專利]基于可信區域的車牌識別方法

有效

• 申請號: 201810324180.7
• 申請日: 2018-04-12
• 公開（公告）號: CN108681693B
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 閔衛東;李祥鵬;廖艷秋;劉瑞康
• 申請（專利權）人: 南昌大學
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V10/762;G06K9/62
• 代理公司: 南昌青遠專利代理事務所(普通合伙) 36123
• 代理人: 劉愛芳

本發明涉及一種基于可信區域的車牌識別方法，采用k?means++聚類來選擇初始車輛和車牌候選框的數量和尺度；將得到的初始候選框的數量和尺度結合到YOLO?L模型，來提高車輛區域和車牌區域的定位準確率。通過YOLO?L模型來定位車輛區域和車牌區域，并輸出左上角和右下角的坐標；YOLO?L模型首先區分道路上的車輛和其他物體；車牌識別算法判斷車牌區域是否位于車輛區域內，以消除車牌區域的錯誤識別；如果所在車牌區域位于這些車輛區域內，則認為所在車牌區域正確檢測，完成車牌識別。本發明基于可信區域的車牌識別方法，有效區分了車牌和類似的物體，能有效地定位車牌，減少了車牌的誤判，大大降低了類似物體的誤判性，提供了車牌識別效率，提高車牌識別的準確性。

技術領域

本發明涉及一種車牌識別方法，具體的說，是涉及一種基于可信區域的車牌識別方法。

背景技術

智能交通系統(ITS)在交通測量和監測方面發揮重要作用，例如，跟蹤偷來的汽車、控制進入停車場和有限的交通區和收集交通流量統計資料。車牌識別方法包括四個步驟，即圖像捕獲，車牌區域定位，字符分割和字符識別。車牌區域定位步驟是從圖像中檢測并提取矩形車牌區域，字符分割步驟是指分離車牌區域上的字符，字符識別步驟是將基于圖像的字符轉換成文本表達，車牌區域定位是ITS的關鍵過程，其定位精度直接影響其他兩個步驟。

車牌定位在復雜的環境中具有挑戰性，因為在車牌相對較小的地區，由于照明的影響，模糊以及分辨率低等諸多因素。

針對惡劣天氣條件和視覺變化等復雜道路環境下的YOLOv2模型——最準確和快速的目標檢測深度學習算法。但是，它仍然有兩個缺陷。首先是它不能有效檢測到較小的車牌。二是道路上的廣告牌，道路標識等類似物體可能被錯誤地檢測為車牌。

發明內容

針對上述現有技術中的不足，本發明提供一種快捷、準確的基于可信區域的車牌識別方法。

為緩解上述問題，提出了一種基于新模型YOLO-L和車牌識別的車牌定位新方法。提出的新型YOLO-L在兩個方面改進了YOLOv2。首先，使用k-means++聚類來選擇初始車牌候選框的數量和尺度。其次，它改變了YOLOv2模型的結構和深度，從而將更多的高分辨率特征與低分辨率特征相結合，以提高精度。基于新型號YOLO-L，本發明的車牌預識別算法首先檢測車輛區域和車牌區域。然后判斷這些車牌區域是否在這些車輛區域內。它有效地區分牌照與類似物體，從而減少車牌誤判。

YOLOv2模型目前已經通過了測試驗證，是復雜道路環境下最準確和最快速的物體檢測深度學習算法。然而，它不能有效地檢測出相對較小的車輛車牌，而且可能會錯誤地檢測到類似的物體，如廣告牌和路標作為車牌。

本發明所采取的技術方案是：

一種基于可信區域的車牌識別方法，

采用k-means++聚類來選擇初始車牌候選框的數量和尺度；

YOLO-L模型首先區分道路上的車輛和其他物體；

車牌識別算法判斷車牌區域是否位于車輛區域內，以消除車牌區域的錯誤識別；

如果所在車牌區域位于這些車輛區域內，則認為所在車牌區域正確檢測，完成車牌識別。

所述YOLO-L模型是將輸入圖像劃分為S×S網格；

如果一個對象的中心落入一個網格單元中，該網格單元負責檢測該對象；

每個網格單元預測B個邊界框，這些框的置信度分數和兩類概率；

這些置信度分數反映了盒子包含對象的有多少信心；

每個圖像中都有S×S×B的邊界框；

當類別概率P大于給定閾值T時，對象被預測。