[發明專利]一種基于深度學習的一體化車牌識別方法

有效

• 申請號: 201811627897.5
• 申請日: 2018-12-28
• 公開（公告）號: CN109840521B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張卡;何佳;尼秀明
• 申請（專利權）人: 安徽清新互聯信息科技有限公司
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 金凱

本發明公開了一種基于深度學習的一體化車牌識別方法，構建深度神經網絡模型：該深度神經網絡模型包括基礎網絡、多尺度網絡、車牌類型判斷網絡、車牌位置檢測網絡、車牌字符識別網絡和輸出結構合并層，訓練深度神經網絡模型：將收集的車牌樣本圖像送入所述深度神經網絡模型中，以訓練深度神經網絡模型，車牌識別：通過訓練后的深度神經網絡模型，對待識別車牌圖像進行車牌識別，以輸出車牌參數，所述車牌參數包括車牌類型、車牌字符和車牌矩形位置參數；通過該深度神經網絡模型使得模型消耗內存小，車牌識別魯棒性強，識別結果更加準確，解決了傳統車牌識別時模型消耗內存很大，運算量很大的缺陷。

技術領域

本發明涉及車牌識別技術領域，尤其涉及一種基于深度學習的一體化車牌識別方法。

背景技術

車牌識別是指在一幅含有車輛的圖像中，準確的找到車輛的車牌位置并識別出車牌上的所有漢字、字符和數字。車牌識別是智能交通的核心技術，傳統車牌識別包含了以下技術步驟：車牌位置檢測，車牌字符分割、車牌字符識別。

車牌位置檢測是指在一幅圖像中，快速找出車牌所在的準確位置區域。一般通過粗定位和精定位相結合的方法來實現，車牌位置檢測主要有基于顏色檢測的方法、基于機器學習的方法和基于邊緣特征的方法，如下：

(1)基于顏色檢測的方法；該類技術在理想光線和圖像清晰的情況下，可以達到不錯的效果。但是現實環境和光線的復雜多變，不同設備獲取圖像的清晰也不一樣，因此，該類技術在很多情況下是存在誤檢和漏檢。

(2)基于機器學習的方法；該類技術對于復雜的光線和環境具有一定的魯棒性，但是算法的檢測速度很慢，而且會存在較多的誤檢和部分漏檢。

(3)基于邊緣特征的方法；該類技術先獲取圖像的垂直邊緣特征，然后通過形態學運算或者行掃描連線獲得連通區域，最后通過連通區域分析獲取最終的候選區域。該類技術的優點是算法簡單，速度很快，漏檢少，對復雜環境抵抗能力強。但同樣存在一系列缺點：由于形態學結構元素和行相鄰點連接的距離閾值多采用固定值，對于不同尺寸的車牌適應能力較差，進而導致較多誤檢。有些算法采用尺度變換后多次檢測的方法，雖然達到了適應不同尺寸車牌圖像的效果，但循環重復的運行過程大大降低了算法速度，嚴重影響最終性能。

字符分割是指在一幅已知車牌位置的圖像中，精確分割出每個單一字符，主要有以下幾類方法：

(1)基于垂直投影的方法，該方法通過獲取車牌字符的垂直投影曲線，依據曲線的波峰波谷位置，獲取每個字符的邊緣位置。

(2)基于連通區域分析的方法，該方法首先進行車牌圖像二值化，利用單個字符都是單連通區域的特征進行分析，最終獲取字符的位置。

(3)基于機器學習的方法，如“一種基于支持向量機的車牌字符分割方法”，該類方法通過獲取車牌的布局規律特征，借助分類器進行訓練學習，最終完成車牌字符的分割。

車牌字符識別是指對于已經精確分割的單個字符，識別出其真實的字母意義，常用的方法有以下幾類：

(1)全局特征，該類特征采用全局變換來獲取字符的整體特征，使用有序的整體特征或者子集特征來構成特征向量，常見的特征有GABOR變換特征、矩特征、投影特征、筆劃密度特征、HARR特征、HOG特征等。這些特征的優點是對局部變化不敏感，抗干擾能力強；其缺點是容易忽略某些重要的局部特征，無法區分相似的字符。

(2)局部特征，該類特征是在字符的多個局部區域內，計算相應的特征，使用串聯的有序局部特征構成最終的特征向量，主要特征包括局部灰度直方圖特征、LBP(LocalBinary?Patterns)特征、穿線特征、SIFT(Scale-invariant?feature?transform)特征等。該類特征的優點是區分字符的能力強；其缺點是過分關注字符的局部特征，往往會錯誤區分具有噪聲干擾的字符。