[發(fā)明專利]基于深度學(xué)習(xí)VGG16框架的車牌檢測方法及系統(tǒng)、存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910577106.0
• 申請日: 2019-06-28
• 公開（公告）號: CN110399800B
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計）人: 王建華
• 申請（專利權(quán)）人: 智慧眼科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 長沙智嶸專利代理事務(wù)所(普通合伙) 43211
• 代理人: 劉宏

本發(fā)明公開了一種基于深度學(xué)習(xí)VGG16框架的車牌檢測方法、系統(tǒng)及計算機(jī)可讀取的存儲介質(zhì)。本發(fā)明的基于深度學(xué)習(xí)VGG16框架的車牌檢測方法、系統(tǒng)及計算機(jī)可讀取的存儲介質(zhì)，首先準(zhǔn)備輸入圖片數(shù)據(jù)集，并且基于深度學(xué)習(xí)VGG16框架來搭建車牌定位網(wǎng)絡(luò)模型，再基于準(zhǔn)備的圖片數(shù)據(jù)集制作訓(xùn)練數(shù)據(jù)，并利用制作的訓(xùn)練數(shù)據(jù)訓(xùn)練搭建的網(wǎng)絡(luò)模型，然后利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行車牌檢測和模型評估，在提高車牌定位準(zhǔn)確率的同時還提高了車牌檢測速度，可以很好地滿足車牌檢測的實(shí)時化需求。

技術(shù)領(lǐng)域

本發(fā)明涉及車牌檢測技術(shù)領(lǐng)域，特別地，涉及一種基于深度學(xué)習(xí)VGG16框架的車牌檢測方法及系統(tǒng)、計算機(jī)可讀取的存儲介質(zhì)。

背景技術(shù)

車牌識別技術(shù)是當(dāng)代智能交通系統(tǒng)中的一種重要技術(shù)，它至少包含車牌定位和車牌字符識別兩個模塊。其中，車牌定位是車牌自動識別技術(shù)中的一個關(guān)鍵問題，目前許多學(xué)者都在研究發(fā)展多種車牌定位方法。從根本上講，目前車牌定位的方法主要有兩種，一種是基于傳統(tǒng)圖像處理的方法，一種是基于機(jī)器學(xué)習(xí)的方法。傳統(tǒng)的方法一般利用車牌區(qū)域的邊緣、紋理、顏色等特征來對車牌進(jìn)行定位；基于機(jī)器學(xué)習(xí)如支持向量機(jī)SVM等方法則是利用網(wǎng)絡(luò)提取車牌區(qū)域的特征來進(jìn)行車牌定位。

但是，基于邊緣、紋理的定位方法，主要利用了車牌區(qū)域中的邊緣紋理較密集的特征和圖像二值化算法，通過區(qū)域生長算法或連通域算法來定位車牌，在車牌對比度低、部分邊緣損失等復(fù)雜環(huán)境下，因二值化算法魯棒性差等使得車牌區(qū)域特征被人為消失，造成該種情況下車牌的定位率不高，同時傾斜車牌定位不全現(xiàn)象的概率較高。而基于顏色的車牌定位方法，主要運(yùn)用了顏色模型和紋理分析來進(jìn)行車牌定位，其利用了HSI、YIQ或者HSV等顏色模型來定位車牌，但對處于對比度很低環(huán)境下的車牌以及污染、顏色嚴(yán)重?fù)p失的車牌定位率并不高。而基于支持向量機(jī)SVM的定位方法，需要數(shù)十萬的訓(xùn)練樣本來訓(xùn)練數(shù)據(jù)文件，且其訓(xùn)練樣本需盡可能的多樣化，且運(yùn)算量非常大，對1080P圖片全圖車牌檢測耗時有時竟達(dá)到上百毫秒級，其實(shí)時性不好造成了實(shí)用性不強(qiáng)。

因此，目前的車牌識別技術(shù)中的車牌定位方法均無法同時滿足高定位率和實(shí)時化的需求。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于深度學(xué)習(xí)VGG16框架的車牌檢測方法及系統(tǒng)、計算機(jī)可讀取的存儲介質(zhì)，以解決現(xiàn)有的車牌定位方法無法同時滿足高定位率和實(shí)時化的需求的技術(shù)問題。

根據(jù)本發(fā)明的一個方面，提供一種基于深度學(xué)習(xí)VGG16框架的車牌檢測方法，包括以下步驟：

步驟S1：準(zhǔn)備圖片數(shù)據(jù)集；

步驟S2：基于VGG16框架構(gòu)建車牌定位網(wǎng)絡(luò)模型，

步驟S3：基于準(zhǔn)備的圖片數(shù)據(jù)集制作訓(xùn)練數(shù)據(jù)，并利用制作的訓(xùn)練數(shù)據(jù)訓(xùn)練搭建的網(wǎng)絡(luò)模型；

步驟S4：利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行車牌檢測和模型評估。

進(jìn)一步地，所述步驟S2具體為：

在VGG16網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上保留前13個卷積層、池化層pool1和池化層pool2不變，刪除池化層pool3、pool4、pool5和全連接層fc8；

將全連接層fc6和fc7修改為卷積層且層的名稱不變；

在卷積層conv3-3后方新增L2 Normalization層，并在L2 Normalization層后新增分類層和目標(biāo)坐標(biāo)位置回歸層，在卷積層fc7后新增分類層和坐標(biāo)位置回歸層，同時在卷積層fc7后依次添加卷積層conv8和conv9，然后在卷積層conv9后方新增分類層和目標(biāo)坐標(biāo)位置回歸層，在卷積層conv9后依次添加卷積層conv10和conv11，在卷積層conv11的后新增分類層和目標(biāo)坐標(biāo)位置回歸層；

添加一個含有非極大值抑制閾值和置信度閾值的檢測層NMS，該層的輸入為各個分類層和目標(biāo)坐標(biāo)位置回歸層，輸出為目標(biāo)的類別、得分以及對應(yīng)的目標(biāo)坐標(biāo)位置。