[發明專利]面向復雜場景的車牌識別方法及裝置

有效

• 申請號: 201911133792.9
• 申請日: 2019-11-19
• 公開（公告）號: CN110991444B
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 呂禮;杜姍姍;馮瑞
• 申請（專利權）人: 復旦大學
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V30/19;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 盧泓宇

本發明提供一種面向復雜場景的車牌識別方法，用于對復雜場景下的待測圖像進行車牌識別從而識別出車牌的字符識別結果，其特征在于，包括：步驟S1，對待測圖像進行預處理得到預處理圖像集；步驟S2，搭建YOLOv3車牌檢測模型；步驟S3，訓練車牌檢測訓練集對YOLOv3車牌檢測模型；步驟S4，搭建端到端的車牌識別卷積神經模型；步驟S5，訓練端到端的車牌識別卷積神經模型；步驟S6，將預處理圖像集輸入訓練完成的YOLOv3目標檢測模型進行車牌目標檢測從而得到車牌位置；步驟S7，依次根據車牌位置對相應的待測圖像進行處理從而得到車牌圖像集；步驟S8，將車牌圖像集輸入訓練完成的端到端的車牌識別卷積神經模型得到車牌的字符識別結果。

技術領域

本發明屬于計算機視覺以及人工智能技術領域，具體涉及一種面向復雜場景的車牌識別方法和裝置。

背景技術

車牌識別在現實生活中有著非常廣泛的應用，因此，車牌識別的研究有著重要的現實意義。例如，在智能交通系統中和城市電子監控系統中，車牌識別是確定車輛身份最為重要的手段，應用場景十分廣泛。

在深度神經網絡廣泛運用之前，傳統車牌識別主要有四個技術流程：車牌檢測、車牌定位、字符分割和字符識別。這四個技術流程往往存在后者以來前者的關系。車牌定位是車牌整體字符的精細定位，依賴車牌檢測的精準性，而字符分割依賴于車牌定位的精準度，而字符則依賴字符分割的準確性。因此，車牌識別的精確度依賴于整個技術流程各個環節的精確度，會因為一個環節的誤差造成識別結果的較大誤差。

此外，傳統車牌識別在字符分割環節難以實現對傾斜、模糊等復雜條件下的車牌進行有效的字符分割，因而，限制了車牌識別在復雜場景下的應用。

發明內容

為解決上述問題，提供一種識別精度高、效率高、魯棒性強，能應用于各種復雜場景的車牌識別方法及裝置，本發明采用了如下技術方案：

本發明提供了一種面向復雜場景的車牌識別方法，用于對復雜場景下的待測圖像進行車牌識別從而識別出車牌的字符識別結果，其特征在于，包括：步驟S1，對待測圖像進行預處理得到預處理圖像集；步驟S2，搭建YOLOv3車牌檢測模型；步驟S3，根據包含多張訓練圖像的車牌檢測訓練集對YOLOv3車牌檢測模型進行模型訓練；步驟S4，搭建端到端的車牌識別卷積神經模型；步驟S5，根據車牌識別訓練集對端到端的車牌識別卷積神經模型進行模型訓練；步驟S6，將預處理圖像集輸入訓練完成的YOLOv3目標檢測模型進行車牌目標檢測從而得到車牌位置；步驟S7，依次根據車牌位置對相應的待測圖像進行裁剪處理從而得到相應的車牌圖像，并將每張待測圖像對應的所有車牌圖像處理為一個車牌圖像集；步驟S8，將車牌圖像集輸入訓練完成的端到端的車牌識別卷積神經模型進行字符識別從而得到車牌的字符識別結果。

本發明提供的面向復雜場景的車牌識別方法，還可以具有這樣的技術特征，預處理圖像集為一個由一張或多張預處理圖像組成的batch，YOLOv3車牌檢測網絡模型對預處理圖像集進行批量并行處理，車牌圖像集為一個由一張或多張車牌圖像組成的batch，端到端的車牌識別卷積神經模型對車牌圖像集進行批量并行處理。