[發明專利]一種基于深度學習的車牌識別方法及裝置

有效

• 申請號: 202010176205.0
• 申請日: 2020-03-13
• 公開（公告）號: CN111340041B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 劉近平;王俊昌;李曉娜;徐洋;孟穩
• 申請（專利權）人: 安陽工學院
• 主分類號: G06V10/32
• 分類號: G06V10/32;G06V10/44;G06V10/75;G06V10/50;G06V10/82;G06N3/0464;G06V30/166;G06V30/18;G06V30/19;G06N3/084
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 李斌

1.一種基于深度學習的車牌識別方法，其特征在于，所述方法包括：

在包含目標車牌的監控視頻中，基于預設采樣周期進行采樣，得到包含所述目標車牌的多張視頻圖像；

將所述多張視頻圖像進行灰度轉換，得到多張灰度視頻圖像；并將所述多張灰度視頻圖像歸一化至預設大小，得到多張目標視頻圖像；

通過預設的x方向濾波器分別對各所述目標視頻圖像進行卷積運算，得到各所述目標視頻圖像對應的x邊緣圖像；通過預設的y方向濾波器分別對各所述目標視頻圖像進行卷積運算，得到各所述目標視頻圖像對應的y邊緣圖像；并根據各所述x邊緣圖像和對應的各所述y邊緣圖像，計算各所述目標視頻圖像對應的梯度圖像；

將各所述梯度圖像的像素值進行歸一化，得到各歸一化梯度圖像，針對每張所述歸一化梯度圖像，對該歸一化梯度圖像進行直方圖統計，得到該歸一化梯度圖像中各像素值的統計數量，并計算所述各統計數量占該歸一化梯度圖像總像素點數量的概率值，構建包含各所述概率值的該歸一化梯度圖像對應的梯度概率直方圖；

獲取預先計算得到的清晰車牌圖像梯度概率直方圖分布模板和模糊車牌圖像梯度概率直方圖分布模板，并針對每張所述歸一化梯度圖像，計算該歸一化梯度圖像對應的梯度概率直方圖與所述清晰車牌圖像梯度概率直方圖分布模板的第一余弦距離，以及該歸一化梯度圖像對應的梯度概率直方圖與所述模糊車牌圖像梯度概率直方圖分布模板的第二余弦距離，根據所述第一余弦距離和所述第二余弦距離的大小，確定該歸一化梯度圖像對應的清晰度置信度；所述清晰車牌圖像梯度概率直方圖分布模板根據預先獲取的清晰圖像計算得到，所述模糊車牌圖像梯度概率直方圖分布模板根據預先獲取的模糊圖像計算得到；

將清晰度置信度大于預設置信度閾值的歸一化梯度圖像對應的視頻圖像輸入預先訓練得到的卷積神經網絡中，得到各所述視頻圖像對應的車牌識別結果；并根據各所述視頻圖像對應的車牌識別結果，以及各所述視頻圖像對應歸一化梯度圖像的清晰度置信度，得到所述目標車牌的最終識別結果；所述車牌識別結果包含預設位數個字符。

2.根據權利要求1所述的基于深度學習的車牌識別方法，其特征在于，所述根據各所述x邊緣圖像和對應的各所述y邊緣圖像，計算各所述目標視頻圖像對應的梯度圖像的步驟包括：

根據以下公式，計算任一目標視頻圖像對應的梯度圖像中任一點的像素值G（x，y）：

Gx為所述任一目標視頻圖像對應的x邊緣圖像中任一點的像素值，Gy為所述任一目標視頻圖像對應的y邊緣圖像中該點的像素值；

所述將各所述梯度圖像的像素值進行歸一化，得到各歸一化梯度圖像的步驟包括：

根據以下公式，對各所述梯度圖像的像素值進行更新：

。

3.根據權利要求1所述的基于深度學習的車牌識別方法，其特征在于，所述計算所述各統計數量占該歸一化梯度圖像總像素點數量的概率值的步驟包括：

根據以下公式，計算任一統計數量bi占該歸一化梯度圖像總像素點數量的概率值pi：

bj為該歸一化梯度圖像中像素值為j的像素點數量。

4.根據權利要求1所述的基于深度學習的車牌識別方法，其特征在于，所述計算該歸一化梯度圖像對應的梯度概率直方圖與所述清晰車牌圖像梯度概率直方圖分布模板的第一余弦距離的步驟包括：

根據以下公式，計算該歸一化梯度圖像對應的梯度概率直方圖與所述清晰車牌圖像梯度概率直方圖分布模板的第一余弦距離：

xi為該歸一化梯度圖像對應的梯度概率直方圖中像素值i對應的概率值，yi為所述清晰車牌圖像梯度概率直方圖分布模板中像素值i對應的概率值。