[發明專利]基于深度學習的車牌字符識別方法、存儲介質及電子設備

在審

• 申請號: 202010858586.0
• 申請日: 2020-08-24
• 公開（公告）號: CN112016432A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 林煥凱;王祥雪;董振江;朱婷婷;程慶;譚煥新;劉雙廣
• 申請（專利權）人: 高新興科技集團股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04
• 代理公司: 廣州國鵬知識產權代理事務所(普通合伙) 44511
• 代理人: 葛紅

本發明提供了一種基于深度學習的車牌字符識別方法、計算機存儲介質及電子設備，方法包括以下步驟：S1、獲取待識別圖片；S2、從待識別圖片中獲取車牌的粗定位區域；S3、將車牌的粗定位區域的圖片送入基于卷積神經網絡的檢測模型中進行車牌字符的檢測和識別，得到車牌的各個字符的標簽和各個字符的位置信息；S4、根據車牌的位置信息對車牌各個字符的順序進行重新排列，得到完整的車牌號碼。根據本發明實施例的方法，通過粗定位輸入進來的車牌直接進行車牌字符的檢測和識別，解決了傳統車牌識別算法流程中車牌精定位，字符切割，字符識別邏輯復雜的問題，同時解決了采用深度學習車牌識別算法中需要多個模型串聯過多的耗費系統資源的問題。

技術領域

本發明涉及車牌識別領域，更具體地，涉及一種基于深度學習的車牌字符識別方法、計算機存儲介質及電子設備。

背景技術

一般的車牌識別過程包含車牌粗定位，車牌矯正，車牌精定位，車牌字符切割，車牌字符識別五個步驟，現有的車牌識別方法主要分基于傳統算法的車牌識別和基于深度學習算法的車牌識別。傳統車牌識別算法的主要結合紋理，邊緣檢測，垂直投影，小波變換，和模版匹配的方法來進行車牌識別。基于深度學習的車牌識別算法主要針對車牌識別過程中的每個模塊都用深度學習模型實現。

目前在車牌識別算法在實際應用中還存在較多難點，傳統的車牌識別方法對容易受到噪聲的干擾，對光照變化大，車牌模糊的情況識別效果較差，開發成本高，部署周期長；基于深度學習的車牌識別算法由于每個模塊都是獨立存在在計算法時會存在大量冗余的計算，系統資源占用高，識別速度較低，在前端設備比較難部署。

發明內容

有鑒于此，本發明提供一種基于深度學習的車牌字符識別方法、計算機存儲介質及電子設備，可以有效提高車牌字符識別開發的效率。

為解決上述技術問題，一方面，本發明提供一種基于深度學習的車牌字符識別方法包括以下步驟：S1、獲取待識別圖片；S2、從所述待識別圖片中獲取車牌的粗定位區域；S3、將車牌的所述粗定位區域的圖片送入基于卷積神經網絡的檢測模型中進行車牌字符的檢測和識別，得到車牌的各個字符的標簽和各個字符的位置信息；S4、根據車牌的位置信息對車牌各個字符的順序進行重新排列，得到完整的車牌號碼。

根據本發明實施例的基于深度學習的車牌字符識別方法，通過粗定位輸入進來的車牌直接進行車牌字符的檢測和識別，解決了傳統車牌識別算法流程中車牌精定位，字符切割，字符識別邏輯復雜的問題，同時解決了采用深度學習車牌識別算法中需要多個模型串聯過多的耗費系統資源的問題。

根據本發明的一些實施例，步驟S1包括：

S11、從卡口、電警攝像頭或手持終端設備獲取往來車輛的原圖數據；

S12、利用車輛檢測技術從所述原圖數據獲取車身的待識別圖片。

根據本發明的一些實施例，步驟S2包括：利用車牌檢測技術從所述待識別圖片中獲取車牌的粗定位區域。

根據本發明的一些實施例，步驟S3包括：

S31、對車牌的所述粗定位區域的圖片進行字符標注；

S32、將標注好的車牌數據歸一化到預定像素；

S33、根據標注好的車牌數據設計卷積神經網絡；

S34、將標注好的車牌數據送入所述卷積神經網絡的檢測模型中進行車牌字符的檢測和識別。

根據本發明的一些實施例，在步驟S31中，對車牌的所述粗定位區域的圖片進行字符標注的規則為每個字符的最小外接矩形。

根據本發明的一些實施例，在步驟S32中，所述預定像素為65*150像素。

根據本發明的一些實施例，步驟S33包括：