[發明專利]一種基于神經網絡的車牌識別方法

在審

• 申請號: 202011210086.2
• 申請日: 2020-11-03
• 公開（公告）號: CN112529001A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 李慶民;盧存盟
• 申請（專利權）人: 創澤智能機器人集團股份有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 煙臺上禾知識產權代理事務所(普通合伙) 37234
• 代理人: 蘇亮

本發明公開了一種基于神經網絡的車牌識別方法，包括以下車牌識別方法步驟：輸入圖像，攝像頭采集到的圖像數據經過訓練后得到的yolo模型，進行一次前向計算后，能夠得到圖像中車牌的具體位置(x,y)、w、h和置信度c，車牌的具體位置為矩形區域A；確定車牌四個頂點坐標，將S3中的圖像作為車牌角度矯正模型的輸入數據，經過經過模型的一次前向計算得到車牌四個角點的坐標(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分別表示為車牌左上角、左下角、右下角、右上角位置。本發明車牌定位使用YOLO算法，相比傳統車牌定位方法具有定位精度高且速度快的特點。

技術領域

本發明涉及車牌識別技術領域，更具體地說，本發明涉及一種基于神經網絡的車牌識別方法。

背景技術

車牌識別在人們日常生活中經常見到，目前已成為智慧交通的重要組成部分。近年來車牌識別技術雖然發展迅速，但是受限于車輛的使用環境(光線較強或者較弱、車牌污染、雨雪大霧天氣等)使得車牌識別的各個環節中始終存在一些問題，導致識別精度有限：

車牌檢測，傳統方法使用RGB、HSI設置閾值條件或者傳統機器學習算法來對車牌位置進行定位，會面臨偽車牌、邊框定位精度低等問題，這無疑會影響后續字符識別的精度。

字符分割，受車牌定位精度、環境因素(光線較強或者較弱、車牌污染、雨雪大霧天氣等)，將導致車牌字符分割不準確。

字符識別，傳統方法如神經網絡、支持向量機識別精度有限。

為此，本發明提出一種基于神經網絡的車牌識別方法。

發明內容

針對現有技術的不足，本發明提供了一種基于神經網絡的車牌識別方法。

為實現上述目的，本發明提供如下技術方案：一種基于神經網絡的車牌識別方法，包括以下車牌識別方法步驟：

S1：輸入圖像，攝像頭采集到的圖像數據經過訓練后得到的yolo模型，進行一次前向計算后，能夠得到圖像中車牌的具體位置(x,y)、w、h和置信度c，車牌的具體位置為矩形區域A；

S2：定位車牌，將S1中的矩形區域A進行擴展，左右各擴展w/2，上下各擴展h/2，得到矩形區域B；

S3：選取車牌擴展區域，將矩形區域B統一變換成64*64pix大小的圖像；

S4：確定車牌四個頂點坐標，將S3中的圖像作為車牌角度矯正模型的輸入數據，經過經過模型的一次前向計算得到車牌四個角點的坐標(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分別表示為車牌左上角、左下角、右下角、右上角位置；

S5：對車牌角度矯正，將上述(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)坐標進行等比例縮放，轉換成在矩形區域B內的坐標(X1,Y2)、(X2,Y2)、(X3,Y3)、(X4,Y4)；矩形區域B內針對坐標(X1,Y2)、(X2,Y2)、(X3,Y3)、(X4,Y4)區域進行透視變換，得到車牌的正視圖；

S6：文字識別和顏色識別，將車牌的正視圖尺寸統一變換，輸入到顏色識別模型中，經過softmax分類器輸出顏色概率最大的顏色，即為當前車牌的顏色，車牌正視圖輸入OCR模型中進行字符識別；

S7：輸出結果。

優選的，所述S1中，使用yolo算法，對yolo-v3模型進行剪枝處理，可以進一步提高運算速度，車牌定位模型由事先準備好的大量包含車牌的圖像，然后經過yolo算法訓練得到。

優選的，所述S2中，用經過標記的訓練數據卷積神經網絡訓練線性回歸模型，用于識別車牌四個角點在圖中的坐標。

優選的，所述S5中，透視變換是將圖像平行四邊形的視平面投影到矩形的視平面的過程。