[發明專利]一種車牌角度矯正方法

在審

• 申請號: 202011211453.0
• 申請日: 2020-11-03
• 公開（公告）號: CN112528988A
• 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: G06K9/32
• 分類號: G06K9/32;G06K9/40;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

1.一種車牌角度矯正方法，其特征在于，它包括以下步驟：

S1、根據當前采集到的車牌圖片制作訓練數據和測試數據；

S2、建立車牌角度矯正的訓練模型，采用所述訓練數據對所述訓練模型進行訓練，直至所述模型的魯棒性和運算速度達到預設閾值；

S3、將所述測試數據輸入所述訓練模型，所述訓練模型自動識別所述測試數據中車牌的頂點坐標，所述訓練模型將當前的頂點坐標進行處理，從而獲取變換后的車牌平面矩形圖。

2.根據權利要求1所述的一種車牌角度矯正方法，其特征在于，所述S1包括以下步驟：

S11、將當前采集到的車牌圖片進行定位，獲取當前車牌的外接矩形，并得到所述外接矩形的高度、寬度和中心點的坐標；

S12、對所述外接矩形以中心點向外擴展，得到擴展矩形；

S13、對所述擴展矩形中的車牌的頂點進行標注，并定義頂點坐標；

S14、將上述標注好的車牌圖片隨機分成訓練數據和測試數據。

3.根據權利要求1所述的一種車牌角度矯正方法，其特征在于，所述S2包括以下步驟：

S21、使用卷積神經網絡建立車牌角度矯正的訓練模型，形成網絡結構；

S22、對所述訓練數據進行預處理，生成標準數據；

S23、將所述標準數據進行灰度處理和高斯模糊處理后輸入所述訓練模型，所述網絡結構的最后一層經激活函數輸出結果；

S24、根據所述訓練模型的預設值與所述激活函數的預測值計算損失函數。

4.根據權利要求3所述的一種車牌角度矯正方法，其特征在于，在所述S21中，所述卷積神經網絡中的過濾器使用正態分布初始化器進行參數初始化。

5.根據權利要求3所述的一種車牌角度矯正方法，其特征在于，在所述S22中，所述預處理包括將所述訓練數據統一更改為預設尺寸，并同步變換所述訓練數據的頂點坐標，將變換后的頂點坐標進行歸一化處理，從而生成標準數據。

6.根據權利要求3所述的一種車牌角度矯正方法，其特征在于，在所述S23中，所述激活函數采用sigmoid函數。

7.根據權利要求3所述的一種車牌角度矯正方法，其特征在于，在所述S24中，所述損失函數采用MSE均方方差。

8.根據權利要求1所述的一種車牌角度矯正方法，其特征在于，所述S3包括以下步驟：

S31、將所述測試數據輸入訓練模型，所述訓練模型自動識別所述測試數據中的車牌頂點坐標；

S32、將所述車牌頂點坐標轉換成實際車牌頂點坐標；

S33、根據所述實際車牌頂點坐標進行投影映射，生成映射坐標；

S34、對所述映射坐標進行矩陣變換，從而獲得變換后的車牌頂點坐標；

S35、根據已知的所述測試數據中的車牌頂點坐標和變換后的車牌頂點坐標得到變換矩陣的值，通過插值計算求得變換后的車牌平面矩形圖。

9.根據權利要求1-8任一項所述的一種車牌角度矯正方法，其特征在于，所述頂點坐標包括4個，分別為車牌的左上角、左下角、右下角和右上角。