[發明專利]一種基于深度學習的車牌字符識別方法以及相關裝置

在審

• 申請號: 202011541596.8
• 申請日: 2020-12-23
• 公開（公告）號: CN112580629A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 唐健;李銳;陶昆
• 申請（專利權）人: 深圳市捷順科技實業股份有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/38;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 深圳騰文知識產權代理有限公司 44680
• 代理人: 王娟

1.一種基于深度學習的車牌字符識別方法，其特征在于，所述方法應用車輛的車牌識別，所述方法包括：

獲取所述車輛的車牌圖像，所述車牌圖像包含有所述車輛的車牌區域；

將所述車牌圖像輸入預配置的神經網絡模型中，所述神經網絡模型用于提取所述車牌圖像中的字符特征并根據所述字符特征生成熱力圖，所述熱力圖用于突出表示所述車牌圖像中字符的位置；

獲取所述神經網絡模型輸出的所述熱力圖；

通過MSER區域特征提取方法對所述熱力圖進行處理，并分割包含所述字符的字符區域，得到目標車牌字符；

對分割出來的所述目標車牌字符進行識別，并得到識別結果。

2.根據權利要求1中所述的基于深度學習的車牌字符識別方法，其特征在于，在所述對分割出來的所述目標車牌字符進行識別，并得到識別結果之前，所述方法還包括：

對所述目標車牌字符縮放為預設尺寸并對放縮后的所述目標車牌字符進行直方圖均衡化。

3.根據權利要求1中所述的基于深度學習的車牌字符識別方法，其特征在于，在所述將所述車牌圖像輸入預配置的神經網絡模型中之前，所述方法還包括：

對所述車牌圖像進行第一預處理，所述第一預處理至少包括水平矯正、垂直矯正或透視矯正中的一種。

4.根據權利要求1至3中任一項所述的基于深度學習的車牌字符識別方法，其特征在于，所述神經網絡模型通過如下方法訓練獲得：

獲取若干張的素材圖像，各個所述素材圖像中均包含車輛的車牌的區域；

對各個所述素材圖像進行二值化處理，得到對應的樣本圖像；

對各個所述樣本圖像中的各個像素點進行標注，其中，為所述車牌中字符區域的像素點標注第一標簽，為所述字符區域外的像素點標注為第二標簽，得到對應的標簽圖像；

將所述樣本圖像以及對應的所述標簽圖像輸入初始化神經網絡模型中；

計算所述素材圖像與所述標簽圖像之間的特征損差，并根據所述特征損差動態調整所述初始化神經網絡模型，直至得到收斂的所述神經網絡模型。

5.根據權利要求4中所述的基于深度學習的車牌字符識別方法，其特征在于，在所述對各個所述素材圖像進行二值化處理之前，所述方法還包括：

調整所述素材圖像的尺寸，使得所述素材圖像的長寬比為3:1。

6.根據權利要求4中所述的基于深度學習的車牌字符識別方法，其特征在于，在所述對各個所述樣本圖像中的各個像素點進行標注之前，所述方法還包括：

判斷所述樣本圖像中車牌的字符是否完整：

若否，則對所述字符殘缺的部位進行填充和/或對所述字符冗余的部位進行去除。

7.根據權利要求4中所述的基于深度學習的車牌字符識別方法，其特征在于，在所述對各個所述素材圖像進行二值化處理之前，所述方法還包括：對所述樣本圖像進行第二預處理，所述第二預處理至少包括水平矯正、垂直矯正或透視矯正中的一種。

8.一種基于深度學習的車牌字符識別系統，其特征在于，所述系統包括：

第一獲取單元，用于獲取所述車輛的車牌圖像，所述車牌圖像包含有所述車輛的車牌區域；

輸入單元，用于將所述車牌圖像輸入預配置的神經網絡模型中；

第二獲取單元，用于獲取所述神經網絡模型輸出的熱力圖，所述熱力圖用于表示所述車牌圖像中字符的位置；

分割單元，用于通過MSER區域特征提取方法對所述熱力圖進行處理，并分割包含所述字符的字符區域，得到目標車牌字符；

識別單元，用于對分割出來的所述目標車牌字符進行識別，并得到識別結果。

9.一種基于深度學習的車牌字符識別裝置，其特征在于，所述裝置包括：

處理器、存儲器、輸入輸出單元以及總線；

所述處理器與所述存儲器、所述輸入輸出單元以及所述總線相連；

所述存儲器保存有程序，所述處理器調用所述程序以執行如權利要求1至7任一項所述方法。

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質上保存有程序，所述程序在計算機上執行時執行如權利要求1至7中任一項所述方法。