[發明專利]一種車牌識別方法

在審

• 申請號: 202110071930.6
• 申請日: 2021-01-20
• 公開（公告）號: CN112766273A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 王磊;徐建閩;黃輝先
• 申請（專利權）人: 湘潭大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種車牌識別方法，包括以下步驟：S1.通過攝像頭獲取圖片數據；S2.構建Faster RCNN網絡模型；S3.構建LPRNet網絡模型；S4.將步驟S1獲取的圖片數據輸入Faster RCNN網絡模型，從圖片中識別出車牌邊框的位置，并提取車牌邊框內的圖像；S5.將提取的車牌邊框內的信息輸入LPRNet網絡模型，提取車牌信息。本發明利用Faster RCNN網絡模型識別出圖片中的車牌邊框的位置，再通過LPRNet網絡模型對車牌邊框內的圖像進行整體卷積形成識別序列，提取車牌信息，識別的精準度更高。

技術領域

本發明及圖像處理技術領域，尤其涉及一種車牌識別方法。

背景技術

隨著城市車輛的日益增多，交通管理的壓力也逐年增大，車輛檢測與識別技術依然是一個需要不斷創新的熱點。對于車牌檢測與識別在特定場合已經可以做到準確識別，例如逐漸成熟的無人停車場，通過圖像處理技術手段對出入的車輛進行車牌識別，進行計時和自助收費。在道路交通的現實環境中，車牌檢測與識別的技術應用具有重要意義，如公路收費、交通流量管控、車輛定位與監測、汽車防盜、違法駕駛自動監管和電子警察等現實應用。

近些年來，圖像處理技術的發展也讓車牌識別的方法多種多樣。傳統的車牌識別技術主要有：基于SVM分類器的方法和基于模板匹配的方法。傳統圖像算法車牌識別步驟為：對車牌圖片矯正，修正角度偏差過大的圖片；對矯正后的車牌圖片進行字符分割，提取單個的候選字符框；利用訓練好的模型對分割后的候選字符框分類判別，組合識別結果，最終輸出車牌信息。采用傳統的算法有一定的缺陷，在車牌字符預處理時設定閾值不妥當就可能導致識別的精度不高；對于現代車牌的顏色類別多種多樣，利用傳統圖像手段區分車牌顏色時存在相應的分類誤差；車牌旋轉調整、車牌字符分割和車牌字符識別等各個部分也一樣存在誤差，全部的誤差累計起來很難做到一個通用性高、準確率高的技術方案。

中國專利公開號CN109344825A，公開日期2019年2月15日，該專利公開了一種基于卷積神經網絡的車牌識別方法，首先對車牌圖像進行預處理，構建車牌訓練樣本集；再構建由CNN卷積網絡層、RPN候選區域提取層、ROI pooling層和判別層組成的Faster R-CNN網絡模型；通過多任務損失不斷訓練模型，生成一個準確率高的Faster R-CNN網絡模型；最后利用訓練好的Faster R-CNN網絡模型進行車牌識別，獲取車牌字符框位置信息與類別信息，再利用先驗知識對字符位置進行判定，對識別的車牌字符進行排序整合，輸出車牌識別結果；該專利利用先驗知識對字符位置進行判定時，將檢測到的車牌字符進行逐一分割，再對分割后的字符逐一識別，當分割精度不高時會直接影響到后續的車牌識別，造成誤差的積累。

發明內容

本發明的目的在于克服現有車牌識別方法中將車牌字符進行逐一分割識別，分割識別會累積誤差，導致最終識別結果精準度低的缺點，提供一種車牌識別方法。本發明利用Faster RCNN網絡模型識別出圖片中的車牌邊框的位置，再通過LPRNet網絡模型對車牌邊框內的圖像進行整體卷積形成識別序列，提取車牌信息，識別的精準度更高。

為解決上述技術問題，本發明采用的技術方案是：一種車牌識別方法，包括以下步驟：

S1.通過攝像頭獲取圖片數據；

S2.構建Faster RCNN網絡模型，所述Faster RCNN網絡模型包括Back-bone共享卷積網絡，RPN區域候選框生成網絡和Classifier network候選框分類網絡；

S3.構建LPRNet網絡模型，所述LPRNet網絡模型包括Small Basic Block網絡；

S43.將步驟S1獲取的圖片數據輸入Faster RCNN網絡模型，從圖片中識別出車牌邊框的位置，并提取車牌邊框內的圖像；

S5.將提取的車牌邊框內的信息輸入LPRNet網絡模型，提取車牌信息。