[發明專利]一種基于深度學習的車牌識別方法

在審

• 申請號: 202110586315.9
• 申請日: 2021-05-27
• 公開（公告）號: CN113177552A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 汪全伍
• 申請（專利權）人: 的盧技術有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 曹蕓

本發明涉及一種基于深度學習的車牌識別方法，屬于車牌識別技術領域。本發明通過前方攝像頭采集的圖片(或者視頻)，然后采用卷積神經網絡(CNN)對圖片進行特征提取從而來進行目標的檢測，并采用多標簽分類的方法對車牌進行多標簽分類來獲取車牌字符。本發明采用多標簽分類的方法對車牌字符進行識別，避免了車牌字符分割過程中出現的分割不準確而造成最終識別率低問題。本方法對攝像頭的位置要求不高，大多數場合都能使用，具有廣泛的應用場景。

技術領域

本發明涉及一種基于深度學習的車牌識別方法，屬于車牌識別技術領域。

背景技術

傳統的目標檢測方法大概分為區域選擇（滑窗）、特征提取（SIFT、HOG等）、采用提取的特征來訓練一個分類器三個部分；同時傳統的車牌識別會對牌照字符分割完成牌照區域的定位后，再將牌照區域分割成單個字符，然后進行車牌字符識別，采用的方法主要有基于模板匹配算法。

傳統目標檢測主要問題有兩方面：一方面滑窗選擇策略沒有針對性、時間復雜度高，窗口冗余；另一方面手工設計的特征魯棒性較差；車牌字符識別算法復雜，并且對攝像頭的安裝角度有很大的要求，應用場景受限。

現有的車牌識別方法主要是通過固定特定攝像頭的位置，只對車牌區域進行拍照檢測，然后通過傳統的視覺檢測算法來獲取車牌的區域，獲取到車牌后對車牌進行一個仿射變換得到一個歸整的車牌區域；然后對車牌區域進行二值化后進行字符分割得到當個字符，最后進行字符識別，其中字符識別方法主要有基于模板匹配算法和基于人工神經網絡算法?；谀０迤ヅ渌惴ㄊ紫葘⒎指詈蟮淖址某叽绱笮】s放為字符數據庫中模板的大小，然后與所有的模板進行匹配，選擇最佳匹配作為結果。基于人工神經網絡的算法有兩種：一種是先對字符進行特征提取，然后用所獲得特征來訓練神經網絡分配器；另一種方法是直接把圖像輸入網絡，由網絡自動實現特征提取直至識別出結果。從而得到車牌的字符。

發明內容

本發明提出了一種基于深度學習的車牌識別方法，通過前方攝像頭采集的圖片(或者視頻)，然后采用卷積神經網絡(CNN)對圖片進行特征提取從而來進行目標的檢測，并采用多標簽分類的方法對車牌進行多標簽分類來獲取車牌字符。

本發明為解決其技術問題采用如下技術方案：

一種基于深度學習的車牌識別方法，包括如下步驟：

步驟1：利用攝像頭采集路上車輛數據，對采集后的車輛數據進行數據清洗并對車輛數據進行標注，利用清洗和標注后的車輛數據進行車輛檢測模型的訓練；

步驟2：采用步驟1中訓練好的檢測模型來對包含有車輛的圖像進行車輛框的預測及車輛類別分類；

步驟3：通過步驟2獲取得到車輛框后，在包含有車輛的圖像上截取車輛框區域，并將所有截取得到的車輛區域作為車牌檢測模型的訓練集進行模型訓練，從而得到車牌檢測模型；得到車牌檢測模型后，傳入步驟2檢測得到的車輛框區域，從而檢測得到車牌區域；

步驟4：通過步驟3得到的車牌區域作為車牌識別模型的輸入，從而得到車輛字符，最終得到車牌信息。

步驟1的具體過程如下：

步驟1.1:加載預先訓練好的目標檢測網絡模型， 即在微軟開源的用于目標檢測訓練的數據集，即COCO數據集訓練好的檢測模型，作為預訓練模型；

步驟1.2:預處理將要參與模型訓練的包含有車輛的圖像。

步驟2的具體過程如下：

步驟2.1：根據深度學習提取框架主干網絡，提取圖像中的車輛特征；

步驟2.2:對提取的圖像中的特征進行目標檢測，獲取包含有車輛的框及車輛類別。

步驟3的具體過程如下：

步驟3.1:通過步驟2獲取得到車輛框后，在包含有車輛的圖像上截取車輛框區域；

步驟3.2：將所有截取得到的車輛框區域作為車牌檢測模型訓練的訓練集進行模型訓練，得到車牌檢測模型；