[發(fā)明專利]一種基于深度學(xué)習(xí)的傾斜車牌矯正方法在審
| 申請(qǐng)?zhí)枺?/td> | 202110767061.0 | 申請(qǐng)日: | 2021-07-07 |
| 公開(公告)號(hào): | CN113435446A | 公開(公告)日: | 2021-09-24 |
| 發(fā)明(設(shè)計(jì))人: | 劉鵬;張真;秦恩泉;唐甜甜;曹騮;張海天;顧焜;袁高峰 | 申請(qǐng)(專利權(quán))人: | 南京云創(chuàng)大數(shù)據(jù)科技股份有限公司 |
| 主分類號(hào): | G06K9/32 | 分類號(hào): | G06K9/32;G06K9/62;G06K9/46;G06N3/04;G06N3/08 |
| 代理公司: | 南京鐘山專利代理有限公司 32252 | 代理人: | 戴朝榮 |
| 地址: | 210014 江蘇省南京市秦淮區(qū)永*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 基于 深度 學(xué)習(xí) 傾斜 車牌 矯正 方法 | ||
1.一種基于深度學(xué)習(xí)的傾斜車牌矯正方法,其特征在于,包括如下步驟:
步驟1,獲取車牌局部圖像,構(gòu)建標(biāo)注車牌角點(diǎn)的可視化工具;
步驟2,構(gòu)建基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)模型,訓(xùn)練該模型;
步驟3,構(gòu)建全卷積車牌類型分類網(wǎng)絡(luò),訓(xùn)練該模型;
步驟4,進(jìn)行車牌檢測,獲取車牌的局部圖像,使用步驟2得到的模型檢測局部圖像中的車牌角點(diǎn)進(jìn)行定位;
步驟5,利用步驟3得到的車牌類型分類網(wǎng)絡(luò)判斷車牌類型;
步驟6,按車牌類型進(jìn)行相應(yīng)的透視變換,將檢測到的角點(diǎn)坐標(biāo)調(diào)整到固定的值,并調(diào)整其長寬比與標(biāo)準(zhǔn)情況相接近。
2.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,步驟1中的標(biāo)注車牌角點(diǎn)的可視化工具內(nèi)置一個(gè)傳統(tǒng)車牌檢測器,每個(gè)角點(diǎn)的標(biāo)注框是正方形;根據(jù)車牌局部圖像的坐標(biāo)自動(dòng)計(jì)算標(biāo)注框的大小。
3.根據(jù)權(quán)利要求2所述的傾斜車牌矯正方法,其特征在于,車牌局部圖像的大小固定為500×500,標(biāo)注框大小為車牌高度的三分之二,為每幅訓(xùn)練圖像標(biāo)注4個(gè)角點(diǎn)。
4.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,步驟2中的目標(biāo)檢測網(wǎng)絡(luò)是一個(gè)全卷積的神經(jīng)網(wǎng)絡(luò),并在兩種不同尺寸的特征圖上進(jìn)行檢測角點(diǎn)。
5.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,步驟2中構(gòu)建的基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)模型為于YOLOv3的角點(diǎn)檢測模型。
6.根據(jù)權(quán)利要求5所述的傾斜車牌矯正方法,其特征在于,基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)共有20層;網(wǎng)絡(luò)的輸入是224×224的3通道圖像,第1至11層是卷積核大小為3×3的卷積層;第13層為yolo層,在7×7大小的特征圖上檢測目標(biāo);第14層為route層,用于獲取第11層特征圖;第15層為卷積核大小1×1的卷積層;第16層是上采樣層,將特征圖大小變?yōu)?4×14;第17層為route層,用于拼接第7、16兩層的特征圖;第18層是卷積核大小為3×3的卷積層;第20層為yolo層,在14×14大小的特征圖上檢測目標(biāo)。
7.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,步驟3中訓(xùn)練的車牌類型分類網(wǎng)絡(luò)用于把車牌類型分為三類:
a)包含8個(gè)字符的單層新能源車牌;
b)包含7個(gè)字符的單層車牌,包括車頭普通的藍(lán)牌、黃牌、警車車牌;
c)雙層字符車牌,包括黃牌、掛車車牌。
8.根據(jù)權(quán)利要求7所述的傾斜車牌矯正方法,其特征在于,車牌類型分類網(wǎng)絡(luò),包含8個(gè)卷積層、一個(gè)全局平均池化層、一個(gè)全連接層以及一個(gè)概率輸出層的全卷積網(wǎng)絡(luò);網(wǎng)絡(luò)輸入大小為96×96×3,每一個(gè)卷積層均使用大小為3×3的卷積核,激活函數(shù)均為Relu。
9.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,在步驟6中根據(jù)檢測到的角點(diǎn)坐標(biāo)分車牌類別進(jìn)行透視變換,將角點(diǎn)坐標(biāo)變換為固定的坐標(biāo)點(diǎn)、長寬比調(diào)整到與標(biāo)準(zhǔn)情況相接近。
10.根據(jù)權(quán)利要求1所述的傾斜車牌矯正方法,其特征在于,步驟6中透視變換過程方法如下:
根據(jù)4對(duì)車牌角點(diǎn)坐標(biāo)計(jì)算3×3的變換矩陣
其中,,
矯正后的車牌局部圖像的計(jì)算方式:
其中,
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于南京云創(chuàng)大數(shù)據(jù)科技股份有限公司,未經(jīng)南京云創(chuàng)大數(shù)據(jù)科技股份有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請(qǐng)聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110767061.0/1.html,轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06K 數(shù)據(jù)識(shí)別;數(shù)據(jù)表示;記錄載體;記錄載體的處理
G06K9-00 用于閱讀或識(shí)別印刷或書寫字符或者用于識(shí)別圖形,例如,指紋的方法或裝置
G06K9-03 .錯(cuò)誤的檢測或校正,例如,用重復(fù)掃描圖形的方法
G06K9-18 .應(yīng)用具有附加代碼標(biāo)記或含有代碼標(biāo)記的打印字符的,例如,由不同形狀的各個(gè)筆畫組成的,而且每個(gè)筆畫表示不同的代碼值的字符
G06K9-20 .圖像捕獲
G06K9-36 .圖像預(yù)處理,即無須判定關(guān)于圖像的同一性而進(jìn)行的圖像信息處理
G06K9-60 .圖像捕獲和多種預(yù)處理作用的組合
- 根據(jù)用戶學(xué)習(xí)效果動(dòng)態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個(gè)人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)
- 基于強(qiáng)化學(xué)習(xí)的自適應(yīng)移動(dòng)學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)
- 游戲?qū)W習(xí)效果評(píng)測方法及系統(tǒng)





