预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共17页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114973225A(43)申请公布日2022.08.30(21)申请号202210493635.4G06V30/19(2022.01)(22)申请日2022.05.07(71)申请人中移互联网有限公司地址510000广东省广州市天河区高唐路333号自编1.1栋申请人中国移动通信集团有限公司(72)发明人蔡茂贞李小青丁小波黎蕴玉彭琨钟地秀黄珊珊赖俊滔(74)专利代理机构北京国昊天诚知识产权代理有限公司11315专利代理师刘露露(51)Int.Cl.G06V20/62(2022.01)G06V30/14(2022.01)G06V30/146(2022.01)权利要求书2页说明书11页附图3页(54)发明名称号牌识别方法、装置及设备(57)摘要本发明公开了一种号牌识别方法、装置及设备,并具体公开了:基于预设的检测网络,从待检测图像中确定检测区域、检测区域中含有号牌的证据因子,以及检测区域中含有的号牌在预设方向上的证据因子;检测区域为号牌外接的最小区域;当检测区域中含有号牌的证据因子满足第一预设条件时,将检测区域确定为候选检测区域;当候选检测区域中含有的号牌在预设方向上的证据因子满足第二预设条件时,将预设方向确定为目标方向;根据目标方向对候选检测区域进行旋转,得到目标检测区域,并根据预设的号牌识别模型对目标检测区域进行号牌识别。CN114973225ACN114973225A权利要求书1/2页1.一种号牌识别方法,其特征在于,所述方法包括:基于预设的检测网络,从待检测图像中确定检测区域、所述检测区域中含有号牌的证据因子,以及所述检测区域中含有的号牌在预设方向上的证据因子;所述检测区域为所述号牌外接的最小区域;当所述检测区域中含有号牌的证据因子满足第一预设条件时,将所述检测区域确定为候选检测区域;当所述候选检测区域中含有的号牌在所述预设方向上的证据因子满足第二预设条件时,将所述预设方向确定为目标方向;根据所述目标方向对所述候选检测区域进行旋转,得到目标检测区域,并根据预设的号牌识别模型对所述目标检测区域进行号牌识别。2.根据权利要求1所述的方法,其特征在于,所述检测网络的主干网络为ResNet50;所述检测网络包括多个特征提取层;每个特征提取层包括三个特征提取子层,所述三个特征提取子层分别从输入所述检测网络的图像中提取表征所述检测区域的第一特征、表征所述检测区域是否含有号牌的第二特征,以及表征所述检测区域中的号牌字符相对于水平方向的旋转角度的第三特征;其中,所述提取第一特征的特征提取子层采用的损失函数为回归损失函数;所述提取第二特征的特征提取子层以及所述提取第三特征的特征提取子层采用的损失函数为含有证据因子的分类损失函数。3.根据权利要求2所述的方法,其特征在于,在所述基于预设的检测网络,从待检测图像中确定检测区域、所述检测区域中含有号牌的证据因子,以及所述检测区域中含有的号牌在各预设方向上的证据因子之前,所述方法还包括:获取候选训练样本,并根据深度证据学习算法对所述候选训练样本进行不确定性识别,将不确定性高于预设不确定性阈值的训练样本确定为负样本,以及将不确定性不高于预设不确定性阈值的训练样本确定为正样本;根据所述正样本和所述负样本,对所述检测网络进行训练,得到训练后的检测网络;所述基于预设的检测网络,从待检测图像中确定检测区域、所述检测区域中含有号牌的证据因子,以及所述检测区域中含有的号牌在各预设方向上的证据因子,包括:基于所述训练后的检测网络,从待检测图像中确定检测区域、所述检测区域中含有号牌的证据因子,以及所述检测区域中含有的号牌在各预设方向上的证据因子。4.根据权利要求3所述的方法,其特征在于,在所述根据预设的号牌识别模型对所述目标检测区域进行号牌识别之前,所述方法还包括:基于迁移学习技术,对采集到的训练样本进行预处理;其中,所述预处理至少包括以下之一:平移、剪裁、添加噪声;对预处理后的训练样本进行预设角度范围内的方向偏移处理,得到目标训练样本;根据所述目标训练样本对所述预设的号牌识别模型进行训练,得到训练后的号码识别模型;所述根据预设的号牌识别模型对所述目标检测区域进行号牌识别,包括:根据所述训练后的号码识别模型对所述目标检测区域进行号牌识别。5.根据权利要求1所述的方法,其特征在于,所述第一预设条件包括:所述检测区域中2CN114973225A权利要求书2/2页含有号牌的证据因子经深度证据学习算法计算得到的分类概率期望大于第一阈值,且所述检测区域中含有号牌的证据因子经深度证据学习算法计算得到的不确定性小于第二阈值。6.根据权利要求1所述的方法,其特征在于,所述第二预设条件包括:所述检测区域中含有的号牌在预设方向上的证据因子经深度证据学习算法计算得到的分类概率