一种基于深度学习的智能车牌识别方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114332781A(43)申请公布日2022.04.12(21)申请号202111622832.3G06T3/00(2006.01)(22)申请日2021.12.28G06N3/08(2006.01)G06N3/04(2006.01)(71)申请人南京交通职业技术学院地址211188江苏省南京市江宁区龙眠大道629号(72)发明人季丹(74)专利代理机构北京深川专利代理事务所(普通合伙)16058代理人张彦(51)Int.Cl.G06V20/54(2022.01)G06V10/25(2022.01)G06T7/11(2017.01)G06T5/40(2006.01)G06T3/40(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种基于深度学习的智能车牌识别方法及系统(57)摘要本发明属于智能交通工程技术领域，具体提供一种基于深度学习的智能车牌识别方法及系统，其中方法包括：获取原始车辆图片，采用CenterNet对原始车辆图片进行车牌的目标位置的定位、检测与保存；提取车牌兴趣区域图像，输入已训练好的车牌识别模型中，判断车牌是否遮挡不清，若正常，则进一步提取车牌图片，若不正常，则提示报警；对车牌图片进行预处理得到车牌图像信息；将处理后的车牌字符传入卷积神经网络进行模型的训练与优化，最终预测得到车牌识别结果。通过选取CenterNet网络进行车牌定位与检测，选择直方图均衡化、倾斜度矫正等图像预处理技术增强车牌的对比度，都为后续卷积神经网络的训练提供了有效保障。能有效辨别车牌信息，且平均识别准确率高。CN114332781ACN114332781A权利要求书1/2页1.一种基于深度学习的智能车牌识别方法，其特征在于，包括以下步骤：S1，获取原始车辆图片，采用CenterNet对原始车辆图片进行车牌的目标位置的定位、检测与保存；S2，提取车牌兴趣区域图像，输入已训练好的车牌识别模型中，判断车牌是否遮挡不清，若正常，则进一步提取车牌图片，若不正常，则提示报警；S3，对车牌图片进行预处理得到车牌图像信息；S4，将处理后的车牌字符传入卷积神经网络进行模型的训练与优化，最终预测得到车牌识别结果。2.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S1具体包括：S11：选择Resnet50作为目标检测网络，即对车辆图片进行50次卷积操作，实现特征提取；S12：通过反卷积模块，对上一步得到的特征图片进行三次上采样，得到增强后的特征图片；S13：将所述特征图片放入三个分支卷积网络，分别预测检测目标的热力图heatmap、目标的宽度与高度占比以及目标的中心点坐标的参数；S14：采用仿射变换，在原始车辆图片中实现检测目标的裁剪和缩放，用边框框出车牌位置，并显示位置比例。3.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S3中预处理具体包括：S31：采用直方图均衡化方法，增强车牌图片的对比度；S32：采用基于幂次变换的伽马校正实现图片的灰度处理，将输入图片的灰度值进行指数变换；S33：检测灰度变换后的车牌图片是否存在倾斜，如存在，则采用霍夫变换检测车牌的边界形状，不断拟合车牌的边界线条，然后通过空间角度的调整，实现车牌图片的矫正；S34：通过统计边框像素出现的频率，对矫正后的车牌图片进行边缘去除。4.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S4之前且在所述S3之后还包括：在卷积神经网络搭建前先明确输入与输出变量，将所有车牌图片统一缩放为宽240px，高80px的标准图片，灰度处理后统一选择一维通道。5.根据权利要求4所述的基于深度学习的智能车牌识别方法，其特征在于，若训练集样本数量为N张车牌图片，则网络的输入层维度则为N*80*240*1，其中，N为正整数。6.根据权利要求1所述的基于深度学习的智能车牌识别方法，其特征在于，所述S4的卷积神经网络具体包括：依次布置的第一卷积图、第二卷积图及第三卷积图；所述第一卷积图的卷积核C1大小为32，卷积形状为3*3，卷积核C2的卷积形状为2*2，随机丢弃50％样本；所述第二卷积图的卷积核C3大小为64，卷积形状为3*3，卷积核C4的卷积形状为2*2，随机丢弃50％样本；所述第三卷积图的卷积核C5大小为128，卷积形状为3*3，卷积核C6的卷积形状为2*2，随机丢弃50％样本。2CN114332781A权利要求书2/2页7.根据权利要求6所述的基于深度学习的智能车牌识别方法，其特征在于，所述卷积神经网络还包括：池化层，基于最大值原则，根据池化形状进行欠采样，降低特征维度，选择2*2的池化形状；全连接层，通过自适应矩估计激活函数实现公式yi＝max{∑i