车牌矫正方法、装置以及可读存储介质.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CN110807459A(43)申请公布日2020.02.18(21)申请号201911054241.3(22)申请日2019.10.31(71)申请人深圳市捷顺科技实业股份有限公司地址518049广东省深圳市福田区梅林街道龙尾路10号捷顺科技(72)发明人唐健张彦彬王浩(74)专利代理机构深圳市深佳知识产权代理事务所(普通合伙)44285代理人王兆林(51)Int.Cl.G06K9/32(2006.01)G06K9/36(2006.01)权利要求书2页说明书9页附图5页(54)发明名称车牌矫正方法、装置以及可读存储介质(57)摘要本申请实施例公开了一种车牌矫正方法、装置以及存储介质，用于进行车牌矫正。本申请实施例方法包括：获取源图像，源图像中标记有第一检测区域，第一检测区域至少包括部分车牌轮廓；扩大第一检测区域得到第二检测区域；使用第一回归模型对第二检测区域内的图像进行计算得到四角点偏移量；根据四角点偏移量调整第二检测区域得到第三检测区域；使用第二回归模型对第三检测区域进行计算得到四边偏移量；根据四边偏移量调整第三检测区域得到第四检测区域；对第四检测区域内的图像进行倾斜矫正。CN110807459ACN110807459A权利要求书1/2页1.一种车牌矫正方法，其特征在于，包括：获取源图像，所述源图像中标记有第一检测区域，所述第一检测区域至少包括部分车牌轮廓；扩大所述第一检测区域得到第二检测区域；使用第一回归模型对所述第二检测区域内的图像进行计算得到四角点偏移量，所述第一回归模型由深度学习框架以四角点偏移量为学习标签对第一训练样本集进行学习后生成，所述第一训练样本集包括多个采集于真实环境中的第一类车牌样本图像,每一个所述第一类车牌样本图像中标注有第一学习框和车牌的四角点坐标；根据所述四角点偏移量调整所述第二检测区域得到第三检测区域；使用第二回归模型对所述第三检测区域进行计算得到四边偏移量，所述第二回归模型通过由所述深度学习框架以车牌的四边偏移量为学习标签对第二训练样本集进行学习后生成，所述第一训练样本集包括多个采集于真实环境中的第二类车牌样本图像,每一个所述第二类车牌样本图像中标注有第二学习框和车牌轮廓；根据所述四边偏移量调整所述第三检测区域得到第四检测区域；对所述第四检测区域内的图像进行倾斜矫正。2.根据权利要求1所述的车牌矫正方法，其特征在于，所述扩大第一检测区域得到第二检测区域包括：对第一检测区域上下边界分别扩大第一比例、左右边界分别扩大第二比例得到第二检测区域。3.根据权利要求1所述的车牌矫正方法，其特征在于，所述第一训练样本集和第二样本训练集都包括完全重叠样本、部分重叠样本和覆盖样本，其中：所述第一训练样本集的完全重叠样本中，所述第一学习框内包括完整的车牌轮廓；所述第一训练样本集的部分重叠样本中，所述第一学习框内包括不完整的车牌轮廓；所述第一训练样本集的覆盖样本中，所述第一学习框在车牌轮廓内；所述第二训练样本集的完全重叠样本中，所述第二学习框内包括完整车牌轮廓；所述第二训练样本集的部分重叠样本中，所述第二学习框内包括不完整的车牌轮廓；所述第二训练样本集的覆盖样本中，所述第二学习框在车牌轮廓内。4.根据权利要求1至3中任一项所述的车牌矫正方法，其特征在于，所述根据所述四角点偏移量调整所述第二检测区域得到第三检测区域包括：按照所述四角点偏移量调整所述第三检测区域的四角点得到四个过渡坐标点；作出所述四个过渡坐标点的最小外接矩形，将所述最小外接矩形作为第三检测区域。5.根据权利要求1至3中任一项所述的车牌矫正方法，其特征在于，所述深度学习框架采用快速特征嵌入的卷积结构，所述第一回归模型训练深度为3层，所述第二回归模型训练深度为4层。6.根据权利要求1至3中任一项所述的车牌矫正方法，其特征在于，所述第二类车牌样本图像的车牌轮廓由所述第一类车牌样本图像的四角点坐标经过插值处理得到。7.根据权利要求1至3中任一项所述的车牌矫正方法，其特征在于，所述对所述第四检测区域内的图像进行倾斜矫正包括：使用透视矫正函数对所述第四检测区域的图像进行倾2CN110807459A权利要求书2/2页斜矫正。8.一种车牌矫正装置，包括：获取单元，用于获取源图像，所述源图像中标记有第一检测区域，所述第一检测区域至少包括部分车牌轮廓；扩大单元，用于扩大所述第一检测区域得到第二检测区域；第一回归单元，用于使用第一回归模型对所述第二检测区域内的图像进行计算得到四角点偏移量，所述第一回归模型通过深度学习框架以所述四角点偏移量作为学习标签学习第一训练样本集生成，所述第一训练样本集包括多个真实环境中的第一类车牌样本图像,每一个所述车牌样本图像中包括第一学习框和车牌四个边角点的实际坐标；第一调