车牌识别模型训练方法、车牌识别方法及装置.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CN112329881A(43)申请公布日2021.02.05(21)申请号202011317882.6(22)申请日2020.11.20(71)申请人珠海大横琴科技发展有限公司地址519000广东省珠海市横琴新区宝华路6号105室-67309(集中办公区)(72)发明人邓练兵李大铭李皓(74)专利代理机构北京三聚阳光知识产权代理有限公司11250代理人李杰(51)Int.Cl.G06K9/62(2006.01)G06K9/34(2006.01)G06K9/32(2006.01)G06N3/04(2006.01)权利要求书2页说明书9页附图3页(54)发明名称车牌识别模型训练方法、车牌识别方法及装置(57)摘要本发明公开了一种车牌识别模型训练方法、车牌识别方法及装置，模型训练方法包括：构建双车牌车辆数据集和车牌数据集；基于双车牌车辆数据集训练yolov3－tiny网络模型；对yolov3－tiny的训练模型进行测试保留精度最高的yolov3－tiny网络模型权重；基于车牌数据集训练LPS/CR－NET网络模型，对LPS/CR－NET的训练模型进行网络测试，初步确定精度较好的几个网络模型权重；基于yolov3－tiny的双车牌检测结果和字符排序方法，计算各个初步确定的LPS/CR－NET网络模型权重下的双车牌识别正确率，保留正确率表现最高的LPS/CR－NET网络模型权重。为双车牌识别提供了一个快速、高效的车牌定位方法，有效提高了双车牌识别的精度。CN112329881ACN112329881A权利要求书1/2页1.一种车牌识别模型训练方法，其特征在于，包括：根据收集的带有双车牌的车辆图片样本，构建双车牌车辆数据集B和车牌数据集C；基于所述双车牌车辆数据集B训练yolov3－tiny网络模型结构，在车辆图片中定位出车牌区域；根据包含多种带有双车牌的测试图片的双车牌车辆测试集对yolov3－tiny的各训练模型进行网络测试，保留精度最高的yolov3－tiny网络模型权重文件；基于所述车牌数据集C训练LPS/CR－NET字符分割与识别的网络模型结构，在车牌图片中定位各个字符的位置并识别各个字符；根据包含多张车牌测试图片的车牌测试集对LPS/CR－NET的各训练模型进行网络测试，初步确定精度较好的几个网络模型权重文件；基于yolov3－tiny的双车牌检测结果和字符排序方法，计算各个初步确定的LPS/CR－NET网络模型权重文件下车辆图片的双车牌识别正确率，保留正确率表现最高的LPS/CR－NET网络模型权重文件。2.根据权利要求1所述的车牌识别模型训练方法，其特征在于，所述根据收集的带有双车牌的车辆图片样本，构建双车牌车辆数据集B和车牌数据集C，包括：收集带有双车牌的车辆图片样本；采用矩形框对收集的所述车辆图片样本中的车辆、车牌、字符分别进行位置标定，形成车辆区域矩形框、车牌区域矩形框、字符区域矩形框；对经过位置标定的所述车辆图片样本进行旋转，得到数据扩增的数据集A；根据所述车辆区域矩形框，在所述数据集A的每张车辆图片样本中裁剪出车辆图片，构建双车牌车辆数据集B；所述双车牌车辆数据集B中每张裁剪出车辆图片的标注文件包括所述车牌区域矩形框和所述字符区域矩形框；根据所述车牌区域矩形框中的字符，利用字符排序算法计算车牌对应的车牌号；根据所述车牌区域矩形框，从构建的所述双车牌车辆数据集B的每张车辆图片中裁剪出车牌图片，构建车牌数据集C；所述车牌数据集C中裁剪出车牌图片的标注文件包括车牌对应的车牌号、字符区域矩形框、字符类别。3.根据权利要求2所述的车牌识别模型训练方法，其特征在于，所述采用矩形框对收集的所述车辆图片样本中的车辆、车牌、字符分别进行位置标定的步骤中，以带有双车牌的车辆图片样本中车牌左上角的角点为起始点按顺时针或逆时针方向形成车牌区域矩形框。4.根据权利要求1所述的车牌识别模型训练方法，其特征在于，所述根据收集的带有双车牌的车辆图片样本，构建双车牌车辆数据集B和车牌数据集C的步骤之后，还包括：将所述双车牌车辆数据集B和所述车牌数据集C均转为标准YOLO系列的数据格式。5.根据权利要求1所述的车牌识别模型训练方法，其特征在于，所述基于yolov3－tiny的双车牌检测结果和字符排序方法，计算各个初步确定的LPS/CR－NET网络模型权重文件下车辆图片的双车牌识别正确率，保留正确率表现最高的LPS/CR－NET网络模型权重文件，包括：通过yolov3－tiny网络检测出车牌区域；将检测出的车牌区域输入到LPS/CR－NET进行字符分割与识别；对字符分割识别结果进行字符排序，输出车牌号；2CN112329881A权利要求书2/2页若检测出车牌区域的位置与真值的