[发明专利]一种生成复杂环境下车牌训练样本的方法

说明书

本发明提出了一种生成复杂环境下车牌训练样本的方法，包括以下步骤：步骤一：生成标准车牌图片；步骤二：颜色扰动；步骤三：添加噪声；步骤四：添加边框；步骤五：仿射变换；步骤六：添加边框噪声及颜色扰动；步骤七：生成运动模糊效果。本发明可有效避免因车牌采集造成的人力、时间等成本，解决采集车牌数量、种类有限的情况，能够加快深度学习模型的训练速度。

技术领域

本发明涉及生成车牌训练样本技术领域，具体涉及一种生成复杂环境下车牌训练样本的方法。

背景技术

在目前车牌识别技术中，需要大量的车牌样本来对模型进行训练。目前现有的车牌样本获取方式主要通过人工采集、人工标注或者结合GAN网络来生成用于车牌识别神经网络训练所需要的样本。传统的方式通过人工收集含有车牌的图片、视频等数据并进行标注，使用标注好的车牌数据训练GAN网络，再使用训练好的GAN网络批量生成车牌样本，在成本、样本数量等方面都有着很大的缺陷，虽然可以使用GAN网络来生成车牌，但是GAN生成的车牌是依赖于训练GAN网络模型采集的车牌的，所以也存在很大的局限性。传统方式需要大量的人力、时间成本，采集到的车牌样本数量也有限而且无法满足复杂环境下识别模型训练所需要的样本类型。因实际场景中车牌比较复杂，通过普通的方法是无法使用电脑直接生成训练模型所需要的样本。

本申请使用了电脑生成的方式来产生训练车牌识别模型所需要的样本，首先生成标准车牌，在标准车牌的基础上，通过一定的步骤以及算法，使标准车牌转换为无限接近真实采集的车牌，另外通过设置不同的参数，还可以生成不同环境下的车牌样本，生成的样本可以使用的范围更广。可以用于卡口摄像机车牌识别模型训练、其他复杂环境下的车牌识别模型训练。从根源上解决了现有技术成本高、样本数量有限的问题。

发明内容

为了解决上述问题，本发明提出一种生成复杂环境下车牌训练样本的方法，解决了传统采集方式高成本、样本数量、类型有限等缺点。

为实现以上目的，本发明采用的技术方案是：

一种生成复杂环境下车牌训练样本的方法，包括以下步骤：

步骤一：生成标准车牌图片，这里的标准车牌包括国标中规定的车牌类型，以及现在新实行的新能源号牌，其中车牌号码为等概率随机产生；

步骤二：颜色扰动，对步骤一生成的标准车牌图片中的前景色、背景色在HSV颜色空间中进行特定的随机变化，随机变换的范围限制在蓝白、灰白、蓝灰范围内；通过该步骤可以把步骤一生成的标准车牌图片转化为在真实场景下受到光照强度因素影响下看到的车牌；

步骤三：添加噪声，通过矩阵加法运算，对步骤二生成的图片添加小噪声，模拟每个像素点的细微差别；

步骤四：添加边框，使生成的车牌图片贴近实际；

步骤五：仿射变换，使用随机的仿射变换操作，产生不同视角、不同距离下的车牌图片；

步骤六：添加边框噪声及颜色扰动：对添加的边框进行与步骤三相同的操作，并对添加的边框进行与步骤二相同的操作，使其与步骤二操作后的颜色一致，使增加的图片边框接近现实车牌周边的图像；

步骤七：生成运动模糊效果：对步骤六生成的车牌图片进行卷积操作，模拟车辆运动时的场景；卷积操作使用的卷积核大小以及内容都是随机产生的，选择以下两种卷积核进行卷积操作:①卷积核矩阵中心元素下部元素为0，中心元素上面的元素随着与中心元素距离增大不断减小；②卷积核矩阵中心元素上部分元素为0，中心元素下面的元素随着与中心元素距离增大不断减小。

优选的，所述步骤四添加边框通过以下步骤来实现，

a、生成一个空白的底图作为背景图，背景图的宽与高分别为原始图片宽度加上一个字符的宽度、高度加上一个字符高度；

b、随机生成一个坐标，把步骤三生成的图片叠加到背景图上。