[发明专利]一种基于深度学习的车牌识别方法

权利要求书

1.一种基于深度学习的车牌识别方法，其特征在于，包括如下步骤：

步骤1：训练一个用于车牌字符检测的深度卷积神经网络模型M；构建车牌字符标签集合B＝{b_i|i＝1,2,…,n,n＝67}＝{‘0’,‘1’,‘2’,‘3’,‘4’,‘5’,‘6’,‘7’,‘8’,‘9’,‘A’,‘B’,‘C’,‘D’,‘E’,‘F’,‘G’,‘H’,‘I’,‘J’,‘K’,‘L’,‘M’,‘N’,‘O’,‘P’,‘Q’,‘R’,‘S’,‘T’,‘U’,‘V’,‘W’,‘X’,‘Y’,‘Z’,‘京’,‘津’,‘冀’,‘晋’,‘蒙’,‘辽’,‘吉’,‘黑’,‘沪’,‘苏’,‘浙’,‘皖’,‘闽’,‘赣’,‘鲁’,‘豫’,‘鄂’,‘湘’,‘粤’,‘桂’,‘琼’,‘渝’,‘川’,‘贵’,‘云’,‘藏’,‘陕’,‘甘’,‘青’,‘宁’,‘新’}；

步骤2：将定位得到的车牌图像I输入到车牌字符检测网络M，输出候选车牌字符集合H＝{h_i|i＝1,2,3…,n_H}，其中，n_H表示集合H的元素个数，h_i表示集合H的第i个候选车牌字符，h_i是由(b,q,r)构成的三元组，b表示候选字符的类别标签，b∈B，q表示候选字符的置信度，q∈[0,1]，r是由(x,y,w,h)构成的四元组，r表示候选字符的外接矩形框，x、y、w和h分别表示矩形框的左上角横坐标、左上角纵坐标、宽度和高度；

步骤3：对步骤2得到的候选车牌字符集合H，按候选车牌字符最小外接矩形的左上角横坐标h_i.x由小到大将H重排序，得到集合C＝{c_i|i＝1,2,3,…,n_C}，c_i表示集合C的第i个候选车牌字符，c_i是由(b,q,r)构成的三元组，n_C表示集合C的元素个数；

步骤4：对步骤3得到的集合C进一步执行筛选操作，具体步骤为：

步骤4.1：按序遍历C，对若c_i.qT_q，则将c_i加入集合D，并将c_i从集合C中删除；否则将c_i留在集合C；最后，得到D＝{d_i|i＝1,2,…,n_D}，d_i是由(b,q,r)构成的三元组，n_D表示集合D中元素的数量；其中，c_i.q表示候选字符c_i的置信度，T_q表示置信度阈值；

步骤4.2：按序遍历步骤4.1得到的集合C，对按公式(1)计算a，若a≠φ，则将元素a从集合C中删除；否则，不执行操作；

其中，c_i.r表示候选字符c_i的外接矩形框，c_i+1.r表示候选字符c_i+1的外接矩形框，T_over表示矩形框的重叠阈值，|·|表示矩形框的面积，∩运算表示求取两个矩形框的交集；

步骤4.3：根据步骤4.2得到的集合C和步骤4.1得到的集合D，对若满足公式(2)，记录下使得d_j满足公式(2)的i值，并将d_j插入集合C作为第(i+1)个元素；其中，表示步骤4.2删除的元素数量，d_j表示集合D的第j个元素，j＝1,2,…,n_D；

其中，c_i.r.x、c_i.r.y、c_i.r.w和c_i.r.h分别表示候选字符c_i外接矩形框的左上角横坐标、左上角纵坐标、宽度和高度；d_j.r.x、d_j.r.y、d_j.r.w和d_j.r.h分别表示候选字符d_j外接矩形框的左上角横坐标、左上角纵坐标、宽度和高度；

步骤5：对步骤4.3得到的集合C，首先，按序遍历集合C，若满足公式(3)，将c_i加入集合E，并将c_i从C中删除，其中n_l表示步骤4.3增加的元素数量；然后，遍历集合C的剩余元素，依次加入到集合E；最终得到E＝{e_i|i＝1,2,3…,n_E}，e_i表示集合E的第i个候选车牌字符，n_E表示集合E的元素个数；

步骤6：对步骤5得到的集合E，按序遍历集合E，将集合E中所有元素的标签串联成车牌识别结果其中，e_i.b∈B，e_i.b表示集合E的第i个候选车牌字符的标签，Σ表示字符串联操作；

步骤7：算法结束。