[发明专利]面向智能终端的车辆信息采集识别方法及系统

说明书

本发明涉及数字图像处理技术与人工智能领域，尤其是面向智能终端的车辆信息采集识别方法及系统中的应用。该识别方法先对采集的图像进行调整，再进行车牌定位，然后对图像进行投影变换和旋转校正，之后进行精确定位，对车牌图像进行字符分割和字符识别，最后得到车牌识别结果；面向智能终端的车辆信息采集系统包括智能终端子系统和服务器端子系统，智能终端子系统和服务器端子系统通过网络传输数据。为了克服现有的信息采集人员人工采集车辆信息的方式，本发明提出了面向智能终端的车辆信息采集识别方法及系统，能够精确、快速地识别停放车辆的车牌号码以及其他车辆信息，解放信息采集人员的劳动时间，提高办事效率。

技术领域

本发明涉及数字图像处理技术与人工智能领域，尤其是深度学习在面向智能终端的车辆信息采集识别方法及系统中的应用。

背景技术

随着汽车数量的迅速增加，车辆管理方法已经不满足如今的需求，采集车辆效率不高，导致很多车辆管理问题，其中违规停车问题已经成为社会的“顽疾”。交警现在对违规停车数据还处在人工异步处理；首先采集拍摄违规停车图像，然后手动开罚单，接着上传违规停车信息到服务器，最后才是用户对违规信息的查询。期间，工作周期过长，数据多次传输，容易发生管理上的失误。

深度学习处于发展阶段，在嵌入式端应用还处于起步阶段，在运算速度上，计算精度都有一定的局限性，其中计算速度对深度学习在嵌入式的应用发展有绝对性的地位，在嵌入式系统中计算速度上有两个重要的因素，参数量和计算代价。其中VGG16分类网络有1亿2千8百万个训练参数(占据内存92759Kb)，并且计算代价为153亿个(衡量标准为float32op的个数)，如此庞大的计算代价和训练参数，对嵌入式的系统是一个莫大考验。

对于现有的深度学习的目标检测算法；r-cnn、yolo、SDD系列。其中r-cnn系列的检测速度慢，但检测精度高。yolo·系列速度和精度都有提升，但是对小目标的检测能力很低下，而车牌在图像占的比例很小。SDD算法对在精度和速度相比前两算法都有很大的提升，但是在嵌入式系统中，达到实时性的需求还是有很长的地方值得改进。

发明内容

发明目的：

为了克服现有的人工采集车辆数据方式，本发明提出了面向智能终端的车辆信息采集识别方法及系统，能够精确、快速地识别相关车辆的车牌号码和车辆位置信息，解放信息采集人员的劳动时间，提高办事效率。

技术方案：

本发明是通过以下技术方案实现的：

面向智能终端的车辆信息采集识别方法，该方法的步骤如下：

步骤一：对采集的车辆图像进行调整；

步骤二：对步骤一获取的图像运用SSD目标检测算法进行车牌初步定位；

步骤三：对定位后的图像进行投影变换和旋转校正，得到水平车牌；

步骤四：对水平车牌进行精确定位，之后对车牌图像字符分割，再进行字符识别；

步骤五：得到最终的车牌识别结果。

步骤二具体包括以下步骤：

步骤A：对采集到的图像根据车牌位置设置经验区域，减小数据大小；

步骤B：对处理后的图像采用SSD算法进行车牌检测，SSD算法网络结构分为两个部分，前端进行压缩数据，后端进行特征提取，引入多尺度卷积层得到不同尺寸的特征图，检测多尺度车牌。

步骤四具体步骤如下：

步骤a：去除校正后车牌图像中多余的像素块，得到精确定位车牌位置；

步骤b：再将车牌图像分割成待识别的字符块：采用临域自适应阈值，寻找出字符的轮廓，利用函数得到最小外接矩形并把轮廓圈出；