[发明专利]一种基于深度学习的车牌定位和识别方法

说明书

本发明提供了一种基于深度学习的车牌定位和识别方法，包括：步骤1，对训练集的车牌区域尺寸应用k‑means++算法处理，选择最佳的候选尺寸，结合到FasterR‑CNN；步骤2，利用FasterR‑CNN训练图片，得到模型；步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；步骤4，将获取的特征图经过RPN网络输出车牌位置和分数；步骤5，将车牌区域从原图中截取下来；步骤6，截取的车牌区域通过AlexNet‑L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符，本发明采用基于FasterR‑CNN的方法进行车牌定位，采用AlexNet‑L的端对端的车牌字符识别方法，可以有效地提高对车牌定位和字符识别的准确率。

技术领域

本发明涉及车牌识别技术领域，具体为一种基于深度学习的车牌定位和识别方法。

背景技术

车牌识别系统(Vehicle License Plate Recognition，VLPR)是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)进行处理的技术。车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理，交通流量控制指标测量，车辆定位，汽车防盗，高速公路超速自动化监管、闯红灯电子警察、公路收费站等等功能。对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。

汽车牌照号码是车辆的唯一“身份”标识，牌照自动识别技术可以在汽车不作任何改动的情况下实现汽车“身份”的自动登记及验证，这项技术已经应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场合。

现有的基于车牌字符分割的车牌识别方法，绝大多数实验是在理想的环境下进行的。一旦遇到诸如车牌模糊，受光照影响大，车牌倾斜等情况，车牌识别的准确率将会大大地降低。除此之外，车牌字符无法正确分割也将直接影响了车牌字符识别的效果。

发明内容

本发明的目的在于提供一种基于深度学习的车牌定位和识别方法，以解决上述背景技术中提出的问题，本发明利用k-means++算法来选择最佳车牌区域尺寸，结合FasterR-CNN来进行车牌定位，且对AlexNet网络模型进行了改进，设计出基于AlexNet-L的端与端的车牌字符识别方法。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的车牌定位和识别方法，包括两个方面：基于Faster R-CNN模型的车牌定位和基于AlexNet-L网络模型的端对端的车牌字符识别；

步骤1，对训练集的车牌区域尺寸应用k-means++算法处理，选择最佳的候选尺寸，结合到Faster R-CNN；

步骤2，利用Faster R-CNN训练图片，得到模型；

步骤3，输入一张包含车牌的图片，经过卷积处理之后，得到特征图；

步骤4，将所得的特征图经过全卷积神经网络RPN处理后,得到候选框，将获取的特征图和候选框一起经过ROI pooling处理后进行分类，输出车牌位置和分数；

步骤5，将车牌区域从原图中截取下来；

步骤6，截取的车牌区域通过AlexNet-L网络模型的端对端的卷积神经网络，最终输出车牌上的各个字符。

进一步的，由于中国的车牌区域比例为440cm*140cm，近似为3:1，为了确切地反映各种图片中车牌区域的大小，采用k-means++算法来选定3个比例的长宽比；

k-means++算法需要采用模型预测的候选框和标记的候选框的交叠率(IoU)为指标，IoU的计算方式为：