[发明专利]车牌识别方法及装置

说明书

本发明公开了一种车牌识别方法及装置。其中，该方法包括：接收待检测的目标图像；采用目标检测模型初次定位上述目标图像中的车牌区域，其中，上述车牌区域中至少包括：车牌；基于目标颜色模型和左右边缘回归模型对上述车牌区域进行二次定位；采用目标神经网络对上述二次定位后的车牌区域进行内容识别，得到上述车牌的车牌信息。本发明解决了传统的车牌识别方法识别车牌字符的识别准确率以及识别效率较低的技术问题。

技术领域

本发明涉及识别技术领域，具体而言，涉及一种车牌识别方法及装置。

背景技术

车牌识别作为智能交通系统的基础核心技术，车牌检测定位则是车牌识别中的关键的环节之一。90年代以后，由于计算机性能的提升和图像处理技术的快速发展，车牌识别技术的识别效率得到了很大的提高，随后有应用数字图像处理技术完成了车牌识别系统，并提出模板匹配的识别技术，以及通过光学字符识别技术利用边界跟踪技术对字符特征进行提取，后来又提出多样的轮廓和检测机制进行车牌定位然后基于连通域分析和欧式距离来对车牌字符进行分割。

但是，传统的车牌识别方法大多是人工对图像进行处理后通过总结图像特点，以实现车牌的定位和识别，由于目前的识别场景更加复杂(例如光照条件，变形车牌，污垢车牌等)，导致对车牌字符的识别准确率以及识别效率较低。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种车牌识别方法及装置，以至少解决传统的车牌识别方法识别车牌字符的识别准确率以及识别效率较低的技术问题。

根据本发明实施例的一个方面，提供了一种车牌识别方法，包括：接收待检测的目标图像；采用目标检测模型初次定位上述目标图像中的车牌区域，其中，上述车牌区域中至少包括：车牌；基于目标颜色模型和左右边缘回归模型对上述车牌区域进行二次定位；采用目标神经网络对上述二次定位后的车牌区域进行内容识别，得到上述车牌的车牌信息。

进一步地，上述目标检测模型至少包括：YOLO V3目标检测模型；上述目标颜色模型至少包括：六角锥体HSV颜色模型；上述目标神经网络至少包括：基于门控循环单元GRU的目标神经网络。

进一步地，在接收待检测的目标图像之前，上述方法还包括：获取多个样本图像，其中，上述样本图像中至少包括：样本车牌和样本车牌区域；标注上述样本图像中的上述样本车牌和上述样本车牌区域；基于上述标注的样本图像训练得到上述目标检测模型。

进一步地，在接收待检测的目标图像之前，上述方法还包括：控制摄像设备拍摄目标物体得到图像序列，上述目标物体至少包括：车辆；通过分析处理上述图像序列得到上述目标图像，其中，上述目标图像至少包括：视频图像。

进一步地，在采用目标颜色模型和左右边缘回归模型对上述车牌区域进行二次定位之前，上述方法还包括：获取上述车牌的长宽尺寸数据和长宽比例；基于上述长宽尺寸数据和上述长宽比例，对初次定位得到的上述车牌区域进行修正处理。

进一步地，在基于目标颜色模型和左右边缘回归模型对上述车牌区域进行二次定位之前，上述方法还包括：检测上述目标图像的颜色模型是否为RGB颜色模型；在检测结果指示上述颜色模型为上述RGB颜色模型的情况下，将上述目标图像的颜色模型从上述RGB颜色模型转换至上述目标颜色模型。

进一步地，基于目标颜色模型和左右边缘回归模型对上述车牌区域进行二次定位，包括：确定上述车牌的颜色信息；基于上述颜色信息和上述目标颜色模型，对上述目标图像进行颜色约束处理；对进行上述颜色约束处理后的上述目标图像进行图像处理，其中，上述图像处理至少包括：灰度化处理和二值化处理；基于上述左右边缘回归模型对进行上述图像处理后的目标图像中的上述车牌区域进行二次定位。