[发明专利]一种自然场景下的船牌检测方法

说明书

本发明提供一种自然场景下的船牌检测方法，该方法包括以下步骤：1)数据获取：通过摄像头采集进出港口船舶的视频；2)数据处理：对视频进行处理，筛选出含船牌图片；3)数据标注：对图片进行船牌标注；4)模型训练：用目标检测模型训练船牌检测；5)模型检测：用训练好的船牌检测模型对图片进行检测，获得图片中每个船牌位置。本发明选取深度学习模型R2CNN，能识别多角度船牌，提高对船牌的检测速度和准确率，具有较高的实际应用价值。

技术领域

本发明涉及计算机应用技术领域及目标检测领域，特别是涉及一种自然场景下的船牌检测方法。

背景技术

近年来，随着港口经济日益繁荣发展，渔业工程与航运工程的规模不断扩大，船舶数量不断增加，与此同时，海上非法走私、非法捕鱼等行为也随之涌现。由于经常存在人工关闭AIS逃避监管的情况，传统的人工检测时效性差、危险性强，难以实现船只的有效监管。为了强化管理的维度与力度，港口区域架设了大量的高清监控摄像头，可以远距离捕获海上船只的视频图像，为后期执法提供直接证据，所以船牌检测技术越来越重要。

当下车牌检测技术发展迅速，运用广泛，如小区车辆管理，交通路口违规检测等，但这种技术并没有很好的应用到船牌检测中。由于船牌标准未统一，船牌悬挂位置不统一，船牌背景颜色与字符颜色多种多样，且理想情况下用摄像机拍摄的船牌图像是一个矩形，但是由于船只通过航道时,其位置的不确定性和摄像装置的放置因素所引发的摄像机与船牌之间的角度变化，不可避免地使拍摄的图像产生比较明显的畸变和倾斜现象。这种不同程度的图像变形会对检测系统带来不利影响，容易造成字符误分割，从而导致了船牌识别率的下降。所以车牌检测技术难以直接移植到船牌检测中，导致船牌检测相关研究较少且技术不成熟。

因此，为解决以上问题，需要一种基于深度学习的船牌检测方法，能够避免现有技术中的船牌检测技术存在精度低、速度慢、效果差的技术问题。

发明内容

为了克服现有技术的不足，本发明提供一种自然场景下的船牌检测方法，可以有效提高船牌检测的速度和准确率。

本发明解决其技术问题所采用的技术方案如下：

一种自然场景下的船牌检测方法，包括以下步骤：

S1：数据获取：通过摄像头采集船舶的视频；

S2：数据处理：对采集到的视频进行处理，得到含有船牌的图片；

S3：数据标准：对含有船牌图片进行标注；

S4：模型训练：训练船牌检测模型-R2CNN模型；

S5：模型测试：用训练好的模型对船牌图片进行检测，获得船牌的位置，面积和得分，通过筛选后，得到完整船牌图片；

优选地，所述步骤S1中，利用摄像头采集船舶的视频，视频来源为港口进出船舶、码头进出船舶、海上航行船舶和岸边停靠船舶。

所述步骤S2中，包括以下步骤：

S2-1：使用数字图像方法处理视频，获取视频中含有船只的时刻，并隔0.5s 保存图片，数字图像方法包括帧间差分法、光流法或背景减法；

S2-2：人工筛选出含有船牌的图片。

所述步骤S3中，训练船牌检测模型-R2CNN模型，将含有船牌图片都变换成1920*1080大小，通过标注软件标定船牌边框，标签类别设为‘ship_card’，生成xml文件。

所述步骤S3中，包括以下步骤：

S3-1:将图片输入resnet101中，提取图片特征，输出两个不同大小的featuremap；