[发明专利]一种船牌检测模型结构、建模方法及模型的训练方法

说明书

本发明公开了一种船牌检测模型结构，该检测模型基于卷积神经网络。本发明的另一个目的在于提供一种船牌检测建模方法，利用该方法搭建基于卷积神经网络的船牌检测模型，使得外部输入的整体船舶图像样本数据经特征提取后，分别作出分类与位置回归，进而将船牌从背景中精确地检测出来。本发明的又一个目的在于提供一种船牌检测模型的训练方法，相比于现有技术，在本发明当中基于卷积神经网络，采用SSD框架搭建船牌检测模型，对其训练后得到可用的模型，其模型结构简单、计算速度快，网络参数少，利用该船牌检测模型对监控设备传回的整体船舶图像进行处理时，可准确从整体船舶图像中检出船牌，应用在具体的水运监管领域中，取得了良好的图像处理效果。

技术领域

本发明属于图像处理技术领域，特别涉及基于卷积神经网络的一种针对船牌的图像处理模型。

背景技术

交通运输行业中，为实现自动化监管，管理部门通常在需求的交通卡口处(如陆路卡口、水路卡口等)架设监控设备，利用监控设备对对应卡口摄录卡口监控画面，对监控画面做相应的处理后实施对应的监管措施，进而取得预期的交通管控效果。

在对对应交通卡口进行监管时，对行经卡口的对应的交通工具的识别与跟踪监控，是交通监管任务中的重要的一环。为完成这一任务，传统手段通常为监管人员利用图像处理技术，对监控设备传送回来的监控画面进行处理，从而获取到对应的交通工具的有效牌照信息，进而实现对过路交通工具的监管。

传统的图像处理技术往往需要手工设计特征，或采用SIFT，HOG，HARR等算法提取图片特征。例如在专利申请号为“201910776944.0”的专利申请文件中公开了一种低照度成像车牌识别方法、车牌识别系统、计算机设备及存储介质，该车牌识别方法包括：将通过摄像模块获取的原始车牌低照度图像输入基于深度学习的多尺度上下文聚合网络进行图像处理，以获得可辨识度提高的车牌图像；对所述车牌图像进行车牌定位和车牌倾斜校正处理，以获得定位后的车牌图像；将定位后的所述车牌图像分割成多个车牌字符；对各个所述车牌字符进行识别。该方法中采用HOG算法对输入图像进行提取特征、降维、训练和预测、结合识别等操作，解决图像细节不够清晰，识别细节不够准确，处理效果往往根据环境不同而变化较大等问题，进而取得理想的车牌图像识别结果。

然而，以上述HOG算法为代表，传统的图像处理技术应用到具体的图像处理应用场景中时，往往具有步骤繁琐、程序复杂、提取出的特征代表性不强，适用性差等缺点，其可用性不强，不利于其在图像处理技术领域中得到推广。

具体到水路运输领域，水运环境下，监控设备通常架设在岸边，在自然环境下对目标水域进行监控时，受水面环境、船只航向、船舶自身尺寸等种种因素影响，监控设备摄录到的船舶画面往往不尽如人意，使用传统的图像处理技术处理起来十分困难。

而进一步地，目前我国的水面行船的船牌尚未统一制式，出现在各个船只摄录画面中的船舶，一部分采用悬挂船牌的方式，也有相当一部分采用印刷船牌的方式，如何准确识别船舶的船牌位置，并进一步地将船牌部分图像从整体船舶图像样本数据中检出，是本领域技术人员急需解决的一个技术问题。

作为近年来的一个全新的机器学习领域研究方向，深度学习因其学习能力强、覆盖范围广、可移植性好等特点，逐渐在越来越多需求图像处理的场景中得到了充分应用。

卷积神经网络(CNN，Convolutional Neutral Networks)是一种深度学习算法，基于该算法建立的模型结构类似于人工神经网络中的多层感知机，主要由输入层，卷积层，激活函数，池化层和全连接层组成，建立好的算法模型能建立起输入到输出的复杂映射关系，应用在具体的图像处理场景中时，能很好地提取图像的纹理、形状和颜色等特征，而且对图片中物体位置，缩放和形变适应性良好，整体系统鲁棒性强，表达能力强，相比于传统的图像处理技术具有明显优势。

如何将卷积神经网络应用到船只监控画面的自动识别处理，尤其是定位船舶图片中船牌的位置并有效识别，将卷积神经网络技术具体应用到船牌检测识别领域中，在此之前尚无具体专利文献或技术资料记载并公开。