[发明专利]一种基于神经网络的车牌识别方法

说明书

本发明公开了一种基于神经网络的车牌识别方法，包括以下车牌识别方法步骤：输入图像，摄像头采集到的图像数据经过训练后得到的yolo模型，进行一次前向计算后，能够得到图像中车牌的具体位置(x,y)、w、h和置信度c，车牌的具体位置为矩形区域A；确定车牌四个顶点坐标，将S3中的图像作为车牌角度矫正模型的输入数据，经过经过模型的一次前向计算得到车牌四个角点的坐标(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分别表示为车牌左上角、左下角、右下角、右上角位置。本发明车牌定位使用YOLO算法，相比传统车牌定位方法具有定位精度高且速度快的特点。

技术领域

本发明涉及车牌识别技术领域，更具体地说，本发明涉及一种基于神经网络的车牌识别方法。

背景技术

车牌识别在人们日常生活中经常见到，目前已成为智慧交通的重要组成部分。近年来车牌识别技术虽然发展迅速，但是受限于车辆的使用环境(光线较强或者较弱、车牌污染、雨雪大雾天气等)使得车牌识别的各个环节中始终存在一些问题，导致识别精度有限：

车牌检测，传统方法使用RGB、HSI设置阈值条件或者传统机器学习算法来对车牌位置进行定位，会面临伪车牌、边框定位精度低等问题，这无疑会影响后续字符识别的精度。

字符分割，受车牌定位精度、环境因素(光线较强或者较弱、车牌污染、雨雪大雾天气等)，将导致车牌字符分割不准确。

字符识别，传统方法如神经网络、支持向量机识别精度有限。

为此，本发明提出一种基于神经网络的车牌识别方法。

发明内容

针对现有技术的不足，本发明提供了一种基于神经网络的车牌识别方法。

为实现上述目的，本发明提供如下技术方案：一种基于神经网络的车牌识别方法，包括以下车牌识别方法步骤：

S1：输入图像，摄像头采集到的图像数据经过训练后得到的yolo模型，进行一次前向计算后，能够得到图像中车牌的具体位置(x,y)、w、h和置信度c，车牌的具体位置为矩形区域A；

S2：定位车牌，将S1中的矩形区域A进行扩展，左右各扩展w/2，上下各扩展h/2，得到矩形区域B；

S3：选取车牌扩展区域，将矩形区域B统一变换成64*64pix大小的图像；

S4：确定车牌四个顶点坐标，将S3中的图像作为车牌角度矫正模型的输入数据，经过经过模型的一次前向计算得到车牌四个角点的坐标(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分别表示为车牌左上角、左下角、右下角、右上角位置；

S5：对车牌角度矫正，将上述(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)坐标进行等比例缩放，转换成在矩形区域B内的坐标(X1,Y2)、(X2,Y2)、(X3,Y3)、(X4,Y4)；矩形区域B内针对坐标(X1,Y2)、(X2,Y2)、(X3,Y3)、(X4,Y4)区域进行透视变换，得到车牌的正视图；

S6：文字识别和颜色识别，将车牌的正视图尺寸统一变换，输入到颜色识别模型中，经过softmax分类器输出颜色概率最大的颜色，即为当前车牌的颜色，车牌正视图输入OCR模型中进行字符识别；

S7：输出结果。

优选的，所述S1中，使用yolo算法，对yolo-v3模型进行剪枝处理，可以进一步提高运算速度，车牌定位模型由事先准备好的大量包含车牌的图像，然后经过yolo算法训练得到。

优选的，所述S2中，用经过标记的训练数据卷积神经网络训练线性回归模型，用于识别车牌四个角点在图中的坐标。

优选的，所述S5中，透视变换是将图像平行四边形的视平面投影到矩形的视平面的过程。