[发明专利]一种车牌字符识别方法及装置

说明书

本发明公开了一种车牌字符识别方法及装置，字符排序方法包括：收集车牌图片；对收集的车牌图片的字符进行位置标定形成n个字符区域矩形框；计算n个字符区域矩形框的平均宽度及平均高度；按字符区域矩形框的中心位置坐标的水平方向x坐标升序排列；默认所有字符在第二行；计算任意相邻两个字符区域矩形框K_i和K_j的水平距离及垂直距离构造判别式；判断K_j和K_i是否在第一行，计算K_i－1，K_i的水平距离及垂直距离，判断K_i－1是否在K_i所在的行位置；串联第一行和第二行的字符，输出车牌号。这种车牌字符排序方法，可以对不只有一行字符的车牌进行识别，并输出串联的车牌号，有效排除了位置异常的字符，提高车牌识别效果。

技术领域

本发明涉及车牌识别技术领域，具体涉及一种车牌字符识别方法及装置。

背景技术

由于车牌形式的多样化，有一些车牌的字符不再只有一行，在车牌字符可能为一行或两行的情况下，现有技术中基于序列标签训练的深度学习方法不再有效，车牌识别算法受到限制。因此，如何实现车牌字符不只在一行上的车牌的识别是目前亟需解决的技术问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的车牌识别方法难以对不只有一行字符的车牌进行识别的缺陷，从而提供一种车牌识别排序方法。

为解决上述技术问题，本发明的技术方案如下：

第一方面，一种车牌字符识别方法，包括：

获取车辆图片；

采用矩形框对车辆图片中的车牌的位置进行位置标定，得到车牌区域矩形框；

根据所述车牌区域矩形框，从所述车辆图片中截取车牌图片；

采用矩形框对所述车牌图片中的多个字符分别进行位置标注，得到多个字符区域矩形框；

采用预先训练的LPS/CR－NET网络模型识别每个所述字符区域矩形框内的字符的类别，得到字符类别识别结果；所述预先训练的LPS/CR－NET网络模型的训练步骤包括：

构建车牌数据集；

基于所述车牌数据集C训练LPS/CR－NET字符分割与识别的网络模型结构，并在车牌图片中定位各个字符的位置并识别各个字符；

根据包含多张车牌测试图片的车牌测试集对LPS/CR－NET的各训练模型进行网络测试，计算各个LPS/CR－NET网络模型权重文件的车牌识别准确率，保留正确率表现最高的LPS/CR－NET网络模型权重文件；

采用基于卷积神经网络对车牌识别模型进行训练，车牌识别模型的训练过程主要包括两个阶段：1)训练阶段，2)测试阶段；

在训练阶段，先基于车牌车辆数据集训练yolov3－tiny目标检测网络，实现在车辆图片中定位车牌区域；然后，基于车牌数据集训练LPS/CR－NET字符分割与识别的目标检测网络，实现在车牌图像块中定位各字符块位置及识别各字符；

在测试阶段，首先利用车牌车辆测试集对yolov3－tiny的各训练模型进行精度计算，然后保留精度最好的yolov3－tiny模型权重文件；利用车牌测试集对LPS/CR－NET的各训练模型进行精度评定，初步确定精度较好的几个权重模型；然后基于yolov3－tiny的双车牌检测结果和字符排序算法，计算各个初步确定的LPS/CR－NET模型权重下车辆图片的双车牌识别正确率和精度，保留正确率表现最高的LPS/CR－NET模型权重；

在基于车牌车辆数据集训练yolov3－tiny网络模型结构和基于车牌数据集训练LPS/CR－NET字符分割与识别的网络模型结构，并最终确定正确率表现最高的LPS/CR－NET网络模型权重文件的操作流程如下：