[发明专利]一种车牌识别方法

说明书

本发明提供一种车牌识别方法，包括以下步骤：S1.通过摄像头获取图片数据；S2.构建Faster RCNN网络模型；S3.构建LPRNet网络模型；S4.将步骤S1获取的图片数据输入Faster RCNN网络模型，从图片中识别出车牌边框的位置，并提取车牌边框内的图像；S5.将提取的车牌边框内的信息输入LPRNet网络模型，提取车牌信息。本发明利用Faster RCNN网络模型识别出图片中的车牌边框的位置，再通过LPRNet网络模型对车牌边框内的图像进行整体卷积形成识别序列，提取车牌信息，识别的精准度更高。

技术领域

本发明及图像处理技术领域，尤其涉及一种车牌识别方法。

背景技术

随着城市车辆的日益增多，交通管理的压力也逐年增大，车辆检测与识别技术依然是一个需要不断创新的热点。对于车牌检测与识别在特定场合已经可以做到准确识别，例如逐渐成熟的无人停车场，通过图像处理技术手段对出入的车辆进行车牌识别，进行计时和自助收费。在道路交通的现实环境中，车牌检测与识别的技术应用具有重要意义，如公路收费、交通流量管控、车辆定位与监测、汽车防盗、违法驾驶自动监管和电子警察等现实应用。

近些年来，图像处理技术的发展也让车牌识别的方法多种多样。传统的车牌识别技术主要有：基于SVM分类器的方法和基于模板匹配的方法。传统图像算法车牌识别步骤为：对车牌图片矫正，修正角度偏差过大的图片；对矫正后的车牌图片进行字符分割，提取单个的候选字符框；利用训练好的模型对分割后的候选字符框分类判别，组合识别结果，最终输出车牌信息。采用传统的算法有一定的缺陷，在车牌字符预处理时设定阈值不妥当就可能导致识别的精度不高；对于现代车牌的颜色类别多种多样，利用传统图像手段区分车牌颜色时存在相应的分类误差；车牌旋转调整、车牌字符分割和车牌字符识别等各个部分也一样存在误差，全部的误差累计起来很难做到一个通用性高、准确率高的技术方案。

中国专利公开号CN109344825A，公开日期2019年2月15日，该专利公开了一种基于卷积神经网络的车牌识别方法，首先对车牌图像进行预处理，构建车牌训练样本集；再构建由CNN卷积网络层、RPN候选区域提取层、ROI pooling层和判别层组成的Faster R-CNN网络模型；通过多任务损失不断训练模型，生成一个准确率高的Faster R-CNN网络模型；最后利用训练好的Faster R-CNN网络模型进行车牌识别，获取车牌字符框位置信息与类别信息，再利用先验知识对字符位置进行判定，对识别的车牌字符进行排序整合，输出车牌识别结果；该专利利用先验知识对字符位置进行判定时，将检测到的车牌字符进行逐一分割，再对分割后的字符逐一识别，当分割精度不高时会直接影响到后续的车牌识别，造成误差的积累。

发明内容

本发明的目的在于克服现有车牌识别方法中将车牌字符进行逐一分割识别，分割识别会累积误差，导致最终识别结果精准度低的缺点，提供一种车牌识别方法。本发明利用Faster RCNN网络模型识别出图片中的车牌边框的位置，再通过LPRNet网络模型对车牌边框内的图像进行整体卷积形成识别序列，提取车牌信息，识别的精准度更高。

为解决上述技术问题，本发明采用的技术方案是：一种车牌识别方法，包括以下步骤：

S1.通过摄像头获取图片数据；

S2.构建Faster RCNN网络模型，所述Faster RCNN网络模型包括Back-bone共享卷积网络，RPN区域候选框生成网络和Classifier network候选框分类网络；

S3.构建LPRNet网络模型，所述LPRNet网络模型包括Small Basic Block网络；

S43.将步骤S1获取的图片数据输入Faster RCNN网络模型，从图片中识别出车牌边框的位置，并提取车牌边框内的图像；

S5.将提取的车牌边框内的信息输入LPRNet网络模型，提取车牌信息。