[发明专利]一种基于分块的车牌区域回归技术的车牌检测方法

说明书

技术领域

本发明涉及智能交通系统和数字安防领域，具体涉及一种基于分块的车牌区域回归技术的车牌检测方法。

背景技术

车牌识别是智能交通系统(ITS)领域的基础部分和重要环节，对智能交通系统的其他部分如车标识别、车身颜色分析、车型分析、卡口检测、电子警察，及其他交通事件相关模块的处理好坏有着重要的影响。

传统的车牌识别系统，大致分为车牌检测、车牌定位、字符分割及字符识别等几个子模块。其车牌检测环节使用检测器在全图或感兴趣区域(ROI)进行扫描分类，要考虑到尺度和横纵比等问题，计算量比较大；车牌定位如上下边确定由于受到光线、图像质量、车牌大小等因素影响难以精确，对后续字符分割和识别影响很大。并且，传统的车牌检测系统存在需要遍历滑动窗，比较耗时的问题。

发明内容

本发明针对现有技术存在的问题，提出一种基于分块的车牌区域回归技术的车牌检测方法。

本发明的一种基于分块的车票区域回归技术的车牌检测方法，包括如下步骤：

步骤a：进行车辆检测，获得目标车辆，由目标车辆确定整个车牌检测区域；

步骤b：将所述车牌检测区域划分成n个小块，各小块之间部分重叠；

步骤c：使用深度神经网络模型拟合得到大致的车牌区域，同时获得该区域是真车牌的可信度；以及

步骤d：根据所述车牌区域的位置与可信度的关系，融合得到最终的车牌区域。

优选地，步骤b中，n＝5或9。

优选地，步骤c中，所述可信度的数值范围为0～1，0表示真车牌的可信度为0，1表示真车牌的可信度为100％。

优选地，所述深度神经网络模型包括依次连接的3个卷积层和3个全连接层，最后一个全连接层包含两个分支，一个分支为预测的车牌区域矩形的左上角和右下角坐标，另一个分支为真假车牌的分类。

优选地，步骤d中，融合的方法进一步包括：

步骤d1：对结果按真车牌的可信度从大到小进行排序；

步骤d2：对排序结果做二值化操作，即可信度与选定的阈值进行比较，若高于阈值则认为是真车牌，否则认为是假车牌；

步骤d3：在真车牌集合中获得车牌候选区域，如果真车牌集合为空则该目标车辆区域判定为无车牌。

优选地，步骤d3中，通过Max策略在真车牌集合中，选择可信度最高的检测结果为车牌候选区域；或者通过Avg策略在真车牌集合的车牌检测位置根据其可信度进行加权平均获得车牌候选区域。

优选地，步骤d之后还包括车牌位置优化步骤d’，采用深度学习模型对车牌区域进行优化，获得优化后的车牌区域。

本发明具有如下有益效果：

1、本发明采用分块的车牌区域回归技术，降低车牌检测的时间；

2、本发明引入深度学习模型，提高车牌检测识别率；

3、本发明车牌检测在各种特殊情况下的鲁棒性。

附图说明

图1为本发明的基于分块的车牌区域回归技术的车牌检测方法的流程示意图。

图2为本发明的车牌检测5块子区域划分示意图。

图3为本发明的车牌检测深度网络结构图。

图4为本发明的子块车牌检测结果示意图。

图5为本发明的车牌检测位置优化示意图。

具体实施方式

下面通过实施例对本发明作进一步说明，其目的仅在于更好地理解本发明的研究内容而非限制本发明的保护范围。

参考图1，本发明的一种基于分块的车牌区域回归技术以及基于深度学习、特别是卷积神经网络的车牌检测方法，包括如下步骤a～d。

步骤a：进行车辆检测，获得目标车辆，由目标车辆确定整个车牌检测区域。

车辆检测的目的是在整个相机视野领域检测到真正的车辆区域，排除背景区域及干扰的部分，从而减少误检，提高车牌检测的准确率，并且降低后续处理的时间消耗。本发明使用现有的常规车辆检测的方法，例如可以使用运动分析技术，建立背景模型，提取前景，也可以使用车辆检测器进行静态检测，并进行目标关联。或者两者结合，得到真正感兴趣的目标车辆。

步骤b：将所述车牌检测区域划分成n个小块，各小块之间部分重叠。