[发明专利]一种基于深度学习的车牌定位方法及装置

权利要求书

1.一种基于深度学习的车牌定位方法，其特征在于，所述方法包括：

获得包含车牌的待定位图像；

将所述待定位图像输入特征提取网络，获得所述特征提取网络提取的特征图，将所述特征图输入选框网络，获得所述选框网络确定的所述待定位图像中车牌的候选区域；其中，所述特征提取网络和选框网络预先通过样本车牌图像训练而成；

对所述候选区域进行扩展，获得对应的扩展区域；

将所述扩展区域输入分类网络，获得所述分类网络确定的分类结果；其中，所述分类网络用于根据所述分类网络训练完成时获得的车牌区域周围的车辆纹理特征，确定所输入的扩展区域是否包含车牌区域的分类结果；

当所述分类结果表示所述扩展区域包含车牌区域时，从所述扩展区域中确定所述待定位图像的车牌区域；

所述选框网络为训练完成的区域提取网络；

所述选框网络包括全连接层、第一回归层、第二回归层、打分层和确定层；

所述将所述特征图输入选框网络，获得所述选框网络确定的所述待定位图像中车牌的候选区域的步骤，包括：

将所述特征图输入所述全连接层，所述全连接层按照预设的第一卷积窗口值对所述特征图进行卷积，获得全连接特征图，并将所述全连接特征图输入所述第一回归层；

第一回归层按照预设的第二卷积窗口值对所述全连接特征图进行卷积，获得第一特征图，并将所述第一特征图分别输入所述第二回归层和打分层，其中，所述第一特征图包含各个像素点对应的特征值；

所述打分层根据所述打分层训练完成时获得的参数，确定所述第一特征图中各个特征值对应的像素点是否属于车牌区域中的像素点及对应的分值，并将属于车牌区域中像素点且分值最高的预设数量个像素点确定为目标像素点，将所述目标像素点输入所述确定层；

所述第二回归层按照预设的第二卷积窗口值对所述第一特征图进行卷积，获得第二特征图，并将所述第二特征图输入所述确定层，其中，所述第二特征图包含各个像素点对应的选框区域；

获得所述确定层确定的所述待定位图像中车牌的候选区域；其中，所述待定位图像中车牌的候选区域为：所述第二特征图中目标像素点对应的选框区域。

2.根据权利要求1所述的方法，其特征在于，各个样本车牌图像中车牌区域的位置不同；和/或，各个样本车牌图像中车牌区域的尺寸不同；和/或，各个样本车牌图像的清晰度不同；和/或，各个样本车牌图像的拍摄角度不同；和/或，各个样本车牌图像中车牌区域之外的背景不同。

3.根据权利要求1所述的方法，其特征在于，所述对所述候选区域进行扩展，获得对应的扩展区域的步骤，包括：

判断预定位置是否超出所述待定位图像在预设方向上的边缘位置；其中，所述预定位置为：对所述候选区域的位置在预设方向上扩展预设距离之后的位置；预设方向为上方向、下方向、左方向、右方向中的一个；

如果是，则将所述待定位图像在预设方向上的边缘位置确定为扩展区域在预设方向上的位置；

如果否，则将所述预定位置确定为扩展区域在预设方向上的位置。

4.根据权利要求1～3任一项所述的方法，其特征在于，所述特征提取网络和选框网络是采用以下方式训练得到的：

获得样本车牌图像，所述样本车牌图像包含正样本车牌图像，所述正样本车牌图像包含真实车牌区域；

根据特征提取参数提取所述样本车牌图像的样本特征，获得样本特征图；

根据选框参数和所述样本特征图，确定所述样本车牌图像中车牌的样本候选区域；

确定所述样本候选区域与对应的真实车牌区域之间的差异，判断所述差异是否小于预设阈值；

如果否，则根据所述差异调整所述特征提取参数和选框参数，返回执行所述根据特征提取参数提取所述样本车牌图像的样本特征的步骤。