[发明专利]一种基于深度学习的车牌定位方法及装置

说明书

本申请实施例提供了一种基于深度学习的车牌定位方法及装置。所述方法包括：将获得的待定位图像输入特征提取网络，获得特征提取网络提取的特征图，将特征图输入选框网络，获得选框网络确定的所述待定位图像中车牌的候选区域；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；对候选区域进行扩展，将获得的扩展区域输入分类网络，获得分类网络确定的分类结果；分类网络用于根据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；当分类结果表示扩展区域包含车牌区域时，从扩展区域中确定待定位图像的车牌区域。应用本申请实施例提供的方案，能够在复杂场景下提高车牌定位的准确率。

技术领域

本申请涉及智能交通技术领域，特别是涉及一种基于深度学习的车牌定位方法及装置。

背景技术

随着数字图像处理、模式识别和人工智能技术的日趋成熟，车牌识别技术也在不断改进。其中，车牌识别是实现智能交通系统的基础。通常，车牌识别过程包括车牌定位、字符分割、字符识别三个环节，而车牌定位是车牌识别中十分重要的环节。

现今不乏高准确率的车牌定位技术，但其多是基于交通卡口的监控图像进行的定位。在现有的定位方法中，可以基于边缘检测，利用车牌区域的边界像素值与非车牌区域的像素值差异很大的特点，从待定位图像中将车牌区域定位出来。

通常，基于交通卡口场景拍摄出的图像有着倾斜角度小、清晰度高、车牌区域位置固定和场景单一等特性，这些特性有助于保证现有的定位方法的准确率。而在类似于使用球形摄像机拍摄的非交通卡口监控场景中，车牌区域的位置、角度、大小、清晰度各异且背景杂乱。一方面，车牌区域边界的像素值与非车牌区域的像素值可能模糊不清，无法区分；另一方面，杂乱的背景中可能存在类似于车牌区域边界的像素点区域，可能造成误识别，例如交通指示牌可能会被定位成车牌区域。因此，以往基于交通卡口的车牌定位技术很难在上述复杂场景下的图像上达到满意的准确率，车牌定位的准确率不高。

发明内容

本申请实施例的目的在于提供了一种基于深度学习的车牌定位方法及装置，以在复杂场景下提高车牌定位的准确率。具体的技术方案如下。

为了达到上述目的，本申请实施例公开了一种基于深度学习的车牌定位方法，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。

可选的，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。

可选的，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；