[发明专利]基于深度学习端对端的低照度成像车牌识别方法及装置

说明书

本发明公开了一种基于深度学习端对端的低照度成像车牌识别方法及装置，所述方法包括：将通过摄像模块获取的原始车牌低照度图像输入基于深度学习的多尺度上下文聚合网络进行图像处理，以获得可辨识度提高的车牌图像；对所述车牌图像进行车牌定位和车牌倾斜校正处理，以获得定位后的车牌图像；通过一体化的深度网络模型对所述定位后的车牌进行识别。通过本发明实施例，能够提高低照度成像车牌的识别效率和准确度。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于深度学习端对端的低照度成像车牌识别方法和装置、终端设备和计算机可读存储介质。

背景技术

随着计算机视觉、数字图像处理技术与智能交通技术的发展，车牌识别技术在智能交通领域中的应用越来越广泛。市场上车牌识别的相关产品也越来越多，但是，目前还普遍存在着的问题是：现有的车牌识别系统对图像的质量要求比较高，然而在复杂应用环境下，往往得到的图像质量较低,无法满足系统的要求，导致车牌的识别率不高。因此，如何提高低品质图像中车牌的识别率，以适应复杂多变的应用环境，是车牌识别系统研究中需要解决的重要问题。低照度下获取的图像灰度范围窄、灰度变化不明显，且相邻像素的空间关联性高，这些特点使得图像中的细节、背景和噪声等都包含在较窄的灰度范围之内。因此为了改善低照度下获取的图像的视觉效果，将其转换为一种更适于人眼观察和计算机处理的形式，便于提取有用信息，需要对被拍摄物在低照度下的成像进行处理。具体的在车牌识别应用中，当车牌图像质量不高时，目前主要的技术思路是针对单帧图像利用相关的数字图像处理技术(如图像、滤波、图像增强等)进行相应的处理，以提高图像的质量。这些方法大都是传统的思路，通常来说，会存在图像细节不够清晰，识别细节不够准确，处理效果往往根据环境不同而变化较大的缺陷。此外，在传统方法中，需要对低照度成像车牌中的字符进行切割，计算量巨大，从而会极大地影响车牌识别效率和准确度。

发明内容

有鉴于此，本发明实施例提供一种基于深度学习端对端的低照度成像车牌识别方法、系统、终端设备及计算机可读介质，能够提高低照度成像车牌的识别效率和准确度。

本发明实施例的第一方面提供了一种基于深度学习端对端的低照度成像车牌识别方法，包括：

将通过摄像模块获取的原始车牌低照度图像输入基于深度学习的多尺度上下文聚合网络进行图像处理，以获得可辨识度提高的车牌图像；

对所述车牌图像进行车牌定位和车牌倾斜校正处理，以获得定位后的车牌图像；

通过一体化的深度网络模型对所述定位后的车牌进行识别；所述一体化的深度网络模型包括卷积层、BRNN层、线性变换层和CTC层。

本发明实施例的第二方面提供了一种基于深度学习端对端的低照度成像车牌识别装置，包括：

辨识度提高模块，用于将通过摄像模块获取的原始车牌低照度图像输入基于深度学习的多尺度上下文聚合网络进行图像处理，以获得可辨识度提高的车牌图像；

定位校正模块，用于对所述车牌图像进行车牌定位和车牌倾斜校正处理，以获得定位后的车牌图像；

识别模块，用于通过一体化的深度网络模型对所述定位后的车牌进行识别；所述一体化的深度网络模型包括卷积层、BRNN层、线性变换层和CTC层。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习端对端的低照度成像车牌识别方法的步骤。

本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理执行时实现上述基于深度学习端对端的低照度成像车牌识别方法的步骤。