[发明专利]一种基于深度学习的车牌识别方法及装置

说明书

本发明实施例公开一种基于深度学习的车牌识别方法及装置，能够在采样得到视频图像后，计算每张视频图像对应的梯度概率直方图，并与预先计算得到的清晰车牌图像梯度概率直方图分布模板和模糊车牌图像梯度概率直方图分布模板进行对比，确定视频图像的清晰度置信度，进而可以仅对清晰度置信度较大的视频图像进行车牌识别，因此可以提高车牌识别的准确性。并且，在根据多张视频图像确定最终的车牌识别结果时，可以结合各视频图像对应的清晰度置信度进行计算，从而可以进一步提高车牌识别的准确性。本实施例中的卷积神经网络输出的车牌识别结果包含的字符位数与车牌数目一致，从而可以避免多识别或少识别字符的情况，提高车牌识别的准确性。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种基于深度学习的车牌识别方法及装置。

背景技术

在视频监控领域，通常需要在监控视频中进行车牌识别，以对车辆进行跟踪等。已知的方法中，可以基于监控视频的识别方案投票处理。具体的，在监控视频中采样得到视频图像，进而通过对所有的视频图像进行车牌识别，最终采纳所有的识别结果进行投票处理，得到车牌识别结果。

然而，上述方法中，由于可能存在运动模糊和散焦模糊的视频图像，这将导致车牌识别准确性较低。因此，为了提高车牌识别的准确性，亟需一种车牌识别方法。

发明内容

本发明提供了一种基于深度学习的车牌识别方法及装置，以提高车牌识别的准确性。具体的技术方案如下。

第一方面，本发明实施例提供一种基于深度学习的车牌识别方法，所述方法包括：

在包含目标车牌的监控视频中，基于预设采样周期进行采样，得到包含所述目标车牌的多张视频图像；

将所述多张视频图像进行灰度转换，得到多张灰度视频图像；并将所述多张灰度视频图像归一化至预设大小，得到多张目标视频图像；

通过预设的x方向滤波器分别对各所述目标视频图像进行卷积运算，得到各所述目标视频图像对应的x边缘图像；通过预设的y方向滤波器分别对各所述目标视频图像进行卷积运算，得到各所述目标视频图像对应的y边缘图像；并根据各所述x边缘图像和对应的各所述y边缘图像，计算各所述目标视频图像对应的梯度图像；

将各所述梯度图像的像素值进行归一化，得到各归一化梯度图像，针对每张所述归一化梯度图像，对该归一化梯度图像进行直方图统计，得到该归一化梯度图像中各像素值的统计数量，并计算所述各统计数量占该归一化梯度图像总像素点数量的概率值，构建包含各所述概率值的该归一化梯度图像对应的梯度概率直方图；

获取预先计算得到的清晰车牌图像梯度概率直方图分布模板和模糊车牌图像梯度概率直方图分布模板，并针对每张所述归一化梯度图像，计算该归一化梯度图像对应的梯度概率直方图与所述清晰车牌图像梯度概率直方图分布模板的第一余弦距离，以及该归一化梯度图像对应的梯度概率直方图与所述模糊车牌图像梯度概率直方图分布模板的第二余弦距离，根据所述第一余弦距离和所述第二余弦距离的大小，确定该归一化梯度图像对应的清晰度置信度；所述清晰车牌图像梯度概率直方图分布模板根据预先获取的清晰图像计算得到，所述模糊车牌图像梯度概率直方图分布模板根据预先获取的模糊图像计算得到；

将清晰度置信度大于预设置信度阈值的归一化梯度图像对应的视频图像输入预先训练得到的卷积神经网络中，得到各所述视频图像对应的车牌识别结果；并根据各所述视频图像对应的车牌识别结果，以及各所述视频图像对应归一化梯度图像的清晰度置信度，得到所述目标车牌的最终识别结果；所述车牌识别结果包含预设位数个字符。

可选的，所述根据各所述x边缘图像和对应的各所述y边缘图像，计算各所述目标视频图像对应的梯度图像的步骤包括：

根据以下公式，计算任一目标视频图像对应的梯度图像中任一点的像素值G（x，y）：