[发明专利]一种复杂场景下的车牌检测识别方法以及系统

权利要求书

1.一种复杂场景下的车牌检测识别方法，其特征在于，包括如下步骤：

步骤S1：采集车辆视频流，并在视频流中提取图片数据；

步骤S2：构建车辆局部定位模块，并将图片数据作为车辆局部定位模块的训练数据，得到车牌局部定位模型；

步骤S3：构建车牌角点检测模块，并将车牌局部定位模块的输出作为车辆角点检测的训练数据，得到车牌角点检测模型；

步骤S4：对视频流按照静止帧提取待检测的视频图像序列；

步骤S5：将视频图片序列输入局部定位模块，得到带有车牌的车辆局部图片并输出局部图片的位置信息和车牌颜色信息；

步骤S6：将局部定位模块的输出作为车牌角点检测模块的输入，得到车牌角点信息和外接矩形框信息；

步骤S7：根据得到的车牌角点信息和外接矩形信息进行图片矫正；

步骤S8：构建车牌识别模块，将车牌图片作为车牌识别模型的训练数据，得到车牌识别模型；

步骤S9：将步骤S7中的矫正的图片作为车牌识别模块输入，得到图片识别结果。

2.根据权利要求1所述的一种复杂场景下的车牌检测识别方法，其特征在于，所述步骤S2包括如下子步骤：

步骤S21：利用线性插值的方法调整图像大小为固定值；

步骤S22：利用神经网络框架提取高级特征；

步骤S23：通过多尺度特征融合的方法，进行反采样，输出为颜色分类分支和位置信息分支。

3.根据权利要求2所述的一种复杂场景下的车牌检测识别方法，其特征在于，颜色分类分支采用softmax回归算法，位置信息分支采用SmothL1非线性函数，softmax和SmothL1公式分别具体为：

Softmax：

SmothL1：

其中，在softmax函数中，y_j为j个颜色的类别概率，x_i为第i个节点值，x_j为第j个节点值；在SmothL1中，y为预测的坐标值，为真实的坐标值，其中坐标包括左上角坐标和右下角坐标。

4.根据权利要求1所述的一种复杂场景下的车牌检测识别方法，其特征在于，所述步骤S3包括如下子步骤：

步骤S31：利用车辆局部定位模块的输出图片作为输入；

步骤S32：利用padding方式将图像调整到固定大小；

步骤S33：利用神经网络框架提取高级特征，输出三个分支，其中三个分支包括，置信度得分信息、外接矩形位置信息和角点位置信息。

5.根据权利要求4所述的一种复杂场景下的车牌检测识别方法，其特征在于：所述置信度得分信息采用sigmoid回归算法，所述外接矩形位置信息和所述角点位置信息分支采用SmothL1非线性函数，sigmoid的公式具体如下：

Sigmoid：

其中，z＝wx+b，x为输出节点值，w为所对应权重值，b为所对应的偏置值，y为输出有目标的概率值，若y0.5,则表示检测到车牌，反之，没有检测到车牌。

6.根据权利要求1所述的一种复杂场景下的车牌检测识别方法，其特征在于，所述步骤S8包括如下子步骤：

步骤S81：利用线性插值方式将矫正后图像调整到固定大小，作为车牌识别模块的输入；

步骤S82：通过神经网络框架提取高级特征，得到68x18的特征图，通过贪心算法对车牌进行字符识别，并通过CTCloss进行反向传播。