[发明专利]一种复杂场景下的车牌检测识别方法以及系统

说明书

本发明涉及一种复杂场景下的车牌检测识别方法以及系统，包括如下步骤：采集车辆视频流，并在视频流中提取图片数据；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；根据得到的车牌角点信息和外接矩形信息进行图片矫正；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；将矫正的图片作为车牌识别模块输入，得到图片识别结果。本发明具有较强的实际应用性。

技术领域

本发明涉及车牌检测技术领域，特别涉及一种基于深度学习技术的复杂场景下的车牌检测识别方法以及系统。

背景技术

传统的车牌检测方法一般利用OpenCV检测等方法，复杂场景下精度较低，鲁棒性较差，不能达到实际落地应用的效果；而现有的基于深度的车牌检测技术一般通过三个步骤，包括车牌定位、车牌字符分割和字符识别，此方法时效性较差，且对于复杂场景检测性能较低。

现有技术一公开了一种基于OpenCV的车牌检测方法，主要分为以下步骤：

1.车辆检测。通过读取图片或视频，基于混合高斯模型的背景差分法以及形态学的方法，通过设定像素点数阈值检测出车辆区域。

2.车牌区域粗定位。调整图片大小并进行颜色转换，利用直方图均衡化、形态学(腐蚀膨胀)、滤波、边缘检测以及开闭运算得到最大连通区域，从而得到车牌的候选区域。

3.车牌区域精确定位。对候选区域进行颜色空间转化(蓝色，大部分车牌为蓝色)并进行均衡化。通过设定蓝色颜色空间阈值找到非零点集所在的最大矩形区域，并利用边缘检测算子和霍夫变换进行水平矫正，得到变换后的图像。对变换后的图像进行灰度变换，并通过设定阈值得到精确定位的车牌图像。

4.车牌字符分割。对车牌进行垂直投影，并求出投影平均值，通过搜索投影值对每个字符进行分割，并对其进行归一化，二值化得到字符。

5.车牌字符识别。通过训练多个支持向量机对单个汉字、字符或者数字进行分类。

但是上述现有技术一存在如下缺点：

1.此方法广泛和扩展性较差，仅支持对于正面车辆图像的检测识别，不能够应用于多角度车辆检测。

2.此方法对于图像质量要求较为严格，光照强度和拍摄角度等外界客观因素对应方法影响较大，复杂场景下性能较差。

3.字符识别严重依赖于字符分割精度，字符分割精度依赖于图片质量，导致识别精度较差。

4.字符识别对二值化图片进行单字符识别，舍去了字符的很多重要特征，识别精度差。

现有技术二公开了一种基于深度学习技术的车牌检测识别方法，一般包括一下步骤：

1.车牌定位模块。获取图像作为YOLO框架输入，得到车牌的矩形框。

2.车牌字符分割模块。对车牌进行垂直投影，并求出投影平均值，通过搜索投影值对每个字符进行分割，并对其进行归一化，二值化得到字符。

3.车牌字符识别模块。利用循环神经网络进行字符识别。

但是现有技术二有如下缺点：

1.现有的车牌检测识别，对于车牌定位一般采用目标检测的方法如YOLO框架，其缺点在于YOLO框架只能生成矩形框，虽然一般会进行校正，但对于倾斜程度较大的车牌其检测效果并不好，直接影响到车牌字符分割和车牌字符识别的精度。

2.现有技术将车牌分割和车牌识别技术分为两步进行处理，且车牌字符分割采用垂直投影的方法，对于外界客观因素对其影响较大，并且两个模型的联合出现累计误差，从而减少整个模型的精度。

发明内容

发明所要解决的问题