[发明专利]一种无受限场景车牌识别方法

说明书

本发明属于车牌识别技术领域，涉及一种无受限场景车牌识别方法，通过主干提取卷积特征后使用两个并行的分支分别计算锚框的分类和回归位置信息，从而得到候选框，并使用改进的变形卷积根据候选框自适应的将卷积特征与车牌特征进行对齐，最后在使用对齐后的特征进行定位，改进后的可变形卷积的偏移量直接从候选框中推理得到的，拥有更强的监督信号，可以避免采样到错误的特征点上去，而且使用候选框作为指导，提取的是真实目标的特征分布，不仅可以用来进行无约束场景的车牌检测，还可以用于场景文本检测、超市商品检测等各项倾斜目标检测任务。

技术领域

本发明属于车牌识别技术领域，涉及一种无受限场景车牌识别方法，特别是一种基于改进变形卷积的深度特征对齐的无受限场景车牌识别方法。

背景技术

随着人工智能、物联网、5G等技术的迅速发展，智慧交通在智慧城市中发挥了重要作用，而车牌检测识别技术在智慧交通体系中扮演了重要角色。传统的中文车牌检测方法检测精度受环境影响较大，面对车牌畸变、旋转等复杂场景的时候难以表现较强的鲁棒性，经常出现检测精度不高的现象，已经远远不能满足应用要求。

早期的车牌识别算法大多都是基于机器学习算法进行研究，使用手工选取的特征对车牌进行定位与识别。近年来，随着大数据时代的到来和计算机算力的提升，深度学习在车牌识别方向取得了重大突破，Faster R-CNN、YOLO等深度学习算法的提出使得车牌的定位与识别得到了新的发展。现有的车牌识别技术主要应用于特定的环境，如收费停车场出入口、高速公路 ETC通道等，在这种正视的检测视角和检测区域固定的条件下，车牌识别技术的准确率可以达到很高，但是在复杂的场景下识别效果较差。

复杂场景下车牌检测可能会由于倾斜视图而使车牌旋转或畸变的情况，现有方法采用基于深度学习的卷积神经网络进行特征提取，主要分成两种：(1)基于水平矩形框的车牌检测方法在检测倾斜或者畸形车牌时会引入大量的背景信息，导致后续的车牌识别定位不准确。（2）基于仿射变换的方法将车牌检测分为检测和车牌矫正两个步骤，先对车牌进行水平框的检测，然后通过水平框裁剪的车牌图像进行仿射参数的学习，最后进行矫正以纠正图像，该方法在仿射变换阶段主干提取的卷积特征是轴对齐的，感受野也是固定的，但是车牌是旋转或者畸形的，即便检测锚框和物体之前有很高的匹配度（高IoU），卷积特征和锚框之间仍然是不对齐的，也就是说，锚框中的特征并不能很好的描述整个物体，导致最后的检测精度不高。由此可见，针对无约束场景，现有的车牌检测识别技术中存在检测精度不高的技术问题，急需更有效的方法进行特征对齐建模实现精确有效的识别车牌。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于改进变形卷积的深度特征对齐的无受限场景车牌检测方法，用来解决倾斜车牌和畸变车牌的深度特征不对齐的问题，可用于非受限场景的车牌检测识别任务中，能够高效的实现车牌检测矫正。

为了实现上述目的，本发明通过主干提取的卷积特征是轴对齐的特征，然后使用两个并行的分支分别计算锚框的分类和回归位置信息，从而得到候选框，并使用改进的变形卷积根据候选框自适应的将卷积特征与车牌特征进行对齐，也就是使采样点发生偏移，集中于车牌区域的特征，最后在使用对齐后的特征进行定位，其中为使得变形卷积对卷积特征进行对齐，使用候选框的位置信息与对应的卷积特征来计算偏移量，然后将偏移量和轴对齐的特征一起送到对齐卷积中，提取对齐的特征，具体包括如下步骤：

（1）数据集构建：收集交通监控、侧方位停车场等场景的含有常规以及倾斜、畸变车牌的图像，构建不低于20000车牌的数据集，标注车牌四个顶点的位置，通过四个顶点的位置计算对应车牌的水平矩形框的坐标，并将数据集划分为训练集(60%)、验证集(20%)和测试集(20%)；