[发明专利]一种端到端的轻量级深度车牌识别方法

说明书

本发明公开了一种端到端的轻量级深度车牌识别方法，属于图像处理及深度学习领域。该方法包括：采集包含车牌的图像，构建车牌数据集；构建车牌检测网络；获取车牌区域图像；构建车牌识别网络；将车牌检测网络和车牌识别网络视为整体，对该整体网络进行端到端训练；利用训练后的网络识别待检测车牌图像中的车牌。本发明提出对模型进行端到端的训练，并通过轻量级卷积神经网络减少车牌识别过程的计算量和时间，具有对待识别图像拍摄角度要求低、车牌定位准确、车牌字符识别准确率高、识别速度快等优点。

技术领域

本发明属于图像处理技术与深度学习领域，具体涉及目标识别领域，特别涉及一种端到端的轻量级深度车牌识别方法。

背景技术

随着科技的快速进步，车辆作为交通工具已经得到了普及。但是也为车辆的管理带来了挑战，在诸多停车场所和社会安防系统中，都需要进行车牌识别。同时，随着计算机视觉领域的发展，车辆识别带来的人力需求正逐渐被机器取代。

一般车牌识别过程包括车牌定位、车牌矫正、字符分割、字符识别四个步骤。这些步骤通常通过多个深度学习模型实现，例如，车牌定位过程一般通过特征提取模型进行车牌检测；车牌内容识别过程通常根据特征图进行字符分割及字符识别。

在上述车牌识别过程中，由于多个深度学习模型是单独存在的，且深度学习模型通常具有较大的参数量和计算量，在通过多个深度学习模型进行运算时，会出现大量的计算。本发明提出对模型进行端到端的训练，并通过轻量级卷积神经网络减少车牌识别过程的计算量和时间。

发明内容

本发明的目的在于提供一种提高车牌检测效率和检测精度的车牌识别方法。

实现本发明目的的技术解决方案为：一种端到端的轻量级深度车牌识别方法，所述方法包括以下步骤：

步骤1，采集包含车牌的图像，构建车牌数据集；

步骤2，构建车牌检测网络；

步骤3，获取车牌区域图像；

步骤4，构建车牌识别网络；

步骤5，将车牌检测网络和车牌识别网络视为整体，对该整体网络进行端到端训练；

步骤6，利用训练后的网络识别待检测车牌图像中的车牌。

进一步地，步骤2所述构建车牌检测网络，具体包括：

步骤2-1，构建第一特征提取模块，利用该模块提取车牌数据的特征，生成n个不同尺寸的特征图；

步骤2-2，构建第一特征融合模块，利用该模块实现统一步骤2-1所有特征图的尺寸，对统一尺寸后的所有特征图进行求和，并利用全局上下文增强模块进行全局信息增强，获得第一复合特征图；

步骤2-3，构建第一解码模块，利用该模块对所述第一复合特征图进行解码，解码后输出的特征图通道数为车牌检测所需的信息长度；其中所述所需的信息包括：车牌角点的坐标与置信度。

进一步地，步骤3所述获取车牌区域图像，具体包括：

步骤3-1，将车牌数据集中图像的尺寸统一放缩至M×M；

步骤3-2，进一步将图像尺寸放缩至N×N，N×N为车牌检测网络的输入尺寸，其中，N＜M；

步骤3-3，将车牌检测网络输出的角点坐标投影至步骤3-1中尺寸为M×M的图像中，取出相应的车牌区域图像；

步骤3-4，对所述车牌区域图像进行几何透视矫正。

进一步地，步骤4所述构建车牌识别网络，具体包括：

步骤4-1，构建第二特征提取模块，利用该模块提取步骤3获得的车牌区域图像的特征，生成n个不同尺寸的特征图；