CN110738209B - 一种基于深度学习的车牌侦测方法 - Google Patents
一种基于深度学习的车牌侦测方法 Download PDFInfo
- Publication number
- CN110738209B CN110738209B CN201910951656.4A CN201910951656A CN110738209B CN 110738209 B CN110738209 B CN 110738209B CN 201910951656 A CN201910951656 A CN 201910951656A CN 110738209 B CN110738209 B CN 110738209B
- Authority
- CN
- China
- Prior art keywords
- license plate
- file
- training
- network
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/63—Scene text, e.g. street names
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习的车牌侦测的方法,根据监督学习的方式人工标注车牌位置信息进行车牌数据集训练,数据集采用VOC和LMDB格式,数据通过降低采样和降低输出层维度的网络模型来提高检测效率。这种基于深度学习的方法,让机器自己学习目标特征,减少了人工参与提取特征的过程,使结果更加准确和鲁棒(即健壮性);另外,这种通过定位检测车牌来确定是否为车辆的方法可以做到适应不同场景的需求。
Description
【技术领域】
本发明涉及目标物品的判定识别技术,特别是一种基于深度学习的车牌侦测方法。
【背景技术】
随着社会的发展,人们的生活水平的提高,安全意识逐渐增大,城市中监控系统的投入不断增多,带来了越来越多的视频数据。从这些海量的视频数据中找出有效且需要的数据需要投入大量的人力,那么能否利用计算机视觉领域的深度学习,通过前期大量有效的车辆标记数据进行训练,建立识别车辆数据的神经网络,通过该神经网络代替人脑进行解读视频数据,识别出有效的车辆数据。其中涉及有卷积神经网络及深度学习等相关内容。
深度学习是一种特征学习方法,把原始数据通过简单而非线性的模型转变成更高层次、更抽象的表达。卷积神经网络(CNN)具有提取反映数据本质的隐性特征及可扩展性的优越性能,可被用于几乎全部的目标识别分类领域,例如交通信号识别、人脸识别、道路场景解析、图像理解等。在车辆检测方面,其区别于浅层学习的突出优点之一在于算法的可扩展性,能够进一步扩展识别交通环境中的多类目标。
当前,一些具深度学习的车牌检测方法,如专利申请号为CN201811037178的一种基于深度学习的车牌检测方法,其可以自适应地获得不同场景下的车牌特征信息,同时提高了车牌识别的准确率。本发明将车牌固有的颜色属性加入YOLO模型中构建一个具有泛化能力强、检测以及定位准确率高的车牌检测模型,对输入的卡口监控设备拍摄的过车图片进行检测,得到车牌的区域位置;接着使用Radon变换对倾斜的车牌区域进行校正,同时利用颜色和边缘等线索对车牌区域进行微调,最后将微调后的车牌区域送入加入车牌编码规则约束的CRNN网络对车牌号码进行识别,这样可以更准确和高效来检测车牌。
本申请人开发出了一种能准确检测车牌且能适应不同场景需求的新车牌侦测方法。
【发明内容】
本发明的目的在于克服现有技术的不足,提供了一种。
为了解决上述存在的技术问题,本发明采用下述技术方案:
本发明提供的基于深度学习的车牌侦测的方法包括以下步骤:
(1)制作VOC数据集和LMDB数据,包括分步骤:
(1).(a).使用样本标注工具生成txt标注文件,文件内容包含目标位置和目标类型;
(1).(b).txt标注文件转换生成xml标注文件;
(1).(c).归档生成用于训练、验证、训练和验证、测试的图片文件的文件名列表,格式为txt文件,至此VOC数据准备完毕;
(1).(d).设置图像属性的通道数和图像大小,VOC数据格式转换成LMDB格式;
(2)网络模型调参,主要是修改用于网络训练的配置参数,包括分步骤:
(2).(a).配置图像通道参数,修改mean_value:的维数、force_color:是否为true和input_shape中第二个dim;
(2).(b).配置图像大小参数,修改transform_param中的height和width大小和input_shape中第三个和第四个dim;
(2).(c).调整卷积层的num_output数量,数量越小速度越快,但精度会降低;
(2).(d).调整池化层的num_output数量,数量越小速度越快,但精度会降低;
(2).(e).调整全连接层的num_output数量,设置为目标分类数;
(3)训练车辆LMDB的数据集,主要配置学习速率、是否使用GPU、最大迭代次数等,训练过程中会产生训练的网络参数文件F(网络的权重、偏置、网络结构等);
(4)加载网络参数文件F、测试网络层模型、设置置信度阈值,检测出目标信息,包含位置、类别、置信度;
(5)车牌的定位至此完成。
与现有技术相比,本发明的有益效果:1、这种基于深度学习的方法,让机器自己学习目标特征,减少了人工参与提取特征的过程,使结果更加准确和鲁棒(即健壮性)。2、这种通过定位检测车牌来确定是否为车辆的方法可以做到适应不同场景的需求。
【附图说明】
图1本发明较佳实施例的流程图。
下面结合附图与具体实施方式对本发明作进一步的详细描述:
【具体实施方式】
本发明技术根据监督学习的方式人工标注车牌位置信息进行车牌数据集训练,数据集采用VOC和LMDB格式,数据通过降低采样和降低输出层维度的网络模型来提高检测效率。
本发明的基于深度学习的车牌侦测的方法的一个较佳实施例:
下面结合附图对车基于深度学习的车牌侦测方法的实施例的流程中各步骤加以详细描述:
步骤S1:制作VOC数据集和LMDB数据,包括分步骤:
S1.(a).使用样本标注工具BBox-Label-Tool-master的python版本生成txt标注文件,文件内容包含目标位置和目标类型;
S1.(b).txt标注文件转换生成xml标注文件,分类两类:车牌和非车牌;
S1.(c).归档生成用于训练、验证、训练和验证、测试的图片文件的文件名列表,格式为txt文,本次实施的训练、验证、训练和验证、测试的图片分别占整个数据集比例为33%、33%、67%、35%;
S1.(d).设置图像属性的通道数为1和图像大小200*200,VOC数据格式转换成LMDB格式;
步骤S2:SSD网络模型调参,主要是修改用于网络训练的配置参数,包括分步骤:
S2.(a).配置图像通道参数,修改mean_value:的维数为1、force_color:为False和input_shape中第二个dim为1;
S2.(b).配置图像大小参数,修改transform_param中的height=200和widt=200h大小和input_shape中第三个和第四个dim分别为200、200;
S2.(c).调整卷积层的num_output数量,数量越小速度越快,但精度会降低,修改官方https:\github.com\conner99\caffe\ssd-microsoft里SSD网络模型里的num_output为num_output/2*3/4;
S2.(d).调整池化层的num_output数量,数量越小速度越快,但精度会降低,修改官方https:\github.com\conner99\caffe\ssd-microsoft里SSD网络模型里的num_output为num_output/2*3/4;
S2.(e).调整全连接层的num_output数量,设置为目标分类数+1,修改官方https:\github.com\conner99\caffe\ssd-microsoft里SSD网络模型里的detection_out层的num_classes为2;
步骤S3:训练车辆LMDB的数据集,主要配置学习速率为0.0001、是否使用GPU(solver_mode:GPU)、最大迭代次数6万次等,训练过程中会产生训练的网络参数文件F(网络的权重、偏置、网络结构等);
步骤S4:加载网络参数文件F、测试网络层模型、设置置信度阈值,检测出目标信息,包含位置、类别、置信度;
步骤S5:车牌的定位至此完成,整个流程结束。
上述的实施例中所给出的系数和参数,是提供给本领域的技术人员来实现或使用本发明的,本发明并不限定仅取前述公开的数值,在不脱离本发明的发明思想的情况下,本领域的技术人员可以对上述实施例作出种种修改或调整,因而本发明的保护范围并不被上述实施例所限,而应该是符合权利要求书提到的创新性特征的最大范围。
Claims (1)
1.一种基于深度学习的车牌侦测的方法,其特征在于,包括以下步骤:
(1)制作VOC数据集和LMDB数据,包括分步骤:
(1).(a).使用样本标注工具生成txt标注文件,文件内容包含目标位置和目标类型;
(1).(b).txt标注文件转换生成xml标注文件;
(1).(c).归档生成用于训练、验证、训练和验证、测试的图片文件的文件名列表,格式为txt文件,至此VOC数据准备完毕;
(1).(d).设置图像属性的通道数和图像大小,VOC数据格式转换成LMDB格式;
(2)网络模型调参,主要是修改用于网络训练的配置参数,包括分步骤:
(2).(a).配置图像通道参数,修改mean_value:的维数、force_color:是否为true和input_shape中第二个dim;
(2).(b).配置图像大小参数,修改transform_param中的height和width大小和input_shape中第三个和第四个dim;
(2).(c).调整卷积层的num_output数量,数量越小速度越快,但精度会降低;
(2).(d).调整池化层的num_output数量,数量越小速度越快,但精度会降低;
(2).(e).调整全连接层的num_output数量,设置为目标分类数;
(3)训练车辆LMDB的数据集,主要配置学习速率、是否使用GPU、最大迭代次数,训练过程中会产生训练的网络参数文件F;
(4)加载网络参数文件F、测试网络层模型、设置置信度阈值,检测出目标信息,包含位置、类别、置信度;
(5)车牌的定位至此完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951656.4A CN110738209B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的车牌侦测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951656.4A CN110738209B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的车牌侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110738209A CN110738209A (zh) | 2020-01-31 |
CN110738209B true CN110738209B (zh) | 2023-06-02 |
Family
ID=69268551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951656.4A Active CN110738209B (zh) | 2019-10-09 | 2019-10-09 | 一种基于深度学习的车牌侦测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738209B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN107273502A (zh) * | 2017-06-19 | 2017-10-20 | 重庆邮电大学 | 一种基于空间认知学习的图像地理标注方法 |
CN109271984A (zh) * | 2018-07-24 | 2019-01-25 | 广东工业大学 | 一种基于深度学习的多方位车牌定位方法 |
CN110009058A (zh) * | 2019-04-16 | 2019-07-12 | 山东博昂信息科技有限公司 | 一种停车场车牌识别系统及方法 |
-
2019
- 2019-10-09 CN CN201910951656.4A patent/CN110738209B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN107273502A (zh) * | 2017-06-19 | 2017-10-20 | 重庆邮电大学 | 一种基于空间认知学习的图像地理标注方法 |
CN109271984A (zh) * | 2018-07-24 | 2019-01-25 | 广东工业大学 | 一种基于深度学习的多方位车牌定位方法 |
CN110009058A (zh) * | 2019-04-16 | 2019-07-12 | 山东博昂信息科技有限公司 | 一种停车场车牌识别系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110738209A (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685135B (zh) | 一种基于改进型度量学习的少样本图像分类方法 | |
CN103324937B (zh) | 标注目标的方法和装置 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN110400293B (zh) | 一种基于深度森林分类的无参考图像质量评价方法 | |
CN105654066A (zh) | 一种车辆识别方法及装置 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN115909280A (zh) | 基于多头注意力机制的交通标志识别算法 | |
CN103268494B (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN117456480B (zh) | 一种基于多源信息融合的轻量化车辆再辨识方法 | |
CN110781788A (zh) | 一种基于少量标注的野外机器人地面分类方法及系统 | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及系统 | |
CN110738209B (zh) | 一种基于深度学习的车牌侦测方法 | |
CN114519689A (zh) | 图像篡改检测方法、装置、设备及计算机可读存储介质 | |
CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
CN117079099A (zh) | 一种基于改进YOLOv8n的违规行为检测方法 | |
CN106529522A (zh) | 一种基于积分通道特征的车牌定位方法 | |
CN116129327A (zh) | 一种基于改进YOLOv7算法的红外车辆检测方法 | |
CN114155198A (zh) | 一种去雾图像的质量评价方法和装置 | |
CN114005054A (zh) | 一种ai智能评分系统 | |
CN114283323A (zh) | 一种基于图像深度学习的海上目标识别系统 | |
CN112699908A (zh) | 标注图片的方法、电子终端、计算机可读存储介质及设备 | |
CN112200743B (zh) | 一种多图片集曝光分布差异的衡量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221025 Address after: Room 105, No. 6, Baohua Road, Hengqin New District, Zhuhai City, Guangdong Province, 519000 - 34312 (centralized office area) Applicant after: ZHUHAI QUANXINTONG TECHNOLOGY CO.,LTD. Address before: 528400 413, Building B, Innovation Center, No. 34, Cuicheng Road, Cuiheng New District, Zhongshan City, Guangdong Province Applicant before: ZHONGSHAN ANXINTONG ROBOT MANUFACTURING Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |