CN112016432A - 基于深度学习的车牌字符识别方法、存储介质及电子设备 - Google Patents

基于深度学习的车牌字符识别方法、存储介质及电子设备 Download PDF

Info

Publication number
CN112016432A
CN112016432A CN202010858586.0A CN202010858586A CN112016432A CN 112016432 A CN112016432 A CN 112016432A CN 202010858586 A CN202010858586 A CN 202010858586A CN 112016432 A CN112016432 A CN 112016432A
Authority
CN
China
Prior art keywords
license plate
characters
picture
character
acquiring
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.)
Pending
Application number
CN202010858586.0A
Other languages
English (en)
Inventor
林焕凯
王祥雪
董振江
朱婷婷
程庆
谭焕新
刘双广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gosuncn Technology Group Co Ltd
Original Assignee
Gosuncn Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Gosuncn Technology Group Co Ltd filed Critical Gosuncn Technology Group Co Ltd
Priority to CN202010858586.0A priority Critical patent/CN112016432A/zh
Publication of CN112016432A publication Critical patent/CN112016432A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于深度学习的车牌字符识别方法、计算机存储介质及电子设备，方法包括以下步骤：S1、获取待识别图片；S2、从待识别图片中获取车牌的粗定位区域；S3、将车牌的粗定位区域的图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息；S4、根据车牌的位置信息对车牌各个字符的顺序进行重新排列，得到完整的车牌号码。根据本发明实施例的方法，通过粗定位输入进来的车牌直接进行车牌字符的检测和识别，解决了传统车牌识别算法流程中车牌精定位，字符切割，字符识别逻辑复杂的问题，同时解决了采用深度学习车牌识别算法中需要多个模型串联过多的耗费系统资源的问题。

Description

基于深度学习的车牌字符识别方法、存储介质及电子设备
技术领域
本发明涉及车牌识别领域，更具体地，涉及一种基于深度学习的车牌字符识别方法、计算机存储介质及电子设备。
背景技术
一般的车牌识别过程包含车牌粗定位，车牌矫正，车牌精定位，车牌字符切割，车牌字符识别五个步骤，现有的车牌识别方法主要分基于传统算法的车牌识别和基于深度学习算法的车牌识别。传统车牌识别算法的主要结合纹理，边缘检测，垂直投影，小波变换，和模版匹配的方法来进行车牌识别。基于深度学习的车牌识别算法主要针对车牌识别过程中的每个模块都用深度学习模型实现。
目前在车牌识别算法在实际应用中还存在较多难点，传统的车牌识别方法对容易受到噪声的干扰，对光照变化大，车牌模糊的情况识别效果较差，开发成本高，部署周期长；基于深度学习的车牌识别算法由于每个模块都是独立存在在计算法时会存在大量冗余的计算，系统资源占用高，识别速度较低，在前端设备比较难部署。
发明内容
有鉴于此，本发明提供一种基于深度学习的车牌字符识别方法、计算机存储介质及电子设备，可以有效提高车牌字符识别开发的效率。
为解决上述技术问题，一方面，本发明提供一种基于深度学习的车牌字符识别方法包括以下步骤：S1、获取待识别图片；S2、从所述待识别图片中获取车牌的粗定位区域；S3、将车牌的所述粗定位区域的图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息；S4、根据车牌的位置信息对车牌各个字符的顺序进行重新排列，得到完整的车牌号码。
根据本发明实施例的基于深度学习的车牌字符识别方法，通过粗定位输入进来的车牌直接进行车牌字符的检测和识别，解决了传统车牌识别算法流程中车牌精定位，字符切割，字符识别逻辑复杂的问题，同时解决了采用深度学习车牌识别算法中需要多个模型串联过多的耗费系统资源的问题。
根据本发明的一些实施例，步骤S1包括：
S11、从卡口、电警摄像头或手持终端设备获取往来车辆的原图数据；
S12、利用车辆检测技术从所述原图数据获取车身的待识别图片。
根据本发明的一些实施例，步骤S2包括：利用车牌检测技术从所述待识别图片中获取车牌的粗定位区域。
根据本发明的一些实施例，步骤S3包括：
S31、对车牌的所述粗定位区域的图片进行字符标注；
S32、将标注好的车牌数据归一化到预定像素；
S33、根据标注好的车牌数据设计卷积神经网络；
S34、将标注好的车牌数据送入所述卷积神经网络的检测模型中进行车牌字符的检测和识别。
根据本发明的一些实施例，在步骤S31中，对车牌的所述粗定位区域的图片进行字符标注的规则为每个字符的最小外接矩形。
根据本发明的一些实施例，在步骤S32中，所述预定像素为65*150像素。
根据本发明的一些实施例，步骤S33包括：
S331、根据标注好的车牌数据构建基础网络：采用优化的VGG结构作为端到端神经网络的基础网络；
S332、构建多尺度网络：采用conv4_3，fc7，conv6_2，conv7_2，conv8_2和conv9_2共6个特征层构建多尺度网络层。
根据本发明的一些实施例，步骤S34包括：
S341、将标注好的车牌数据送入所述卷积神经网络的检测模型中；
S342、通过所述多尺度网络获取当前先验框位置处的车牌字符区域，通过回归任务精确定位车牌字符区域的位置矩形，并识别出所述位置矩形所对应字符的真实意义；
S343、输出整个车牌的各个字符的标签和各个字符的位置信息。
第二方面，本发明实施例提供一种计算机存储介质，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如上述实施例所述的方法。
根据本发明第三方面实施例的电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令；所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如上述任一实施例所述的方法。
附图说明
图1为根据本发明实施例的基于深度学习的车牌字符识别方法的流程图；
图2为根据本发明实施例的基于深度学习的车牌字符识别方法中车牌字符标注的示意图；
图3为根据本发明实施例的基于深度学习的车牌字符识别方法中基础网络的结构示意图；
图4为根据本发明实施例的基于深度学习的车牌字符识别方法中多尺度网络的结构示意图；
图5为本发明实施例的电子设备的示意图。
附图标记：
电子设备300；
存储器310；操作系统311；应用程序312；
处理器320；网络接口330；输入设备340；硬盘350；显示设备360。
具体实施方式
下面将结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
下面首先结合附图具体描述根据本发明实施例的基于深度学习的车牌字符识别方法。
如图1所示，根据本发明实施例的基于深度学习的车牌字符识别方法包括以下步骤：
S1、获取待识别图片。
S2、从所述待识别图片中获取车牌的粗定位区域。
S3、将车牌的所述粗定位区域的图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息。
S4、根据车牌的位置信息对车牌各个字符的顺序进行重新排列，得到完整的车牌号码。
换言之，根据本发明实施例的基于深度学习的车牌字符识别方法是一种基于深度学习的车牌端到端识别方法，该方法首先通过获取应用场景中车辆的车牌外扩区域，也就是车牌粗定位区域，将车牌外扩区域图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息，然后根据车牌的位置信息对车牌字符的顺序进行重新排列，得到完整的车牌号码。即针对不同的场景，不同的光照，不同的车牌类型只要输入车牌的外扩区域图就可以得到车牌的完整号码。
由此，根据本发明实施例的基于深度学习的车牌字符识别方法，通过粗定位输入进来的车牌直接进行车牌字符的检测和识别，解决了传统车牌识别算法流程中车牌精定位，字符切割，字符识别逻辑复杂的问题，同时解决了采用深度学习车牌识别算法中需要多个模型串联过多的耗费系统资源的问题。
根据本发明的一个实施例，步骤S1包括：
S11、从卡口、电警摄像头或手持终端设备获取往来车辆的原图数据。
S12、利用本领域常规的车辆检测技术从所述原图数据获取车身的待识别图片。
可选地，步骤S2包括：利用本领域常规的车牌检测技术从所述待识别图片中获取车牌的粗定位区域。
也就是说，根据本发明实施例的基于深度学习的车牌字符识别方法，可以从卡口，电警摄像头或手持终端设备获取往来车辆的数据，利用车辆检测技术从原图获取车身图，利用车牌检测技术从车身图上获取车牌的粗定位区域，作为端到端车牌识别的输入图片，利用端到端的深度学习车牌字符识别算法得到车牌的完整车牌号。
在本发明的一些具体实施方式中，步骤S3包括：
S31、对车牌的所述粗定位区域的图片进行字符标注。
S32、将标注好的车牌数据归一化到预定像素。
S33、根据标注好的车牌数据设计卷积神经网络。
S34、将标注好的车牌数据送入所述卷积神经网络的检测模型中进行车牌字符的检测和识别。
其中，在步骤S31中，对车牌的所述粗定位区域的图片进行字符标注的规则为每个字符的最小外接矩形作为车牌字符检测的先验框。
也就是说，在进行车牌字符的检测和识别之前，首先对车牌的粗定位区域的图片进行字符标注。具体地，根据常见的六种车牌(单层蓝牌，单层黄牌，双层黄牌，新能源车牌，港澳牌，警牌)可以得到常见车牌的69个字符，分别为：“0”、“1”、“2”、“3”、“4”、“5”、“6”、“7”、“8”、“9”、“A”、“B”、“C”、“D”、“E”、“F”、“G”、“H”、“J”、“K”、“L”、“M”、“N”、“P”、“Q”、“R”、“S”、“T”、“U”、“V”、“W”、“X”、“Y”、“Z”、“澳”、“川”、“鄂”、“甘”、“赣”、“港”、“挂”、“贵”、“桂”、“黑”、“沪”、“吉”、“冀”、“津”、“晋”、“京”、“辽”、“鲁”、“蒙”、“闽”、“宁”、“青”、“琼”、“陕”、“苏”、“皖”、“湘”、“新”、“学”、“渝”、“豫”、“粤”、“云”、“藏”、“浙”。对于基于深度学习端到端的车牌字符识别模型需要设置69个标签，对车牌的粗定位区域的车牌图片做字符标注，标注的规则为每个字符的最小外接矩形。几种常见的车牌字符标注方式如图2所示。
进一步地，在步骤S32中，所述预定像素为65*150像素。具体地，把标注好的车牌数据归一化到65*150像素，对于标注框也按照同样的比列缩放。缩放后的每个字符的长宽比设计端到端的字符识别网络。
下面以SSD算法(但不局限于SSD算法)设计为例，根据字符数据的分布进行网络结构的设计，并完成模型的训练。
根据本发明的一个实施例，步骤S33包括：
S331、根据标注好的车牌数据构建基础网络：采用优化的VGG结构作为端到端神经网络的基础网络，其中，优化的VGG网络的具体结构如表1所示。
表1优化的主干网络结构
Figure BDA0002647344100000061
S332、构建多尺度网络：采用conv4_3，fc7，conv6_2，conv7_2，conv8_2和conv9_2共6个特征层构建多尺度网络层。
其中，基础网络主要用于获取输入图像高度抽象的特征和具有表达能力的高层特征，高层特征的提取质量会直接影响后续网络的任务的性能。综合考虑到车牌字符识别任务的特殊性和神经网络的耗时，本发明采用优化的VGG结构做为端到端神经网络的基础网络。该基础网络的输入图像是65*150像素的3通道RGB图像。其基础网络如图3所示。
多尺度网络主要是为了在不同的尺度上完成的车牌字符精确定位和字符识别。在常见的应用场景中，可能会得到多种尺度的车牌，由于车牌的尺寸不同，以及车牌的视角，和倾斜度不同都可能导致字符的尺寸发生变化，为了能自动的适应不同尺度的车牌字符图像，本发明基于SSD网络的设计思想，在不同的层针对车牌字符本身的尺度特征设计专用的网络来检测识别车牌字符。本发明采用conv4_3,fc7,conv6_2,conv7_2,conv8_2,conv9_2共6个特征层构建多尺度网络层，其具体结构如图4所示。
在本发明的一些具体实施方式中，步骤S34包括：
S341、将标注好的车牌数据送入所述卷积神经网络的检测模型中；
S342、通过所述多尺度网络获取当前先验框位置处的车牌字符区域，通过回归任务精确定位车牌字符区域的位置矩形，并识别出所述位置矩形所对应字符的真实意义，其中，所述先验框即为上述车牌字符标注的外接矩形。
S343、输出整个车牌的各个字符的标签和各个字符的位置信息。
也就是说，该步骤可以通过多尺度网络获取当前先验框priorbox位置处的车牌字符区域，通过回归任务来精定位车牌字符区域的位置矩形，并识别出位置矩形所对应字符的真实意义，进而输出整个车牌字符的识别结果，和车牌字符的各自位置。
最后，由于得到的车牌字符识别结果是无序的，本发明通过车牌字符给出来的位置，把无序的车牌字符依据给出坐标组合成正常车牌的顺序。
总而言之，根据本发明实施例的基于深度学习的车牌字符识别方法，利用卷积神经网络直接通过输入车牌粗定位图片得到车牌的号码，省去了车牌精定位，和车牌字符切割，车牌字符识别的步骤，方法更具有便利性；使用卷积神经网络的方法直接得到车牌字符的类别和坐标，解决了用传统算法进行车牌识别过车繁琐和识别率低的问题，解决了传统采用深度学习方法需要多个模型串联资源占用过多的问题，提高了车牌字符识别开发的效率。
此外，本发明还提供一种计算机存储介质，所述计算机存储介质包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现上述任一所述的基于深度学习的车牌字符识别方法。
也就是说，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器运行时，使得所述处理器执行上述任一所述的基于深度学习的车牌字符识别方法。
如图5所示，本发明实施例提供了一种电子设备300，包括存储器310和处理器320，所述存储器310用于存储一条或多条计算机指令，所述处理器320用于调用并执行所述一条或多条计算机指令，从而实现上述任一所述的方法。
也就是说，电子设备300包括：处理器320和存储器310，在所述存储器310中存储有计算机程序指令，其中，在所述计算机程序指令被所述处理器运行时，使得所述处理器320执行上述任一所述的方法。
进一步地，如图5所示，电子设备300还包括网络接口330、输入设备340、硬盘350、和显示设备360。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器320代表的一个或者多个中央处理器(CPU)，以及由存储器310代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解，总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外，还包括电源总线、控制总线和状态信号总线，这些都是本领域所公知的，因此本文不再对其进行详细描述。
所述网络接口330，可以连接至网络(如因特网、局域网等)，从网络中获取相关数据，并可以保存在硬盘350中。
所述输入设备340，可以接收操作人员输入的各种指令，并发送给处理器320以供执行。所述输入设备340可以包括键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备360，可以将处理器320执行指令获得的结果进行显示。
所述存储器310，用于存储操作系统运行所必须的程序和数据，以及处理器320计算过程中的中间结果等数据。
可以理解，本发明实施例中的存储器310可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。本文描述的装置和方法的存储器310旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器310存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统311和应用程序312。
其中，操作系统311，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序312，包含各种应用程序，例如浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序312中。
本发明上述实施例揭示的方法可以应用于处理器320中，或者由处理器320实现。处理器320可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器320中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器320可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器310，处理器320读取存储器310中的信息，结合其硬件完成上述方法的步骤。
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地，处理器320还用于读取所述计算机程序，执行上述任一所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的车牌字符识别方法，其特征在于，包括以下步骤：
S1、获取待识别图片；
S2、从所述待识别图片中获取车牌的粗定位区域；
S3、将车牌的所述粗定位区域的图片送入基于卷积神经网络的检测模型中进行车牌字符的检测和识别，得到车牌的各个字符的标签和各个字符的位置信息；
S4、根据车牌的位置信息对车牌各个字符的顺序进行重新排列，得到完整的车牌号码。
2.根据权利要求1所述的方法，其特征在于，步骤S1包括：
S11、从卡口、电警摄像头或手持终端设备获取往来车辆的原图数据；
S12、利用车辆检测技术从所述原图数据获取车身的待识别图片。
3.根据权利要求1所述的方法，其特征在于，步骤S2包括：利用车牌检测技术从所述待识别图片中获取车牌的粗定位区域。
4.根据权利要求1所述的方法，其特征在于，步骤S3包括：
S31、对车牌的所述粗定位区域的图片进行字符标注；
S32、将标注好的车牌数据归一化到预定像素；
S33、根据标注好的车牌数据设计卷积神经网络；
S34、将标注好的车牌数据送入所述卷积神经网络的检测模型中进行车牌字符的检测和识别。
5.根据权利要求4所述的方法，其特征在于，在步骤S31中，对车牌的所述粗定位区域的图片进行字符标注的规则为每个字符的最小外接矩形。
6.根据权利要求4所述的方法，其特征在于，在步骤S32中，所述预定像素为65*150像素。
7.根据权利要求4所述的方法，其特征在于，步骤S33包括：
S331、根据标注好的车牌数据构建基础网络：采用优化的VGG结构作为端到端神经网络的基础网络；
S332、构建多尺度网络：采用conv4_3，fc7，conv6_2，conv7_2，conv8_2和conv9_2共6个特征层构建多尺度网络层。
8.根据权利要求7所述的方法，其特征在于，步骤S34包括：
S341、将标注好的车牌数据送入所述卷积神经网络的检测模型中；
S342、通过所述多尺度网络获取当前先验框位置处的车牌字符区域，通过回归任务精确定位车牌字符区域的位置矩形，并识别出所述位置矩形所对应字符的真实意义；
S343、输出整个车牌的各个字符的标签和各个字符的位置信息。
9.一种计算机存储介质，其特征在于，包括一条或多条计算机指令，所述一条或多条计算机指令在执行时实现如权利要求1-8中任一项所述的方法。
10.一种电子设备，包括存储器和处理器，其特征在于，
所述存储器用于存储一条或多条计算机指令；
所述处理器用于调用并执行所述一条或多条计算机指令，从而实现如权利要求1-8中任一项所述的方法。
CN202010858586.0A 2020-08-24 2020-08-24 基于深度学习的车牌字符识别方法、存储介质及电子设备 Pending CN112016432A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010858586.0A CN112016432A (zh) 2020-08-24 2020-08-24 基于深度学习的车牌字符识别方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010858586.0A CN112016432A (zh) 2020-08-24 2020-08-24 基于深度学习的车牌字符识别方法、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN112016432A true CN112016432A (zh) 2020-12-01

Family

ID=73505751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010858586.0A Pending CN112016432A (zh) 2020-08-24 2020-08-24 基于深度学习的车牌字符识别方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN112016432A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488099A (zh) * 2020-11-25 2021-03-12 上海电力大学 一种基于视频的电力液晶仪表上数字的检测提取装置
CN112686252A (zh) * 2020-12-28 2021-04-20 中国联合网络通信集团有限公司 一种车牌检测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CA2986860A1 (en) * 2016-11-30 2018-05-30 Altumview Systems Inc. Face detection using small-scale convolutional neural network (cnn) modules for embedded systems
WO2018233038A1 (zh) * 2017-06-23 2018-12-27 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质
CN109214250A (zh) * 2017-07-05 2019-01-15 中南大学 一种基于多尺度卷积神经网络的静态手势识别方法
CN109800755A (zh) * 2018-12-14 2019-05-24 中国科学院深圳先进技术研究院 一种基于多尺度特征的遥感影像小目标检测方法
CN111444917A (zh) * 2020-03-30 2020-07-24 合肥京东方显示技术有限公司 车牌字符识别方法、装置、电子设备和存储介质
CN111539425A (zh) * 2020-04-24 2020-08-14 江震宇 一种车牌识别方法、存储介质及电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2986860A1 (en) * 2016-11-30 2018-05-30 Altumview Systems Inc. Face detection using small-scale convolutional neural network (cnn) modules for embedded systems
WO2018233038A1 (zh) * 2017-06-23 2018-12-27 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质
CN109214250A (zh) * 2017-07-05 2019-01-15 中南大学 一种基于多尺度卷积神经网络的静态手势识别方法
CN107909564A (zh) * 2017-10-23 2018-04-13 昆明理工大学 一种基于深度学习的全卷积网络图像裂纹检测方法
CN109800755A (zh) * 2018-12-14 2019-05-24 中国科学院深圳先进技术研究院 一种基于多尺度特征的遥感影像小目标检测方法
CN111444917A (zh) * 2020-03-30 2020-07-24 合肥京东方显示技术有限公司 车牌字符识别方法、装置、电子设备和存储介质
CN111539425A (zh) * 2020-04-24 2020-08-14 江震宇 一种车牌识别方法、存储介质及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武玉伟: "《深度学习基础与应用》", 北京：北京理工大学出版社, pages: 67 - 70 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488099A (zh) * 2020-11-25 2021-03-12 上海电力大学 一种基于视频的电力液晶仪表上数字的检测提取装置
CN112488099B (zh) * 2020-11-25 2022-12-16 上海电力大学 一种基于视频的电力液晶仪表上数字的检测提取装置
CN112686252A (zh) * 2020-12-28 2021-04-20 中国联合网络通信集团有限公司 一种车牌检测方法和装置

Similar Documents

Publication Publication Date Title
US9002066B2 (en) Methods, systems and processor-readable media for designing a license plate overlay decal having infrared annotation marks
WO2020042489A1 (zh) 违法停车案件的鉴别方法、装置和计算机设备
WO2021143059A1 (zh) 地图区域的确定方法、装置、设备及存储介质
CN110751682B (zh) 一种提取和标识图像的方法、装置、终端设备及存储介质
CN109697468B (zh) 样本图像的标注方法、装置及存储介质
US10521700B2 (en) Methods and systems for converting a line drawing to a rendered image
CN108090486B (zh) 一种台球比赛中的图像处理方法及装置
KR20210080291A (ko) 차량 번호판 인식 방법, 차량 번호판 인식 모델의 트레이닝 방법 및 장치
CN112016432A (zh) 基于深度学习的车牌字符识别方法、存储介质及电子设备
CN110008997B (zh) 图像纹理相似度识别方法、装置及计算机可读存储介质
Farhat et al. Real-time embedded system for traffic sign recognition based on ZedBoard
WO2020125062A1 (zh) 一种图像融合方法及相关装置
CN111950355A (zh) 印章识别方法、装置及电子设备
CN111639704A (zh) 目标识别方法、装置及计算机可读存储介质
CN114638294A (zh) 一种数据增强方法、装置、终端设备及存储介质
CN113393487A (zh) 运动目标检测方法、装置、电子设备及介质
CN114638969A (zh) 一种车身多属性检测方法、电子设备、存储介质
CN114299030A (zh) 物体检测模型处理方法、装置、设备及存储介质
CN114693963A (zh) 基于电力数据特征提取的识别模型训练、识别方法及装置
CN111401981B (zh) 竞价云主机的竞价方法、装置及存储介质
CN111709377A (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN112686176A (zh) 目标重识别方法、模型训练方法、装置、设备及存储介质
CN107169517B (zh) 判断重复笔画的方法、终端设备及计算机可读存储介质
CN116189109A (zh) 模型训练方法、道路事件检测方法、装置及相关设备
CN115019297A (zh) 一种基于颜色增广的实时车牌检测识别方法和装置

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