CN113240058A - 车牌图像训练集构造方法和车牌字符检测模型训练方法 - Google Patents

Abstract

本发明提供了一种车牌图像训练集构造方法和车牌字符检测模型训练方法，其中，车牌图像训练集构造方法包括：获取车牌图像数据集中的最大车牌宽度为w和最大车牌高度为h；根据其构造标准训练样本图像的底布；在车牌图像数据集中抽取n个车牌图像并扰动缩放后沿高度方向粘贴在预制画布上，对预制画布缩放后粘贴在底布上，以形成标准训练样本图像；多次重复上述方案获取多个标准训练样本图像后汇聚形成车牌图像训练集。本发明解决了现有技术中的用于训练车牌字符检测模型的开源的车牌字符数据集的车牌图像上的字符形式单一，从而导致训练好的车牌图像字符检测模型泛化能力差，对具有复杂字符的车牌检测识别效果弱，误报率高，存在实用性差的问题。

Description

车牌图像训练集构造方法和车牌字符检测模型训练方法

技术领域

本发明涉及计算机视觉技术在智能交通领域的应用，具体而言，涉及一种车牌图像训练集构造方法和车牌字符检测模型训练方法。

背景技术

随着社会经济的逐渐发展，道路交通机动车辆的数量逐年增多，从而导致所面临的城市交通压力也愈来愈大，而基于计算机视觉技术的车牌检测与识别技术是一种能够高效进行交通管理的重要手段，从交通违章到事故监控，自动检测和识别车牌的能力都是各地执法机构使用的关键工具之一，不仅如此，车牌检测与识别技术还广泛的应用于停车场、小区安防、盗抢车辆通缉等方面，因此，如何高效准确地对车牌进行识别还切实关系到民生安全性。

传统的车牌检测是利用训练好的车牌字符检测模型对采集到的车牌图像中的字符进行识别。而车牌字符检测模型的训练是基于开源的车牌字符数据集完成的，开源的车牌字符数据集存在的问题是其中的车牌图像往往都是单行字符，其格式固定化严重，这样，在训练车牌字符检测模型时很轻易学习到字符的位置信息，即在车牌图像的固定位置检测出字符，导致训练好的车牌图像字符检测模型泛化能力差，对具有复杂字符的车牌检测识别效果弱，误报率高，存在实用性差的问题。

发明内容

本发明的主要目的在于提供一种车牌图像训练集构造方法和车牌字符检测模型训练方法，以解决现有技术中的用于训练车牌字符检测模型的开源的车牌字符数据集的车牌图像上的字符形式单一，从而导致训练好的车牌图像字符检测模型泛化能力差，对具有复杂字符的车牌检测识别效果弱，误报率高，存在实用性差的问题。

为了实现上述目的，根据本发明的一个方面，提供了一种车牌图像训练集构造方法，包括：步骤S1，统计车牌图像数据集中所有车牌图像的宽度和高度，获取其中各车牌图像的宽度中的最大车牌宽度为w，以及各车牌图像的高度中的最大车牌高度为h；步骤S2，构造标准训练样本图像的底布，底布的尺寸为W×H，其中，W=λw，H=n×h，λ为图像宽度扩展系数，n为用于构造一个标准训练样本图像所使用的车牌图像数据集中的车牌图像的个数；步骤S3，在车牌图像数据集中随机抽取n个车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，以形成标准训练样本图像；步骤S4，多次重复步骤S1至步骤S3直至获取多个标准训练样本图像后汇聚形成车牌图像训练集。

进一步地，在步骤S3中，对每个车牌图像扰动缩放时，在扰动缩放比例范围内随机选取一次扰动缩放比例值。

进一步地，扰动缩放比例范围为[0.9，1.1]。

进一步地，在步骤S3中，对车牌图像扰动缩放后，沿宽度方向进行位置判定调整，将位置判定调整后的车牌图像粘贴在预制画布上，包括：在判定随机数范围（0，1）之间任意取值，当取值落在数值区间（0，0.3] 时，将车牌图像设置成与预制画布的宽度方向的第一端边沿对齐；当取值落在数值区间（0.3，0.7] 时，将车牌图像设置在预制画布的宽度方向的中央；当取值落在数值区间（0.7，1）时，将车牌图像设置成与预制画布的宽度方向的第二端边沿对齐。

进一步地，预制画布尺寸为W’ ×H’，其中，W’=λw’， H’= n×h’+（n-1）ξ，其中，λ为图像宽度扩展系数，w’为扰动缩放后的n个车牌图像的宽度中的最大车牌宽度，h’ 为扰动缩放后的n个车牌图像的高度中的最大车牌高度，ξ为沿高度方向排列的相邻两个车牌图像之间的间隙，预设缩放比f= min（W’/W, H’/H）。

进一步地，图像宽度扩展系数λ的取值范围为[1，2]，间隙ξ的取值范围为[0，20]，构造标准训练样本图像所使用的车牌图像的个数n的取值范围为[2，6]。

进一步地，最大车牌宽度w的取值范围为[160，200]；最大车牌高度h的取值范围为[80，150]。

进一步地，车牌图像数据集中的所有车牌图像的数量为n的倍数，在步骤S3中，采用不放回取样的方式数次在车牌图像数据集中随机抽取n个车牌图像。

进一步地，底布和/或预制画布由黑色像素点构成。

根据本发明的另一方面，提供了一种车牌字符检测模型训练方法，使用上述的车牌图像训练集构造方法获取的车牌图像训练集对车牌字符检测模型进行训练。

应用本发明的技术方案，摒弃了传统的开源的车牌字符数据集，构造了一种车牌图像训练集，极大地丰富了车牌图像训练集中的车牌图像的形式，从在后期训练车牌字符检测模型时，能够强化初始模型对各种不同类型字符的车牌图像的记忆，提升训练好的车牌字符检测模型的泛化能力，确保其能够各种具有复杂字符的车牌图像提供良好的、准确的检测识别作业，从而增加车牌字符检测模型的应用场景，提高车牌字符检测模型的实用性能。

具体而言，构造车牌图像训练集需要汇集构造形成的多个标准训练样本图像，而每个标准训练样本图像的生成都是基于原始的车牌图像数据集中的具有单行字符的车牌图像构造形成；首先，构造标准训练样本图像的底布，底布的设置是为了让所有标准训练样本图像的像素尺寸统一，从而有利于车牌字符检测模型的训练精度提升，底布的尺寸为W×H，其中，W=λw，H=n×h，λ为图像宽度扩展系数，w为车牌图像数据集中所有车牌图像中的最大车牌宽度，n为用于构造一个标准训练样本图像所使用的车牌图像数据集中的车牌图像的个数，h为车牌图像数据集中所有车牌图像中的最大车牌高度，可见本发明还给出了底布的具体像素尺寸的合理计算方式，这种像素尺寸的底布含带信息跟有利于车牌字符检测模型训练过程中的模型记忆；其次，在原始的车牌图像数据集中随机抽取n个车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，以形成标准训练样本图像；在车牌图像数据集中随机抽取n个车牌图像有利于提升标准训练样本图像含带字符的多样性，即不同的标准训练样本图像所形成的n行字符各不相同，能够大幅度提升车牌字符检测模型的训练精度；不仅如此，n个车牌图像并逐一扰动缩放并沿高度方向顺次粘贴在预制画布，形成了多行字符排列形式的标准训练样本图像，大大增加了构造出的车牌图像训练集的数据丰富性和多样性，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，则提升了构造形成的每个标准训练样本图像的形式规整，便于车牌字符检测模型的归一化训练，加快车牌字符检测模型的收敛性，提升车牌字符检测模型的训练效率。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了根据本发明的一种可选实施例的车牌图像训练集构造方法的流程图；

图2示出了实施本发明的车牌图像训练集构造方法得到的实施例一的标准训练样本图像；

图3示出了实施本发明的车牌图像训练集构造方法得到的实施例二的标准训练样本图像；

图4示出了实施本发明的车牌图像训练集构造方法得到的实施例三的标准训练样本图像。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”、“和”、“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了解决现有技术中的用于训练车牌字符检测模型的开源的车牌字符数据集的车牌图像上的字符形式单一，从而导致训练好的车牌图像字符检测模型泛化能力差，对具有复杂字符的车牌检测识别效果弱，误报率高，存在实用性差的问题，本发明提供了一种车牌图像训练集构造方法和车牌字符检测模型训练方法，其中，车牌字符检测模型训练方法使用上述或下述的车牌图像训练集构造方法获取的车牌图像训练集对车牌字符检测模型进行训练。

图1是根据本发明实施例的车牌图像训练集构造方法的流程图。如图1所示，该方法包括步骤如下：步骤S1，统计车牌图像数据集中所有车牌图像的宽度和高度，获取其中各车牌图像的宽度中的最大车牌宽度为w，以及各车牌图像的高度中的最大车牌高度为h；步骤S2，构造标准训练样本图像的底布，底布的尺寸为W×H，其中，W=λw，H=n×h，λ为图像宽度扩展系数，n为用于构造一个标准训练样本图像所使用的车牌图像数据集中的车牌图像的个数；步骤S3，在车牌图像数据集中随机抽取n个车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，以形成标准训练样本图像；步骤S4，多次重复步骤S1至步骤S3直至获取多个标准训练样本图像后汇聚形成车牌图像训练集。

摒弃了传统的开源的车牌字符数据集，构造了一种车牌图像训练集，极大地丰富了车牌图像训练集中的车牌图像的形式，从在后期训练车牌字符检测模型时，能够强化初始模型对各种不同类型字符的车牌图像的记忆，提升训练好的车牌字符检测模型的泛化能力，确保其能够各种具有复杂字符的车牌图像提供良好的、准确的检测识别作业，从而增加车牌字符检测模型的应用场景，提高车牌字符检测模型的实用性能。

具体而言，构造车牌图像训练集需要汇集构造形成的多个标准训练样本图像，而每个标准训练样本图像的生成都是基于原始的车牌图像数据集中的具有单行字符的车牌图像构造形成；首先，构造标准训练样本图像的底布，底布的设置是为了让所有标准训练样本图像的像素尺寸统一，从而有利于车牌字符检测模型的训练精度提升，底布的尺寸为W×H，其中，W=λw，H=n×h，λ为图像宽度扩展系数，w为车牌图像数据集中所有车牌图像中的最大车牌宽度，n为用于构造一个标准训练样本图像所使用的车牌图像数据集中的车牌图像的个数，h为车牌图像数据集中所有车牌图像中的最大车牌高度，可见本发明还给出了底布的具体像素尺寸的合理计算方式，这种像素尺寸的底布含带信息跟有利于车牌字符检测模型训练过程中的模型记忆；其次，在原始的车牌图像数据集中随机抽取n个车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，以形成标准训练样本图像；在车牌图像数据集中随机抽取n个车牌图像有利于提升标准训练样本图像含带字符的多样性，即不同的标准训练样本图像所形成的n行字符各不相同，能够大幅度提升车牌字符检测模型的训练精度；不仅如此，n个车牌图像并逐一扰动缩放并沿高度方向顺次粘贴在预制画布，形成了多行字符排列形式的标准训练样本图像，大大增加了构造出的车牌图像训练集的数据丰富性和多样性，按照预设缩放比f对粘贴有扰动缩放后的n个车牌图像的预制画布缩放后粘贴在底布上，则提升了构造形成的每个标准训练样本图像的形式规整，便于车牌字符检测模型的归一化训练，加快车牌字符检测模型的收敛性，提升车牌字符检测模型的训练效率。

在步骤S3中，对每个车牌图像扰动缩放时，在扰动缩放比例范围内随机选取一次扰动缩放比例值。这样，确保对每个车牌图像放缩的比例尽可能均不相同，从而使得每个车牌图像上的字符大小不尽相同，更有利于模拟真实的具有多行字符的车牌的字符大小，同时最大限度地增加了生成的标准训练样本图像的多样性，有利于提高车牌字符检测模型的泛化能力以及记忆强化训练。

可选地，扰动缩放比例范围为[0.9，1.1]。在这个动缩放比例范围内对的每个车牌图像扰动缩放，能够确保最终生成的标准训练样本图像上的每个车牌图像的像素尺寸合理，其上的字符均清晰可见，且保证字符的尺寸差距不至于过大，配合真实的具有多行字符的车牌的字符大小。

需要说明的是，车牌图像扰动缩放后的宽度方向和高度方向的像素尺寸不得超出预制画布的尺寸，而预制画布的像素尺寸可以大于或等于或小于底布的像素尺寸，最终只要将粘贴有多个车牌图像的预制画布缩小或放大到与底布等大，就能够实现标准训练样本图像的像素尺寸的统一。

进一步地，在步骤S3中，对车牌图像扰动缩放后，沿宽度方向进行位置判定调整，将位置判定调整后的车牌图像粘贴在预制画布上，包括：在判定随机数范围（0，1）之间任意取值，当取值落在数值区间（0，0.3] 时，将车牌图像设置成与预制画布的宽度方向的第一端边沿对齐；当取值落在数值区间（0.3，0.7] 时，将车牌图像设置在预制画布的宽度方向的中央；当取值落在数值区间（0.7，1）时，将车牌图像设置成与预制画布的宽度方向的第二端边沿对齐。这种算法步骤的增加，能够最大限度地增加标准训练样本图像的字符样式。

在图2至图4的三个不同实施例中，各实施例均是在原始的车牌图像数据集中随机抽取4个车牌图像，为了方便图示理解，确保各车牌图像中的字符接近等大，此三个实施例中，对各实施例中抽取到的4个车牌图像的扰动缩放比例的取值均向车牌大小接近相等的趋势缩放，且将4个车牌图像沿高度方向在预制画布上粘贴后，预制画布的高度方向的尺寸截取为4个车牌图像的高度和，而实际中生成的大部分标准训练样本图像上的车牌图像的像素尺寸各异。此外，需要说明的是，在步骤S3中，在原始的车牌图像数据集中随机抽取n个车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上后，还可以将预制画布的高度方向的突出于n个车牌图像的部分裁切掉。进而，在将粘贴有n个车牌图像的预制画布按预设缩放比f对其高度方向和宽度方向单独缩放到与底布等大。

由图2至图4可以看出，利用上述的算法步骤方案得到了不同实施例的标准训练样本图像；在图2所示实施例中，一部分车牌图像被设置成与预制画布的宽度方向的第一端边沿对齐，即左端对齐；另一部分车牌图像设置成与预制画布的宽度方向的第二端边沿对齐，即右端对齐。在图3所示实施例中，第一部分车牌图像被设置成与预制画布的宽度方向的第一端边沿对齐，即左端对齐；第二部分车牌图像被设置在预制画布的宽度方向的中央；第三部分车牌图像设置成与预制画布的宽度方向的第二端边沿对齐，即右端对齐。在图4所示实施例中，全部的车牌图像被设置成与预制画布的宽度方向的第一端边沿对齐，即左端对齐；当然在未图示的实施例中，还可以是全部的车牌图像被设置成与预制画布的宽度方向的第二端边沿对齐，即右端对齐；或全部的车牌图像被设置在预制画布的宽度方向的中央。

还需要补充说明的是，在图2至图4的三个不同实施例中，以图2为例解释说明，图2中的外围线框即为底布的轮廓，预制画布经过缩放后与其等大，图2中包含的4个车牌图像中显现的字符以符号替代，其中，“甲乙丙丁”代表国内各省市的汉字简称，字母“ABCD”表示字母字符的指代不限于此，“×”指代数字；上述车牌图像的字符组合实施例仅为本发明图示的一种，本发明保护的车牌图像的组合不限于此，根据不同国家不同地区的法律法规可自行调配，只要满足单行字符的车牌图像均在本发明的保护范围内。

需要说明的是，在本发明的实施例中，预制画布尺寸为W’ ×H’，其中，W’=λw’， H’= n×h’+（n-1）ξ，其中，λ为图像宽度扩展系数，w’为扰动缩放后的n个车牌图像的宽度中的最大车牌宽度，h’ 为扰动缩放后的n个车牌图像的高度中的最大车牌高度，ξ为沿高度方向排列的相邻两个车牌图像之间的间隙，预设缩放比f= min（W’/W, H’/H）。沿高度方向排列的相邻两个车牌图像之间设置间隙ξ，能够确保车牌图像不会相互遮挡而影响其上含带的字符信息，确保车牌字符检测模型训练中能够记忆准确的字符信息。

可选地，图像宽度扩展系数λ的取值范围为[1，2]，间隙ξ的取值范围为[0，20]，构造标准训练样本图像所使用的车牌图像的个数n的取值范围为[2，6]。间隙ξ的取值范围合理设置有利于控制标准训练样本图像的整体尺寸，便于车牌字符检测模型的训练；而构造标准训练样本图像所使用的车牌图像的个数的设置，能够确保构造形成标准训练样本图像针对性地模拟出不同国家或不同地区的车牌字符结构形式，提升车牌字符检测模型的实用性。需要说明的是，为了确保构造每个标准训练样本图像时选取车牌图像的个数n可以不同，这样最大限度地增加了不同标准训练样本图像的字符信息差异性。

可选地， 最大车牌宽度w的取值范围为[160，200]；最大车牌高度h的取值范围为[80，150]。

为了保证不同的标准训练样本图像含带字符信息的差异性，车牌图像数据集中的所有车牌图像的数量为n的倍数，在步骤S3中，采用不放回取样的方式数次在车牌图像数据集中随机抽取n个车牌图像。

可选地，底布和/或预制画布由黑色像素点构成。对于底布和/或预制画布的像素值为零，当计算器对其进行统计计算，相当于不计算，有利于减计算量的减小，本发明的图示实施例中，为了便于显示，底布的颜色显示为灰色。

本发明的核心在于在训练车牌字符检测模型过程中不是利用一个车牌图像送入模型训练，而是利用多张车牌图像堆叠在一起之后形成标准训练样本图像送入车牌字符检测模型网络训练。最后对于训练完成的车牌字符检测模型还需要进入检测网络进行模型训练。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

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存在，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，也可以采用软件功能单元的形式实现。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车牌图像训练集构造方法，其特征在于，包括：

步骤S1，统计车牌图像数据集中所有车牌图像的宽度和高度，获取其中各所述车牌图像的宽度中的最大车牌宽度为w，以及各所述车牌图像的高度中的最大车牌高度为h；

步骤S2，构造标准训练样本图像的底布，所述底布的尺寸为W×H，其中，W=λw，H=n×h，λ为图像宽度扩展系数，n为用于构造一个所述标准训练样本图像所使用的所述车牌图像数据集中的车牌图像的个数；

步骤S3，在所述车牌图像数据集中随机抽取n个所述车牌图像并逐一扰动缩放后沿高度方向顺次粘贴在预制画布上，按照预设缩放比f对粘贴有扰动缩放后的n个所述车牌图像的所述预制画布缩放后粘贴在所述底布上，以形成所述标准训练样本图像；

步骤S4，多次重复步骤S1至步骤S3直至获取多个所述标准训练样本图像后汇聚形成车牌图像训练集。

2.根据权利要求1所述的车牌图像训练集构造方法，其特征在于，在所述步骤S3中，对每个所述车牌图像扰动缩放时，在扰动缩放比例范围内随机选取一次扰动缩放比例值。

3.根据权利要求2所述的车牌图像训练集构造方法，其特征在于，所述扰动缩放比例范围为[0.9，1.1]。

4.根据权利要求1所述的车牌图像训练集构造方法，其特征在于，在所述步骤S3中，对所述车牌图像扰动缩放后，沿宽度方向进行位置判定调整，将位置判定调整后的所述车牌图像粘贴在所述预制画布上，包括：在判定随机数范围（0，1）之间任意取值，

当所述取值落在数值区间（0，0.3] 时，将所述车牌图像设置成与所述预制画布的宽度方向的第一端边沿对齐；

当所述取值落在数值区间（0.3，0.7] 时，将所述车牌图像设置在所述预制画布的宽度方向的中央；

当所述取值落在数值区间（0.7，1）时，将所述车牌图像设置成与所述预制画布的宽度方向的第二端边沿对齐。

5.根据权利要求1所述的车牌图像训练集构造方法，其特征在于，所述预制画布尺寸为W’ ×H’，其中，W’=λw’， H’= n×h’+（n-1）ξ，其中，λ为图像宽度扩展系数，w’为扰动缩放后的n个所述车牌图像的宽度中的最大车牌宽度，h’ 为扰动缩放后的n个所述车牌图像的高度中的最大车牌高度，ξ为沿高度方向排列的相邻两个所述车牌图像之间的间隙，所述预设缩放比f= min（W’/W, H’/H）。

6.根据权利要求5所述的车牌图像训练集构造方法，其特征在于，所述图像宽度扩展系数λ的取值范围为[1，2]，所述间隙ξ的取值范围为[0，20]，构造所述标准训练样本图像所使用的车牌图像的个数n的取值范围为[2，6]。

7.根据权利要求1所述的车牌图像训练集构造方法，其特征在于， 所述最大车牌宽度w的取值范围为[160，200]；所述最大车牌高度h的取值范围为[80，150]。

8.根据权利要求1所述的车牌图像训练集构造方法，其特征在于，所述车牌图像数据集中的所有车牌图像的数量为n的倍数，在所述步骤S3中，采用不放回取样的方式数次在所述车牌图像数据集中随机抽取n个所述车牌图像。

9.根据权利要求1所述的车牌图像训练集构造方法，所述底布和/或所述预制画布由黑色像素点构成。

10.一种车牌字符检测模型训练方法，其特征在于，使用权利要求1至9中任一项所述的车牌图像训练集构造方法获取的车牌图像训练集对车牌字符检测模型进行训练。

Images