一种基于深度学习的车牌字符识别方法与流程

1.本发明涉及车牌识别技术领域，具体涉及一种基于深度学习的车牌字符识别方法。


背景技术：

2.车牌自动识别系统也叫做lpr(license plate recognition)系统，目前国内做的比较成熟的产品有北京汉王科技有限公司开发的“汉王眼”车牌识别系统，厦门宸天电子科技有限公司研发的supplate系列，深圳吉通电子有限公司研发的“车牌通”车牌识别产品、亚洲视觉科技有限公司研发的vecon-vis自动识别系统等。也有很多高校在研究这个课题。国外相对的在这个方面开始的比较早，同时他们的车牌种类单一，字符简单，容易定位识别有关，取得不错的成就。
3.关于车牌识别的研究，虽然国内外学者已经作了大量的工作，但仍然存在一些问题。在车辆还比较新的时候，车牌上的字迹清晰，较容易识别，随着车龄越来越大，车子经过风吹雨淋，车牌难免受到一定程度的磨损，这样就会造成识别的难度。比如车牌图像的倾斜、车牌自身的磨损、光线的干扰都会影响到定位的精度。
4.车牌字符识别是在车牌准确定位的基础上，对车牌上的汉字、字母、数字进行有效确认的过程。目前已有的方法很多，但其效果与实际的要求相差很远，难以适应现代化交通系统高速度、快节奏的要求，专利申请号为cn202022856669.4公开的一种应用地感线圈的车牌自动识别系统，包括，车牌自动识别系统中设置有矩形布置用于感应车辆的地感线圈，车牌自动识别系统通过地感线圈的感应启动摄像探测模块对车辆进行车牌信息捕捉识别，实现车辆放行的自动化，我们在此基础上提出了一种基于深度学习的车牌字符识别方法。


技术实现要素：

5.本发明实施例提供了一种基于深度学习的车牌字符识别方法，通过。
6.鉴于上述问题，本发明提出的技术方案是：
7.一种基于深度学习的车牌字符识别方法，包括以下步骤：
8.s1，场地模型建立，
9.所述场地模型建立包括场地比例测算、录入车牌尺寸和录入标准字符模板；
10.s2，图像采集，
11.所述图像采集包括传感器、辅助照明设备和图像采集设备，所述图像采集主要用于采集车辆图像；
12.s3，图像处理，
13.所述图像处理包括图像预处理、车牌定位、字符分割、字符比对和字符识别；
14.s4，数据管理，
15.所述数据管理包括车牌登记信息和车牌图像存储。
16.作为本发明的一种优选技术方案，所述场地比例测算，在图像采集设备的采集区
域确定一处固定点位，对其拍摄，测量出拍摄的图片中标准尺的尺寸，并计算出图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例关系。
17.作为本发明的一种优选技术方案，所述录入车牌尺寸包括录入车牌的长宽尺寸、车牌中字符的宽度尺寸、字符的高度尺寸、字符之间的间隔宽度尺寸和间隔符的宽度尺寸。
18.作为本发明的一种优选技术方案，所述图像预处理对拍摄的图像进行二值化、边缘检测、去除噪声和图像灰度化。
19.作为本发明的一种优选技术方案，所述车牌定位，是将经过图像预处理的拍摄图片通过边缘检测算法提取车牌边框位置，并测算出图片中提取的车牌边框尺寸，所得出的边框尺寸乘以图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例，并与实际中车牌尺寸进行比对，来确定车牌定位是否准确。
20.作为本发明的一种优选技术方案，所述字符分割，是将所述车牌定位所截取的车牌内容乘以图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例，并结合录入的字符宽度尺寸、字符的高度尺寸、字符之间的间隔宽度尺寸和间隔符的宽度尺寸，将所述车牌定位中的字符进行分割。
21.作为本发明的一种优选技术方案，所述字符比对包括标准字符特征提取，通过神经网络学习标准字符样本，提取字符样本特征。
22.作为本发明的一种优选技术方案，所述字符识别，对待识别的字符进行识别时，神经网络将待识别字符的特征和之前得到的样本特征匹配，从而对单个字符进行识别。
23.作为本发明的一种优选技术方案，所述车牌图像存储包括所有采集图像，所述车牌登记信息是将车牌中的字符信息被识别出来后就输入到车牌登记信息系统中，并进行查找对比，方便公安机关追查被盗车辆。
24.相对于现有技术而言，本发明的有益效果是：本一种基于深度学习的车牌字符识别方法，在使用前对固定点位进行拍摄，并测算拍摄图片中固定点位的尺寸与实际点位的尺寸比例，通过场地模型建立和录入的车牌边框的实际长度、宽度尺寸，模拟拍摄图片中车牌边框的长度、宽度尺寸，通过图像预处理提高目标和背景图像的对比度，通过对图像边缘检测算法提取车牌边框位置，由于车牌字符的灰度值与车牌底色的灰度值相差较大，字符与底色的交界处就有灰度突变，灰度突变处就会产生边缘，通过检测车牌的外边框来定位车牌，所以首先利用边缘检测算法提取车牌边框的大概位置，然后，通过实际车牌的长、宽尺寸除以固定点位的尺寸与实际中固定点位的尺寸比例数值，得到图片中车牌边框的尺寸，进而确定图片中车牌边框的精确位置，通过对录入的标准字符进行二值化和边缘处理，通过神经网络扫描记忆单个字符的线性表达方式，通过扫描二值化和字符分割后的单个字符边缘灰度，得到采集图片中单个字符的线性展现方式，并与标准字符的线性展现方式模拟相似度，从而实现对单个字符的识别，车牌识别过程中不可避免因恶劣天气或不可抗力因素导致的识别错误，通过图像存储对所采集图像进行存储，以便后续查证，将识别出来的车牌信息录入车牌登记信息系统中，也为公安机关追查被盗车辆提供了侦查方向。
25.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
26.图1为本发明实施例公开的一种基于深度学习的车牌字符识别方法流程示意图。
具体实施例
27.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实施例，而不是全部的实施例。
28.如图1所示，一种基于深度学习的车牌字符识别方法，包括以下步骤：
29.s1，场地模型建立，
30.场地模型建立包括场地比例测算、录入车牌尺寸和录入标准字符模板；
31.s2，图像采集，
32.图像采集包括传感器、辅助照明设备和图像采集设备，图像采集主要用于采集车辆图像，传感器为地感线圈，当有车辆经过时触发地感线圈，触发成功后摄像机自动采集当前的图像；
33.s3，图像处理，
34.图像处理包括图像预处理、车牌定位、字符分割、字符比对和字符识别；
35.s4，数据管理，
36.数据管理包括车牌登记信息和车牌图像存储。
37.作为本发明的一种实施例，进一步的，场地比例测算，在图像采集设备的采集区域确定一处固定点位，对其拍摄，测量出拍摄的图片中标准尺的尺寸，并计算出图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例关系。
38.作为本发明的一种实施例，进一步的，录入车牌尺寸包括录入车牌的长宽尺寸、车牌中字符的宽度尺寸、字符的高度尺寸、字符之间的间隔宽度尺寸和间隔符的宽度尺寸，车牌长度是44cm，宽度是14cm，每个字符的宽度为45mm，高度为90mm，间隔符的宽度为10mm，除了第二个和第三个字符之间的间距为34mm外，字符之间的间隔宽度12mm。
39.作为本发明的一种实施例，进一步的，图像预处理对拍摄的图像进行二值化、边缘检测、去除噪声和图像灰度化，由于采集的图像总是会受到各种噪声的影响，为了保证后续处理的精确度，对二值化后的车牌图像进行中值滤波处理，经过预处理的车牌图像够强增能目标图像，提高目标和背景图像的对比度，方便车牌识别的后续工作。
40.作为本发明的一种实施例，进一步的，车牌定位，是将经过图像预处理的拍摄图片通过边缘检测算法提取车牌边框位置，并测算出图片中提取的车牌边框尺寸，所得出的边框尺寸乘以图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例，并与实际中车牌尺寸进行比对，来确定车牌定位是否准确，由于车牌字符的灰度值与车牌底色的灰度值相差较大，字符与底色的交界处就有灰度突变，灰度突变处就会产生边缘，通过检测车牌的外边框来定位车牌，所以首先利用边缘检测算法提取车牌边框的大概位置，然后，通过实际车牌的长、宽尺寸除以固定点位的尺寸与实际中固定点位的尺寸比例数值，得到图片中车牌边框的尺寸，进而确定图片中车牌边框的精确位置。
41.作为本发明的一种实施例，进一步的，字符分割，是将车牌定位所截取的车牌内容乘以图片中固定点位的尺寸与实际中固定点位的尺寸之间的比例，所得到的尺寸便是车牌的实际尺寸，并结合录入的字符宽度尺寸、字符的高度尺寸、字符之间的间隔宽度尺寸和间
隔符的宽度尺寸，将车牌定位中的字符进行分割。
42.作为本发明的一种实施例，进一步的，字符比对包括标准字符特征提取，通过神经网络学习标准字符样本，提取字符样本特征，将标准字符模板二值化，并将标准模板中的字符以线性的方式，神经网络通过扫描记忆单个字符的线性表达方式。
43.作为本发明的一种实施例，进一步的，字符识别，对待识别的字符进行识别时，神经网络将待识别字符的特征和之前得到的样本特征匹配，从而对单个字符进行识别，通过扫描二值化和字符分割后的单个字符边缘灰度，得到采集图片中单个字符的线性展现方式，并与标准字符的线性展现方式模拟相似度，从实现对单个字符的识别。
44.作为本发明的一种实施例，进一步的，车牌图像存储包括所有采集图像，车牌登记信息是将车牌中的字符信息被识别出来后就输入到车牌登记信息系统中，并进行查找对比，方便公安机关追查被盗车辆，车牌识别过程中不可避免因恶劣天气或不可抗力因素导致的识别错误，通过图像存储对所采集图像进行存储，以便后续查证，将识别出来的车牌信息录入车牌登记信息系统中，也为公安机关追查被盗车辆提供了方向。
45.本一种基于深度学习的车牌字符识别方法，在使用前对固定点位进行拍摄，并测算拍摄图片中固定点位的尺寸与实际点位的尺寸比例，通过场地模型建立和录入的车牌边框的实际长度、宽度尺寸，模拟拍摄图片中车牌边框的长度、宽度尺寸，通过图像预处理提高目标和背景图像的对比度，通过对图像边缘检测算法提取车牌边框位置，由于车牌字符的灰度值与车牌底色的灰度值相差较大，字符与底色的交界处就有灰度突变，灰度突变处就会产生边缘，通过检测车牌的外边框来定位车牌，所以首先利用边缘检测算法提取车牌边框的大概位置，然后，通过实际车牌的长、宽尺寸除以固定点位的尺寸与实际中固定点位的尺寸比例数值，得到图片中车牌边框的尺寸，进而确定图片中车牌边框的精确位置，通过对录入的标准字符进行二值化和边缘处理，通过神经网络扫描记忆单个字符的线性表达方式，通过扫描二值化和字符分割后的单个字符边缘灰度，得到采集图片中单个字符的线性展现方式，并与标准字符的线性展现方式模拟相似度，从而实现对单个字符的识别，车牌识别过程中不可避免因恶劣天气或不可抗力因素导致的识别错误，通过图像存储对所采集图像进行存储，以便后续查证，将识别出来的车牌信息录入车牌登记信息系统中，也为公安机关追查被盗车辆提供了侦查方向。
46.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。