【CN110020650A】一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置【专利】

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910232421.X

(22)申请日 2019.03.26

(71)申请人 武汉大学

地址 430072 湖北省武汉市武昌区珞珈山

武汉大学

(72)发明人 章登义　张强　武小平　章辉宇　

(74)专利代理机构 武汉科皓知识产权代理事务

所(特殊普通合伙) 42222

代理人 罗飞

(51)Int.Cl.

G06K 9/32(2006.01)

G06N 3/04(2006.01)

G06N 3/08(2006.01)

(54)发明名称

一种针对倾斜车牌的深度学习识别模型的

构建方法、识别方法及装置

(57)摘要

本发明公开了一种针对倾斜车牌的深度学

习识别模型的构建方法、识别方法及装置，构建

方法包括：从收集的车牌图像中确定车牌坐标，

计算仿射参数；构建识别倾斜车牌的深度学习网

络框架；利用收集的数据集训练定位网络，通过

训练好的参数模型和车牌数据集训练车牌字符

识别网络。本发明针对倾斜车牌识别提出一种基

于深度学习方法的识别网络框架，可以实现大大

提高倾斜车牌的识别精度的技术效果。权利要求书2页 说明书8页 附图5页CN 110020650 A 2019.07.16

C N 110020650

A

1.一种针对倾斜车牌的深度学习识别模型的构建方法，其特征在于，包括：

步骤S1：收集倾斜车牌图像，构建训练数据集，记录每张倾斜车牌图像的车牌号码，并标定每张倾斜车牌图像中的车牌坐标，其中，车牌坐标包括四个顶点的实际坐标，根据预设的四个顶点的虚拟坐标和实际坐标，计算出对应的仿射参数；

步骤S2：根据对应的仿射参数和车牌号码，将训练数据集划分为车牌定位训练集和车牌识别训练集；

步骤S3：基于深度学习框架构建深度学习识别模型框架，深度学习识别模型框架包括定位网络和识别网络；

步骤S4：通过车牌定位训练集输入定位网络，进行车牌定位训练，再根据定位训练的参数，将车牌识别训练集输入识别网络，进行车牌识别训练，获得训练后的深度学习识别模型。

2.如权利要求1所述的方法，其特征在于，步骤S1中，根据预设的四个顶点的虚拟坐标和实际坐标，计算出对应的仿射参数，具体包括：

采用公式1来计算对应的仿射参数：

其中，(x ,y)表示一个虚拟坐标，(x ',y

')表示该虚拟坐标仿射后对应的实际坐标，

表示仿射矩阵，m 00、m 01、m 02、m 10、m 11、m 12表示仿射参数。

3.如权利要求1所述的方法，其特征在于，步骤S4具体包括：

通过车牌定位训练集输入定位网络，进行车牌定位训练；

判断定位网络损失函数是否收敛到预设程度，如果是，则将此时的参数作为定位参数，如果否，则继续进行车牌定位训练；

根据定位参数，将车牌识别训练集输入识别网络，进行车牌识别训练，获得训练后的深度学习识别模型。

4.如权利要求3所述的方法，其特征在于，获得训练后的深度学习识别模型之后，所述方法还包括：

再利用车牌定位训练集和车牌识别训练集进行一次车牌定位训练和一次车牌识别训练。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

利用验证数据集对训练后的深度学习识别模型进行测试，迭代修改超参数，直到达到预设测试精度，其中，验证数据集步骤S1中的训练数据集中划分获得。

6.一种针对倾斜车牌的深度学习识别模型的构建装置，其特征在于，包括：

训练数据集构建模块，用于收集倾斜车牌图像，构建训练数据集，记录每张倾斜车牌图像的车牌号码，并标定每张倾斜车牌图像中的车牌坐标，其中，车牌坐标包括四个顶点的实际坐标，根据预设的四个顶点的虚拟坐标和实际坐标，计算出对应的仿射参数；

训练数据集划分模块，用于根据对应的仿射参数和车牌号码，将训练数据集划分为车

权　利　要　求　书1/2页2CN 110020650 A