快速车牌定位和矫正方法、存储介质及设备技术

本发明专利技术的一种快速车牌定位和矫正方法、存储介质及设备，其中方法包括从监控系统中获取视频数据，进行处理得到待识别的图像；把待识别的图像输入事先设置好的定位模型，以对图片中的车牌识别得到车牌的关键点位置；把得到的车牌关键点进行透视变换，得到矫正后的车牌图片。本发明专利技术通过定位车牌的四点坐标，再经过透视变换，得到的图片是矫正后的矩形车牌图片，可用于提高车牌检测的准确率。本发明专利技术提出采用改进的retinaface模型，把车牌的四个角点作为关键点进行检测，并使用轻量级的网络MobileNetV1(0.25)作为特征提取网络，提高了车牌检测的速度和精度。车牌检测的速度和精度。车牌检测的速度和精度。

【技术实现步骤摘要】
快速车牌定位和矫正方法、存储介质及设备


[0001]本专利技术涉及车牌定位
，具体涉及一种快速车牌定位和矫正方法、存储介质及设备。

技术介绍

[0002]随着社会的发展，道路上的车辆越来越多，对其进行管理是城市交通管理、安全管理的重要内容，车牌作为车辆的身份识别吗，能唯一的区分出车辆，通过车牌的识别管理车辆是必要的任务。由于现实场景中，车牌图片可能存在倾斜，对识别效果造成影响，因此通过准确的定位于矫正可以提高识别准确率。
[0003]现有技术情况：
[0004]目标检测定位车牌，其主要存在问题：目前目标检测多为两点检测，即通过左上角、右下角坐标确定矩形框的位置，这种定位方式对于倾斜车牌来说，会把非车牌区域包括进去，增加了识别的难度。
[0005]基于卷积神经网络的车牌定位，主要分为浅层神经网络和深层神经网络，其主要存在问题如下：
[0006]浅层神经网络，例如MTCNN网络，对于特征显著的车牌具有良好的定位效果，但是很难准确定位多种类型车牌，且该网络模型抗噪性较弱。
[0007]深层神经网络，例如Faster
‑
Rcnn网络，模型较大，速度慢，部署困难。

技术实现思路

[0008]本专利技术提出的一种快速车牌定位和矫正方法、存储介质及设备，可至少解决
技术介绍
中的技术问题之一。
[0009]为实现上述目的，本专利技术采用了以下技术方案：
[0010]一种快速车牌定位和矫正方法，通过计算机设备执行以下步骤，从监控系统中获取视频数据，进行处理得到待识别的图片；
[0011]把待识别的图片输入事先设置好的定位模型，以对图片中的车牌识别得到车牌的关键点位置；
[0012]把得到的车牌关键点进行透视变换，得到矫正后的车牌图片。
[0013]进一步的，从监控系统中获取视频数据，进行处理得到待识别的图像，具体包括：
[0014]部署监控系统采集道路上的视频数据，在指定车流量的路段，按照预定的时间间隔，将该视频划分成n张图片，采用labelme标注软件标注这n张图片，分别将n张图片的每个车牌的四个关键点标注出来即车牌的左上角、右上角、右下角、左下角，得到标签文件；把得到的标签文件按预定格式写入一个label.txt文件；把图片和文档输作为待输入数据。
[0015]进一步的，事先设置好的定位模型构建步骤如下：
[0016]采用改进的retinaface模型即采用的是MobileNetV1作为特征提取网络，该特征提取网络是轻量级的网络，通过MobileNetV1取最后三个feature map作为输出，即C3、C4、
C5；
[0017]再使用了FPN的结构，对得到的三个有效特征层进行通道数的调整，调整后利用Upsample和Add进行上采样的特征融合，得到P3、P4、P5，经过SSH后，得到S3、S4、S5三个特征层；接下来需要通过这三个有效特征层来获得预测结果；
[0018]Retinaface模型的预测结果分为三个：分类预测、车牌框预测、车牌关键点预测；
[0019]其中分类预测用于判断先验框内部是否包含物体，是一个二分类；
[0020]车牌框预测用于对先验框进行调整从而获得预测框，需要四个参数；
[0021]车牌关键点预测用于对先验框进行调整，从而获得车牌关键点的坐标，需要八个参数；
[0022]对应的，模型的损失函数由三个预测的损失函数相加而得到：
[0023]L＝λL
Loc
+L
Cla
+L
Landm
[0024]其中L表示模型输出与真实标签的差距；λL
Loc
表示输出车牌概率值与真实标签的差距，L
Cla
表示车牌框的位置和真实标签的差距，L
Landm
表示输出的四个车牌关键点坐标与真实坐标的差距，λ表示权重。
[0025]进一步的，把得到的车牌关键点进行透视变换，得到矫正后的车牌图片，其中透视变化的公式为：
[0026][0027]其中u,v是原始图片坐标，是透视变换矩阵对应得到变换后的图片坐标x,y，计算公式：
[0028][0029][0030]又一方面，本专利技术还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0031]再一方面，本专利技术还公开一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上方法的步骤。
[0032]由上述技术方案可知，本专利技术提出一种快速车牌定位和矫正的方法，包括收集图片进行人工标注，把图片和标注结果进行训练得到模型；获取机动车视频流；通过抽帧并处理得到有效图像；将图像输入模型得到车牌的四角坐标，最后对车牌区域进行透视变换得到矫正后的矩形车牌图像，本专利技术通过定位车牌的四点坐标，再经过透视变换，得到的图片是矫正后的矩形车牌图片，可用于提高车牌检测的准确率。由于本方法涉及到深度学习，所以需要收集大量的车辆图片作为训练数据集，然后需要对图片中车牌进行标记，最后将标记好的数据输入进网络得到训练完成的模型。在实际应用中，将视频流的有效帧输入训练
好的模型，就可以得到已矫正的矩形车牌图片。
[0033]本专利技术提出采用改进的retinaface模型，把车牌的四个角点作为关键点进行检测，并使用轻量级的网络MobileNetV1(0.25)作为特征提取网络，提高了车牌检测的速度和精度。
[0034]其中，改进的retinaface模型，具体的改进包括：
[0035]1、改进retinaface的网络结构，把人脸五个关键点改为车牌四角关键点，并且去掉了人脸关键点三维分析等无关的检测任务，提高了算法的训练速度
[0036]2、制作的新的数据集，对大量的车牌图片做了手工标注，用于模型网络的训练和测试。
附图说明
[0037]图1为本专利技术流程框图；
[0038]图2是本专利技术实例效果图。
具体实施方式
[0039]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。
[0040]如图1所示，本实施例所述的快速车牌定位和矫正方法，通过计算机设备执行以下步骤，
[0041]从监控系统中获取视频数据，进行处理得到待识别的图片；
[0042]把待识别的图片输入事先设置好的定位模型，以对图片中的车牌识别得到车牌的关键点位置；
[0043]把得到的车牌关键点进行透视变换，得到矫正后的车牌图片。
[0044]以下分别具体说明：
[0045]S1、从监控系统中获取视频数据，进行处理得到待识别的图像；
[0046]本实施例中，部署监控系统采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种快速车牌定位和矫正方法，其特征在于，通过计算机设备执行以下步骤，从监控系统中获取视频数据，进行处理得到待识别的图片；把待识别的图片输入事先设置好的定位模型，以对图片中的车牌识别得到车牌的关键点位置；把得到的车牌关键点进行透视变换，得到矫正后的车牌图片。2.根据权利要求1所述的快速车牌定位和矫正方法，其特征在于：从监控系统中获取视频数据，进行处理得到待识别的图像，具体包括：部署监控系统采集道路上的视频数据，在指定车流量的路段，按照预定的时间间隔，将该视频划分成n张图片，采用labelme标注软件标注这n张图片，分别将n张图片的每个车牌的四个关键点标注出来即车牌的左上角、右上角、右下角、左下角，得到标签文件；把得到的标签文件按预定格式写入一个label.txt文件；把图片和文档输作为待输入数据。3.根据权利要求2所述的快速车牌定位和矫正方法，其特征在于：事先设置好的定位模型构建步骤如下：采用改进的retinaface模型即采用的是MobileNetV1作为特征提取网络，该特征提取网络是轻量级的网络，通过MobileNetV1取最后三个feature map作为输出，即C3、C4、C5；再使用了FPN的结构，对得到的三个有效特征层进行通道数的调整，调整后利用Upsample和Add进行上采样的特征融合，得到P3、P4、P5，经过SSH后，得到S3、S4、S5三个特征层；接下来需要通过这三个有效特征层来获得预测结果；Retinafa...

【专利技术属性】
技术研发人员：孙鹏，朱文佳，骆乐乐，
申请(专利权)人：安徽百诚慧通科技有限公司，
类型：发明
国别省市：