申请/专利权人：特微乐行(广州)技术有限公司

申请日：2020-07-28

公开（公告）日：2024-03-19

公开（公告）号：CN111914839B

主分类号：G06V20/62

分类号：G06V20/62;G06V10/26;G06V10/52;G06V10/82;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.02.09#专利申请权的转移;2020.11.27#实质审查的生效;2020.11.10#公开

摘要：基于YOLOv3的同步端到端车牌定位与识别方法，获取车牌外接矩形框以及车牌号信息，制作成数据集标签文件，将数据集分为训练数据集、验证数据集和测试数据集；训练基于YOLOv3的车牌检测与识别一体化网络LP‑Yolo，使之能在检测车牌的同时实现对多种类型车牌的识别，将训练数据集增广后，放入网络训练；利用训练好的网络模型，在测试数据集上对车牌进行定位和识别，然后评估模型。本发明能对多种类型及不同长度的车牌进行分类并识别。同时，该方法提出的网络LP‑Yolo能在各种非约束环境下快速准确检测并识别车牌。

主权项：1.基于YOLOv3的端到端车牌检测与识别网络LP-Yolo，其特征在于：该网络不仅预测车牌位置信息，同时还能够预测车牌号信息，网络的输出层特征通道数nfilter如公式10所示：nfilter＝boxNum*classes+coord+conf+lpc+lpn1其中，boxNum表示每个单元格预测的边界框boundingbox个数，即每个尺度对应一个边界框，coord表示边界框的位置信息，即中心点坐标x,y和宽w高h，conf表示置信度，classes为类别个数，lpc表示车牌类型所占位数，lpn为车牌号所占位数；网络LP-Yolo增加了新的预测信息，在原有损失函数的基础上增加车牌类型及车牌号信息预测的损失，如公式11、公式12、公式13所示：NTotal_loss＝Total_loss+lpc_loss+lpn_loss2 其中，NTotal_loss、Total_loss、lpc_loss、lpn_loss分别为改进模型的总损失、原始模型总损失、车牌类型损失、车牌号损失；S×S为特征图尺寸；B为特征图每个网格单元cell产生的边界框数目；M、N分别为车牌类型和车牌号编码位数；λlpc、λlpn分别为车牌类型损失权重、车牌号信息损失权重；分别表示第i个网格的第j个anchor是否负责预测目标，当负责时，取值为1，否则，取值为0；分别为车牌类别和车牌号真实编码值；pcik、pnik分别为车牌类别和车牌号的网络预测；所述LP-Yolo网络结构，能够预测A信息和B信息，A信息是预测目标边界框的信息，包括边界框的中心点x,y、宽高w,h、置信度s及类别c，对车牌一类目标进行处理，故类别数为1，每个边框信息占6位；B信息是预测检测到的区域内的车牌类别及车牌号信息，对三种类型车牌进行分类识别，分别为普通黄蓝黑牌、双层黄牌、新能源车牌，其中前两种车牌长度均为7，后一种长度为8；编号0的部分为车牌类型表征位，编号为1-8的区预测当前所检测到的车牌牌号，如果车牌类型后续还有增加，能够对其扩展，只需要增加表征车牌类型的编码位数；引入二进制编码的方法来处理车牌类型及车牌号的预测，编码规则为：编号为0的位预测车牌类型，包括3类，使用2位二进制数编码；编号为1的位预测省份简称，包括31类，使用5位二进制数编码；编号为2的位预测发证机关代码，包括“A-Z”中除字母“O”、“I”的24个字符，使用5位二进制数编码；编号为3-8的位预测车牌号字符，包括“A-Z”中除字母“O”、“I”的24个及数字“0-9”，共34类，使用6位二进制数编码，其中，编号8的预测仅在类型为新能源车牌时有效。

全文数据：

权利要求：

百度查询： 特微乐行(广州)技术有限公司 基于YOLOv3的同步端到端车牌定位与识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD