申请/专利权人：厦门市润铭网络科技有限公司

申请日：2024-01-22

公开（公告）日：2024-04-19

公开（公告）号：CN117912003A

主分类号：G06V20/62

分类号：G06V20/62;G06V10/764;G06V10/80;G06V10/40;G06V10/82;G06V10/74;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明提供了一种基于深度学习的车牌识别方法及系统，该方法包括：获取各样本车牌在预设光照信息照射下的图像得到样本光照图像，对各样本光照图像进行图像增强得到样本增强图像；基于样本增强图像确定模型分类损失；对各样本增强图像进行矫正得到样本矫正图像；根据各样本矫正图像的光照像素特征、像素关联特征和轮廓特征计算模型特征损失确定模型预测损失；根据模型预测损失、模型特征损失和模型分类损失对车牌识别模型进行模型训练；将待识别车牌图像输入模型训练后的车牌识别模型进行识别得到输出车牌。本发明实施例中，车牌识别模型能有效地学习到样本矫正图像中的光照信息、关联信息和轮廓信息，提高了车牌识别模型的车牌识别的准确性。

主权项：1.一种基于深度学习的车牌识别方法，其特征在于，所述方法包括：获取各样本车牌在预设光照信息照射下的图像，得到样本光照图像，并对各样本光照图像进行图像增强，得到样本增强图像；将各样本增强图像输入车牌识别模型中的分类网络进行光照分类，并根据光照分类结果确定模型分类损失；根据各样本增强图像的标注类别，将各样本增强图像输入所述车牌识别模型中对应的特征识别通道；根据所述特征识别通道获取各样本增强图像的间隔符坐标和角点坐标，并根据所述间隔符坐标和所述角点坐标生成角点定位线；根据各角点定位线的长度和位置确定图像矫正角度，并根据所述图像矫正角度对各样本增强图像进行矫正，得到样本矫正图像；分别提取各样本矫正图像的光照像素特征、像素关联特征和轮廓特征，并根据所述光照像素特征、所述像素关联特征和所述轮廓特征生成样本特征矩阵；根据各样本矫正图像对应的样本车牌的标准特征矩阵和所述样本特征矩阵计算模型特征损失，并分别对各样本增强图像进行遮挡处理，得到样本遮挡图像；将各样本遮挡图像输入所述车牌识别模型中的遮挡预测网络进行图像生成，得到样本生成图像，并对各样本生成图像进行图像判别，得到判别结果；根据各样本生成图像与对应的样本增强图像之间的图像相似度生成样本判别信息，并根据所述判别结果和所述样本判别信息计算模型预测损失；根据所述模型预测损失、所述模型特征损失和所述模型分类损失计算模型总损失，并根据所述模型总损失对所述车牌识别模型进行模型训练；将待识别车牌图像输入模型训练后的所述车牌识别模型进行识别，得到输出车牌。

全文数据：

权利要求：

百度查询： 厦门市润铭网络科技有限公司 基于深度学习的车牌识别方法及系统

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