申请/专利权人：浙江工业大学

申请日：2020-07-09

公开（公告）日：2024-06-21

公开（公告）号：CN111985470B

主分类号：G06V20/62

分类号：G06V20/62;G06V20/40;G06V10/82;G06N3/0464;G06N3/0442;G06N3/045;G06V10/26;G06T3/4007

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2020.12.11#实质审查的生效;2020.11.24#公开

摘要：一种自然场景下的船牌矫正识别方法，包括以下步骤：1数据获取：通过摄像头采集港口进出船舶的图片；2数据处理：对图片进行标注并将船牌图像裁剪；3模型训练：用标注的船牌图片训练船牌矫正识别模型；4模型检测：用训练好的救生衣检测模型对船牌图像进行识别，得到矫正后的船牌图像和船牌名；本发明选取深度学习模型，在无需添加额外的标注情况下，提高对船牌的识别速度和准确率，具有较高的实际应用价值。

主权项：1.一种自然场景下的船牌矫正识别方法，其特征在于，所述方法包括以下步骤：S1：数据获取：通过摄像头采集港口进出船舶的图片；S2：数据处理：对原图裁剪获取船牌图片；S3：模型训练：用文字矫正模型训练船牌矫正识别，过程如下：S3-1:将船牌图像I传入，将图像转换成小图Id，然后传入定位网络，回归出一系列坐标点，通过激活函数归一化为[-1,1]，确定出20个确定文字区域的基准点C；S3-2:将船牌图片I与S3-1中生成的20个基准点的坐标输入网格生成网络，通过TPS变换输出另一组基准点C′，并生成输出坐标；S3-3:通过采样器进行双线性插值并将超出图的部分直接删掉，得到修正后的输出图像I′；S3-4：将矫正后的船牌图像I′输入识别网络，识别网络主要分为编码层和解码层，图像输入后先通过编码层提取文字特征，再通过解码层得到正向船牌识别结果和反向船牌识别结果；S4：模型检测：用训练好的船牌矫正模型对船牌进行矫正识别并得到船牌名；所述步骤S2包括以下步骤：S2-1：去除不含船牌的图片，对包含船牌的图片中的船牌边框四个顶点进行标定，四个顶点的坐标记为x1,y1,x2,y2，x3,y3，x4,y4，标签类别标成船牌名，生成xml文件；S2-2：编写图像切割程序，通过图像和xml文件将船牌切割，并转换成64*200大小并保存；S2-3：将船牌图片中出现的所有文字进行编码，得到编码文件；S2-4：编写程序将全部船牌顺序打乱，将一部分的船牌作为训练集，余下的的作为验证集，然后将对应文件名和船牌名分别保存在train.txt文件和eval.txt文件中；所述步骤S3-2中，TPS变换： 其中di,k表示pi′和C′k的欧氏距离，为常量，K＝20；P＝{pi},i＝1,2,…,N表示输入图像，P′＝{pi′},i＝1,2,…,N表示网格生成网络中对应原图生成的网格坐标信息，其中pi跟pi′表示每一个像素点的坐标，N为图像的像素点个数；所述步骤S3-4中，编码层由卷积层和双向LSTM模块构成，解码层由注意力机制模块和LSTM模块构成，图片通过卷积层提取文字特征，再经过双向LSTM模块编码得到特征序列图，然后通过注意力机制模块提取到具体每个船牌文字所在位置信息，并通过双向LSTM模块进行解码分别得到正向船牌识别结果和反向船牌识别结果。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种自然场景下的船牌矫正识别方法

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