本發(fā)明涉及智慧交通，具體涉及一種基于raw圖像的車牌識別方法及裝置。

背景技術：

1、車牌識別技術在城市交通管理、車輛識別、停車場收費管理、違章處理等多個任務中具有重要的作用，受光照條件、天氣條件等因素的影響，使得在低光照場景下車牌字符的識別仍是一個富有挑戰(zhàn)的任務。在很多情況下，人眼也難以分辨圖像中的內容，進而難以對高位視頻場景圖像進行準確的場景解析，尤其是對路側泊位中的停泊車輛的車牌號碼識別任務的應用影響較大，沒有確定的車牌信息，無法形成完整的停車收費管理證據(jù)鏈，因此現(xiàn)有技術中存在無法解決環(huán)境影響，導致識別準確率低等問題。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供了一種基于raw圖像的車牌識別方法及裝置，解決了現(xiàn)有技術中在識別過程中無法解決環(huán)境影響，導致識別準確率低等問題。

2、根據(jù)第一方面，本發(fā)明實施例提供了一種基于raw圖像的車牌識別方法，包括：

3、獲取待檢測對象的車牌數(shù)據(jù)以及歷史數(shù)據(jù)；

4、對所述歷史數(shù)據(jù)進行預處理，確定預處理后的目標數(shù)據(jù)；

5、構建車牌識別模型，利用所述目標數(shù)據(jù)對所述車牌識別模型進行訓練，確定目標車牌識別模型；

6、利用所述目標車牌識別模型對所述車牌數(shù)據(jù)進行識別，確定識別結果。

7、結合第一方面，在第一方面第一實施方式中，所述獲取待檢測對象的車牌數(shù)據(jù)以及歷史數(shù)據(jù)，包括：

8、利用監(jiān)控場景中的現(xiàn)有設備獲取所述歷史數(shù)據(jù)對應的圖像幀數(shù)據(jù)；

9、對所述歷史數(shù)據(jù)進行數(shù)據(jù)增強，確定所述歷史數(shù)據(jù)對應的各個車牌的標注標簽。

10、結合第一方面第一實施方式，在第一方面第二實施方式中，所述對所述歷史數(shù)據(jù)進行預處理，確定預處理后的目標數(shù)據(jù)，包括：所述歷史數(shù)據(jù)為raw圖像數(shù)據(jù)，

11、提取所述raw圖像數(shù)據(jù)的rggb四通道的像素值；

12、將對應的各個所述像素值進行拼合，確定rggb四通道的目標數(shù)據(jù)。

13、結合第一方面第二實施方式，在第一方面第三實施方式中，所述構建車牌識別模型，包括：

14、轉換網絡模塊，用于將所述rggb四通道的目標數(shù)據(jù)轉換為rgb三通道圖像數(shù)據(jù)；

15、識別模塊，采用全卷積神經網絡對不同尺寸的rgb三通道圖像數(shù)據(jù)進行特征提取，確定識別特征。

16、結合第一方面第三實施方式，在第一方面第四實施方式中，所述轉換網絡模塊，包括：

17、unet編解碼結構網絡，包括多個卷積池化模塊，各個所述卷積池化模塊包括兩個卷積層、兩個激活函數(shù)層以及一個池化層，實現(xiàn)對所述rggb四通道的目標數(shù)據(jù)的下采樣，確定第一特征圖；

18、解碼器，包括多個反卷積模塊，各個所述反卷積模塊多個反卷積層和激活函數(shù)層構成，實現(xiàn)對所述rggb四通道的目標數(shù)據(jù)的上采樣，確定第二特征圖；并將所述第一特征圖與所述第二特征圖進行拼接，實現(xiàn)特征融合。

19、結合第一方面第三實施方式，在第一方面第五實施方式中，所述識別模塊，包括：

20、特征金字塔網絡結構與所述全卷積神經網絡連接，從不同尺度上提取各所述圖像幀數(shù)據(jù)的語義特征；

21、全卷積神經網絡，將不同尺寸的rgb三通道圖像數(shù)據(jù)及所述語義特征經過多個卷積層、歸一化層、非線性激活層、殘差卷積模塊，得到輸出特征。

22、結合第一方面第一實施方式，在第一方面第六實施方式中，所述利用所述目標數(shù)據(jù)對所述車牌識別模型進行訓練，確定目標車牌識別模型，包括：

23、構建損失函數(shù)；

24、利用所述損失函數(shù)、所述目標數(shù)據(jù)以及對應的所述標注標簽，對所述車牌識別模型的識別模塊進行參數(shù)更新，生成目標車牌識別模型。

25、結合第一方面第六實施方式，在第一方面第七實施方式中，所述損失函數(shù)為：

26、

27、其中，c表示分類的類別總數(shù)，yc表示標簽真值，zc表示模型輸出值，為softmax函數(shù)的基本表示形式。

28、本發(fā)明實施例提供的基于raw圖像的車牌識別方法，利用信息豐富的原始具有四個通道的raw圖像數(shù)據(jù)作為輸入，構建卷積神經網絡，將rggb四通道raw數(shù)據(jù)自適應地轉換為rgb三通道圖像數(shù)據(jù)，然后連接基于rgb三通道數(shù)據(jù)預訓練的車牌字符識別模型，將車牌識別模型的模型參數(shù)進行固定，僅優(yōu)化由四通道raw數(shù)據(jù)自適應轉換為rgb三通道數(shù)據(jù)的網絡模型參數(shù)，從而充分提取和利用四通道的raw圖像數(shù)據(jù)信息，無監(jiān)督的轉換為能夠更易于進行車牌字符識別的rgb圖像。

29、根據(jù)第二方面，本發(fā)明實施例提供的基于raw圖像的車牌識別裝置，包括：

30、第一處理模塊，用于獲取待檢測對象的車牌數(shù)據(jù)以及歷史數(shù)據(jù)；

31、第二處理模塊，用于對所述歷史數(shù)據(jù)進行預處理，確定預處理后的目標數(shù)據(jù)；

32、第三處理模塊，用于構建車牌識別模型，利用所述目標數(shù)據(jù)對所述車牌識別模型進行訓練，確定目標車牌識別模型；

33、第四處理模塊，用于利用所述目標車牌識別模型對所述車牌數(shù)據(jù)進行識別，確定識別結果。

34、根據(jù)第三方面，本發(fā)明實施例提供了一種電子設備，包括：存儲器和處理器，所述存儲器和所述處理器之間互相通信連接，所述存儲器中存儲有計算機指令，所述處理器通過執(zhí)行所述計算機指令，從而執(zhí)行第一方面或者第一方面的任意一種實施方式中所述的基于raw圖像的車牌識別方法。

35、根據(jù)第四方面，本發(fā)明實施例提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲計算機指令，所述計算機指令用于使所述計算機執(zhí)行第一方面或者第一方面的任意一種實施方式中所述的基于raw圖像的車牌識別方法。

技術特征：

1.一種基于raw圖像的車牌識別方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述獲取待檢測對象的車牌數(shù)據(jù)以及歷史數(shù)據(jù)，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述對所述歷史數(shù)據(jù)進行預處理，確定預處理后的目標數(shù)據(jù)，包括：所述歷史數(shù)據(jù)為raw圖像數(shù)據(jù)，

4.根據(jù)權利要求3所述的方法，其特征在于，所述構建車牌識別模型，包括：

5.根據(jù)權利要求4所述的方法，其特征在于，所述轉換網絡模塊，包括：

6.根據(jù)權利要求4所述的方法，其特征在于，所述識別模塊，包括：

7.根據(jù)權利要求2所述的方法，其特征在于，所述利用所述目標數(shù)據(jù)對所述車牌識別模型進行訓練，確定目標車牌識別模型，包括：

8.根據(jù)權利要求7所述的方法，其特征在于，所述損失函數(shù)為：

9.一種基于raw圖像的車牌識別裝置，其特征在于，包括：

技術總結
本發(fā)明公開一種基于RAW圖像的車牌識別方法及裝置，方法包括：獲取待檢測對象的車牌數(shù)據(jù)以及歷史數(shù)據(jù)；對歷史數(shù)據(jù)進行預處理，確定預處理后的目標數(shù)據(jù)；構建車牌識別模型，利用目標數(shù)據(jù)對車牌識別模型進行訓練，確定目標車牌識別模型；利用目標車牌識別模型對車牌數(shù)據(jù)進行識別，確定識別結果。本發(fā)明利用具有四個通道的RAW圖像數(shù)據(jù)作為輸入，構建卷積神經網絡，將RGGB四通道RAW數(shù)據(jù)自適應地轉換為RGB三通道圖像數(shù)據(jù)，然后連接基于RGB三通道數(shù)據(jù)預訓練的車牌字符識別模型，將車牌識別模型的模型參數(shù)進行固定，從而充分提取和利用四通道的RAW圖像數(shù)據(jù)信息，無監(jiān)督的轉換為能夠更易于進行車牌字符識別的RGB圖像。

技術研發(fā)人員：閆昊,王永飛
受保護的技術使用者：智慧互通科技股份有限公司
技術研發(fā)日：
技術公布日：2024/10/10