1.一种基于可信区域的车牌识别方法,其特征在于,采用k‑means++聚类来选择初始车牌候选框的数量和尺度;
采用YOLO‑L模型首先区分道路上的车辆和其他物体,所述YOLO‑L模型包含22个卷积层,5个最大池化层和2个重组层;
车牌识别算法判断车牌候选框是否位于车辆区域内,以消除车牌区域的错误识别;
如果所在车牌区域位于这些车辆区域内,则认为所在车牌区域正确,进行车牌符号检测和识别,完成车牌识别。
2.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:所述YOLO‑L模型将输入图像划分为S×S网格;
如果一个对象的中心落入一个网格单元中,该网格单元负责检测该对象;
每个网格单元预测B个边界框,以及这些框的置信度分数和类别概率P,所述置信度分数和类别概率通过预测得到;
每个图像中都有S×S×B的边界框;
当类别概率P大于给定阈值T时,对象被预测。
3.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:所述YOLO‑L模型将候选帧提取、特征提取、目标分类和目标位置统一到一个神经网络中;神经网络直接从图像中提取候选区域;整个图像的特征预测了车牌和车辆的区域;目标检测和识别被视为回归问题。
4.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:所述YOLO‑L模型实现了实时的端到端检测。
5.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:所述YOLO‑L模型检测目标帧并预测目标的置信度,在每个候选帧中的定义为Conf(Object);
在公式(1)中,Pr函数意味着是否有检测对象落入与候选框对应的网格单元中,如果该网格单元中没有对象,则Pr(Object)=0,除此以外,Pr(Object)=1;
在式(2)中, 意味着预测框与地面真值之间的交集IOU;
每个边界框由5个预测组成:x,y,w,h和置信度;
(x,y)坐标表示相对于网格单元边界的框的中心;
W和h分别代表宽度和高度,宽度和高度是相对于整个图像预测的;
最后,置信度预测表示预测框与任何地面实况框之间的IOU,如公式(3)所示;
6.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:k‑means++聚类算法得到初始候选框步骤如下:
算法:通过k‑means++算法得到盒子尺寸输入:C={box1(x1,y1),box2(x2,y2),box3(x3,y3),...,boxn(xn,yn)},该函数是关于数据集中车辆和车牌的宽度和高度,以及候选框尺寸的数量;
步骤:
S1:从C中随机选取一个样本为centroid1(centroid1∈C);
S2:对于C中的每个样本,计算每个样本到centroid1的距离,d(boxi,centroid1)=1‑IOU(boxi,centroid1),i∈(1,2,3,...,n);
S3:计算每个样本选为下一个质心的概率;
S4:定义Sumi;
其中i对应S2中第i个样本;
S5:生成一个0到1之间的随机数r,则判断r属于区域[Sumi‑1,Sumi],boxi(xi,yi)是第二个质心;
s6:重复步骤S2‑S5,直到得到k个质心。
7.根据权利要求1所述基于可信区域的车牌识别方法,其特征在于:k‑means++聚类算法得到初始候选框步骤如下:
首先进行车牌候选框和车辆区域识别,确定车牌候选框的数量和车辆区域;
设定汽车轮廓的坐标区域,标记汽车轮廓的左上角坐标为(m1,n1),右下角角坐标为(m2,n2);
标记每一个车牌候选框的左上角坐标为(x1,y1);右下角坐标为(x2,y2);
在进行车牌识别时:分别判别每个车牌候选框的左上角坐标和右下角坐标构成的区域是否落在汽车轮廓左上角坐标和右下角坐标区域之内,如果坐标区域属于汽车轮廓区域之内;
初步确定此车牌候选框为车牌框;然后进行下一步识别;
如果坐标区域在汽车轮廓区域之外,则剔除该车牌候选框。