[發明專利]一種建立車牌識別模型的方法及裝置

有效

• 申請號: 201710039014.8
• 申請日: 2017-01-19
• 公開（公告）號: CN106897770B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 何建偉;吳香蓮;聶方;蒲津;王宏賓;劉彥;張如高
• 申請（專利權）人: 博康智能信息技術有限公司北京海淀分公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 陳博旸

一種建立車牌識別模型的方法及裝置，其中所述建立車牌識別模型的方法，包括：獲取多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息，將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值，繼而利用訓練好的神經網絡模型對車牌圖像樣本進行車牌信息識別，避免了繁瑣的車牌分割過程,解決了現有車牌識別方法不能適應復雜多變的環境且識別過程耗時嚴重的問題。

技術領域

本發明涉及圖像識別技術領域，具體涉及一種建立車牌識別模型的方法及裝置。

背景技術

在智能交通領域，車牌識別技術占據著重要的地位。傳統的車牌識別技術一般將車牌識別分為車牌定位、車牌字符分割、車牌字符識別等幾大模塊。現有車牌識別方法為將定位后的車牌圖片字符切割成若干單個字符，繼而車牌字符識別對切割后的單個字符進行識別分類。

但是現有車牌識別方法存在一定的缺點，例如，當車牌出現污損、殘缺、斷裂、粘連等情況時，傳統的字符分割方法面臨巨大挑戰，分割正確率急劇下降，直接導致車牌識別失敗。因此，傳統的車牌識別不能適應復雜多變的環境，且車牌識別過程對切割后的單個字符進行識別分類，采取大量數字圖像處理手段，耗時嚴重。

發明內容

因此，本發明要解決的技術問題在于現有車牌識別方法不能適應復雜多變的環境且識別過程耗時嚴重。

有鑒于此，本發明提供一種建立車牌識別模型的方法，包括：

獲取多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息；

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。

優選地，所述神經網絡模型為卷積神經網絡模型。

優選地，所述神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果；

所述將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，構建卷積神經網絡結構并進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值，包括：

將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對神經網絡模型進行訓練，直至所述神經網絡模型的多個字符結果輸出層對車牌圖像樣本中多個字符的識別結果的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。

優選地，所述神經網絡模型設置有長度結果輸出層，用于輸出所述車牌圖像樣本中字符長度識別結果。

相應地，本發明還提供一種建立車牌識別模型的裝置，包括：

獲取單元，用于獲取多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息；

訓練單元，用于將所述多個車牌圖像樣本和所述車牌圖像樣本中的車牌信息作為訓練數據，對卷積神經網絡模型進行訓練，直至所述神經網絡模型對車牌圖像樣本中車牌信息的識別率大于預設閾值或者神經網絡模型的損失函數的損失值收斂于預設值。優選地，所述神經網絡模型為卷積神經網絡模型。

優選地，所述神經網絡模型設置有多個字符結果輸出層，所述多個字符結果輸出層分別對應輸出所述車牌圖像樣本中多個字符的識別結果；其中所述訓練單元包括：訓練子單元，用于