[發明專利]基于深度卷積生成式對抗網絡的車牌字符識別方法

有效

• 申請號: 201710781905.0
• 申請日: 2017-09-02
• 公開（公告）號: CN107563385B
• 公開（公告）日: 2019-10-25
• 發明（設計）人: 宋彬;王丹;關韜;黃家冕
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

本發明提出了一種基于深度卷積生成式對抗網絡的車牌字符識別方法，具體實現步驟如下：(1)提取待識別的車牌圖片；(2)構建并訓練深度卷積生成式對抗網絡DCGAN；(3)生成車牌圖片；(4)構建字符識別網絡的樣本集；(5)構建并訓練車牌字符識別網絡CNN；(6)車牌字符識別。本發明采用基于深度卷積生成式對抗網絡的車牌字符識別方法，能夠有效克服現有技術中車牌數據嚴重匱乏，訓練樣本少導致網絡過擬合的缺點，有效地增強了數據樣本，而且使得字符識別網絡的泛化能力和魯棒性更強，提高了車牌字符識別率。

技術領域

本發明屬于圖像處理技術領域，更進一步涉及深度學習中的一種基于深度卷積生成式對抗網絡的字符識別方法。本發明針對交通系統中，從路口設置的高清拍照設備所得到的圖片中提取車牌圖像，進而用少量車牌圖像生成大量的車牌圖像，將生成的車牌圖像處理為訓練樣本，訓練車牌字符識別網絡，實現車牌字符識別。

背景技術

隨著社會經濟水平的不斷提高和車輛的普及，規模不斷擴大的交通事業對更加智能化的技術和系統的需求更大，智能交通系統已經成為社會生活的熱點問題。車輛識別系統作為智能交通系統的重要組成部分，在高速公路入口、停車場無人管理、違章車輛自動記錄等領域都有這廣泛的應用，車牌字符識別作為車輛識別系統的重要組成，它的實現具有很大的經濟價值和現實意義。

隨著計算機硬件容量及運行速度的提高，深度學習算法已經可以對圖像進行實時處理，所以已經有越來越多的深度學習算法應用在車牌識別中。目前應用在車牌識別中的深度學習方法例如BP神經網絡、CNN等，然而深度學習需要大量的標注數據作為訓練樣本，而現實中往往在海量的數據中只有部分數據是可以使用的，并且國內車牌識別技術研究現狀是商業和私有化，研究者很難找到開放的數據進行車牌識別技術的研究，在數據交易網站，車牌數據也是相當昂貴的，所以在應用深度學習的車牌識別技術中，車牌數據的稀缺問題已經深深的影響到深度學習方法的應用。

四川九洲電器集團有限責任公司在其申請的專利文獻“一種車牌字符識別方法”(專利申請號：201210587347.1，公開號：CN103065137B)中提出了一種車牌字符識別方法。該方法首先采用canny算法和二值圖像結合的方法來識別字符，識別時提取出了字符的邊緣和跳變信息，再將字符邊緣像素的跳變與模板字符集的跳變做匹配，找到匹配度最高的模板字符，進而獲得字符的識別結果。這種基于跳變的字符識別，較好地解決了各種干擾下字符識別問題，保持較為穩定的高識別率。但是，該方法仍然存在的不足之處是，識別速度較慢，識別率和識別速度難以同時滿足，并且對于部分無車牌或車牌嚴重破損的車輛識別率是相當低的，不能很好滿足實際應用中的實時性、準確性要求。

董峻妃，鄭伯川，楊澤靜在其發表的論文“基于卷積神經網絡的車牌字符識別”中提出了一種基于卷積神經網絡的車牌字符識別方法。該方法首先對車牌字符圖像進行大小歸一化、去噪、二值化、細化、字符區域居中等預處理，去除復雜背景，得到簡單的字符形狀結構，然后利用所提出的CNN模型對預處理后的車牌字符集進行訓練、識別。實驗結果表明，該方法能夠達到較高的正確識別率。但是，該方法仍然存在的不足之處是，其一，基于深度學習的車牌識別系統中車牌數據嚴重匱乏的問題。其二，需要大量的標注數據作為訓練樣本。其三，訓練樣本過少會導致網絡過擬合。

發明內容

本發明的目的是針對上述現有技術存在的不足，提出了一種基于深度卷積生成式對抗網絡的車牌字符識別方法，本發明與現有技術中其他車牌字符識別技術相比樣本豐富，識別準確率高，速度快，適應性強。

實現本發明目的的思路是:先構建并訓練深度卷積生成式對抗網絡，將待識別的車牌圖片通過訓練好的深度卷積生成式對抗網絡生成大量的車牌圖片，再將生成的車牌圖片分別進行去噪、二值化及字符分割，將分割所得到的數字和字母構建成字符識別網絡的樣本集，然后構建并訓練車牌字符識別網絡CNN，最后將字符測試集輸入已訓練好的車牌字符識別網絡CNN進行分類，得到最終字符識別結果。

實現本發明目的的具體步驟如下：