[發明專利]基于Caffe深度學習框架的車牌字符識別方法

有效

• 申請號: 201710823771.4
• 申請日: 2017-09-13
• 公開（公告）號: CN108108746B
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 歐先鋒;張國云;彭鑫;吳健輝;郭龍源;涂兵;周建婷
• 申請（專利權）人: 湖南理工學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06K9/34;G06K9/32
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于Caffe深度學習框架的車牌字符識別方法，其特征在于，檢測方法包括以下步驟：

步驟1：從不同光照強度、傾斜角度、遮擋程度、噪聲污染條件下拍攝的多副彩色車牌樣本圖像；

步驟2：對獲得的車牌樣本圖像預處理，得到分割后的子圖像樣本，挑選出其中包含字符的子圖像樣本，組成字符子圖像樣本集S；

步驟3：對字符子圖像樣本集S中的每個樣本s進行進一步處理，獲得處理后的字符子圖像樣本集S′；

步驟4：將字符子圖像樣本集S′中的樣本按照列表的方式存儲起來，并對列表中每一項進行分類標記；

步驟5：構建六層Caffe深度學習網絡結構，所述六層依次為卷積層1、池化層1、卷積層2、池化層2、全連接層1、全連接層2；建立網絡結構之后對該網絡結構的參數進行初始化，初始參數是系統隨機生成的；

步驟6：將字符子圖像樣本集S′中每個樣本及其對應的分類標記輸入Caffe深度學習網絡結構進行字符識別，將識別結果與該圖像樣本的分類標記進行比較，根據比較結果調整網絡結構的參數，得到訓練后的Caffe深度學習網絡結構；

步驟7：通過電子警察抓拍車牌圖像，用于進行車牌字符識別；

步驟8：對獲得的車牌圖像預處理，得到分割后的子圖像，根據子圖像在車牌圖像中的位置，去除包含漢字的子圖像，保留其他包含字符的子圖像；

步驟9：對每個字符子圖像進行進一步處理，獲得處理后的字符子圖像；

步驟10：使用步驟6訓練獲得的Caffe深度學習網絡結構對每個處理后的字符子圖像進行字符識別，得到識別結果；

步驟11：按順序合并各個字符子圖像的識別結果，得到車牌的識別結果；

所述步驟3和步驟9中的所述進一步處理包括：

1)對圖像進行歸一化處理，將其大小處理為大小為n×m；

2)對歸一化處理后的圖像進行傾斜校正；

3)對字符進行縮放運算；先對傾斜校正后的圖像進行二值化運算，得到黑白圖像，從黑白圖像的第一行開始向下掃描，找到第一個像素值為255的像素點，記為點f，判斷其下側相鄰的坐標的點中是否也存在像素值為255的像素點，如果有，則認為該f點是字符在垂直方向上的起點，記載其行坐標fx；從黑白圖像的最后一行開始向上掃描，找到第一個像素值為255的像素點，記為點1，判斷其上側相鄰的坐標的點中是否也存在像素值為255的像素點，如果有，則認為該1點是字符在垂直方向上的終點，記載其行坐標lx；計算字符的高度h＝|fx-lx|；將h與設定的標準高度H相比較，如果小于設定的第一閾值，則對傾斜校正后的圖像進行放大處理，所述放大處理方式為采用雙線性插值的方式將大小為n×m的圖像放大至大小為然后再將放大后的圖像進行切割，保留其中間大小為n×m的部分；如果大于設定的第二閾值，則對傾斜校正后的圖像進行縮小處理，所述縮小處理方式為采用等間隔采樣的方式將大小為n×m的圖像縮小為然后再對圖像進行邊界填充，將其填充為大小為n×m的圖像；如果的值大于等于設定的第一閾值且小于等于設定的第二閾值，則不對傾斜校正后的圖像進行縮放處理。

2.根據權利要求1所述的Caffe深度學習框架的車牌字符識別方法，其特征在于：所述Caffe深度學習網絡結構中卷積層1和卷積層2的計算過程為：

公式(1)中，M_j表示被卷積核作用的輸入特征圖集合，為M_j集合中的第i個輸入特征圖，為卷積核的偏置，f(·)為ReLU激活函數，為卷積輸出特征圖；

池化層1和池化層2的計算公式如下：

公式(2)中down(·)表示池化核函數，f′(·)為激活函數，采用ReLU函數，和分別為每個輸出特征圖對應的池化權值和加性偏置，為池化輸入特征圖，為池化輸出特征圖；

全連接層1和全連接層2計算公式為：

公式(3)中為全連接權值，為全連接偏置，為全連接輸入特征圖，為全連接輸出特征向量，f″(·)為ReLU激活函數。

3.根據權利要求2所述的Caffe深度學習框架的車牌字符識別方法，其特征在于：各層的偏置取值相同，即