[發明專利]一種基于卷積神經網絡的端到端的車牌識別方法和系統

在審

• 申請號: 201810103520.3
• 申請日: 2018-02-01
• 公開（公告）號: CN108268871A
• 公開（公告）日: 2018-07-10
• 發明（設計）人: 姚劍;曾啟飛;趙嬌;涂靜敏;李禮
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于，包括如下步驟：

步驟一，利用模擬算法獲得自然場景中相對真實的車牌圖像，包括以下子步驟；

步驟1.1，在空白的車牌底板中插入車牌號碼，生成高質量的車牌圖像；

步驟1.2，對于生成的高質量的車牌圖像，通過模擬算法模擬自然場景下車牌圖像的拍攝，得到相對真實的車牌圖像；

步驟1.3，將得到的車牌圖像插入一張隨機背景中，獲得自然場景中車牌圖像；

步驟二，以步驟一的車牌圖像作為訓練樣本，訓練樣本個數為n，利用VGG16的卷積架構來提取訓練樣本的特征，基于第2、3、4個池化層得到的特征，使用7個全連接層分別預測7個車牌字符，訓練時間為10個周期，獲得訓練好的車牌識別模型；

步驟三，將待識別的車牌圖像縮放到訓練圖像大小，并輸入到訓練好的車牌識別模型中，得到圖像中的車牌號碼。

2.如權利要求1所述的一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于：步驟1.2中所述模擬算法為高斯模糊、運動模糊、亮度對比度調節、透視變換中的一種或多種的組合。

3.如權利要求2所述的一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于：通過高斯模糊模擬自然場景下車牌圖像的拍攝，具體實現步驟如下，

(a1)、設置高斯模糊半徑R；

(a2)、根據半徑R，對于處于半徑R內的每一個像素點，計算高斯函數得到權重，二維高斯函數的表達式如下：

其中，x為像素點的橫坐標，y為像素點的縱坐標，σ為高斯函數的標準差，G(x,y)為計算得到的權重；

(a3)、以一個像素作為中心點，按照模糊半徑計算半徑范圍內像素的權重，最后對半徑范圍內所有像素加權求和，得到值代替中心點的像素值；

(a4)、對車牌圖像上所有像素遍歷執行a2和a3。

4.如權利要求2所述的一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于：通過運動模糊模擬自然場景下車牌圖像的拍攝，具體實現步驟如下，

(b1)、設置運動模糊長度N；

(b2)、根據長度設計運動模糊核，對于N＝3時，運動模糊核表示如下：

(b3)、使用運動模糊核對車牌圖像進行滑動窗口濾波。

5.如權利要求2所述的一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于：通過亮度對比度調節模擬自然場景下車牌圖像的拍攝，具體實現步驟如下，

(c1)、設置對比度參數α和亮度參數β；

(c2)、使用以下公式調節輸入車牌圖像的亮度和對比度，獲得：

I_out＝αI_in+β

其中，α控制圖像的對比度，β控制圖像的亮度，I_in表示輸入的圖像，I_out表示輸出圖像。

6.如權利要求2所述的一種基于卷積神經網絡的端到端的車牌識別方法，其特征在于：通過透視變換調節模擬自然場景下車牌圖像的拍攝，具體實現步驟如下，

(d1)、輸入原始圖像中車牌區域的4個點和車牌區域4個點的變化值，獲得4對原始圖像和變換圖像的匹配點；

在原始圖像中選擇車牌區域的4個點，車牌區域的4個點在原始位置移動一定范圍就是變換后的車牌區域，移動的大小一般在10-50個像素之間，移動方向包括水平和垂直方向；

(d2)、計算透視變換矩陣；

透視變換的通用公式表示如下：

其中，u，v表示原始圖像的坐標，w為常量，經過透視變換后的圖像坐標為表示透視變換矩陣，基于(d1)中的4對原始圖像和變換圖像的匹配點，求解出透視變換矩陣；

(d3)、根據透視變換矩陣計算變換后的圖像。