[發明專利]一種實時交通場景的多車牌動態識別方法

在審

• 申請號: 201810368034.4
• 申請日: 2018-04-23
• 公開（公告）號: CN108509954A
• 公開（公告）日: 2018-09-07
• 發明（設計）人: 張中;牛雷
• 申請（專利權）人: 合肥湛達智能科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 昆明合眾智信知識產權事務所 53113
• 代理人: 錢磊

本發明公開了一種實時交通場景的多車牌動態識別方法，主要分為圖像預處理、車牌定位網絡訓練、圖像后處理、識別網絡訓練等幾個主要步驟。利用車牌定位網絡和字符識別網絡，能夠在不分割字符信息的情況下，高效實時地識別單張圖片中的多個車牌信息，相較于傳統的字符分割、識別方法具有創新優勢，并可大量應用到停車場收費、高速公路等違章行為監測中。

技術領域

本發明涉及機器視覺和圖像處理技術領域，具體是一種實時交通場景的多車牌動態識別方法。

背景技術

近年來，隨著智能交通領域的快速發展，車牌自動識別算法的研究引起了越來越廣泛的關注。自動化、快速、準確和強大的車牌識別系統已經成為交通管制和交通法規執法的需求。

傳統的車牌識別方法主要分為車牌區域定位、車牌字符分割、字符識別三個步驟，且都是基于單張圖片的單個車牌進行識別。現有技術CN107220638A 公開了一種基于深度學習卷積神經網絡的車牌檢測識別方法，其主要內容包括：數據采集模塊、檢測識別訓練模塊、字符定位測試模塊，其過程為，首先使用構造自動儲存系統來歸類真實世界中含有車牌的圖像，在不同光照、可視角度、場景中采集足夠數量的車牌與切割字符圖像，然后使用一系列深度神經網絡進行車牌檢測與識別的訓練，得到的模型再由切割好的字符單獨進行檢測與識別，最終合并成為結果。該技術優點在于將不同場景條件下的車牌與切割完好的車牌字符輸入已經訓練好的網絡，其中字符切割與識別部分是設計了多步驟的分割操作，然后對字符進行分類與檢測。但是該技術雖然能夠識別車牌，但是由于受光照強度、車牌形狀、污跡遮擋等一系列原因的影響，并不能夠對字符進行完美的切割，這就對后續的識別過程帶來了很大的不確定性。

又有現有技術CN107590774A提供了一種基于生成對抗網絡的車牌清晰化方法及裝置，包括：將目標車牌圖像輸入至生成網絡，生成網絡由樣本車牌圖像訓練得到，用于將低分辨率的車牌圖像進行清晰化處理，并生成符合車牌標準的高分辨率的車牌圖像，其中，樣本車牌圖像為符合車牌標準的車牌圖像；基于生成網絡，對目標車牌圖像進行清晰化處理；輸出符合車牌標準的清晰車牌圖像。該技術優點在于將車牌圖像進行清晰化處理，根據清晰化圖像分析識別車牌，提高了識別準確度。但是該技術的清晰化處理為在低分辨率圖片中提取圖像，低分辨率提取過程可能會造成車牌照片發生改變，最終導致車牌識別錯誤。

發明內容

本發明的目的在于提供一種實時交通場景的多車牌動態識別方法，以解決上述背景技術中提出的車牌識別易受外界環境因素影響，在車牌清晰化過程中易出現車牌提取錯誤導致車牌識別誤差的問題。

為實現上述目的，本發明提供如下技術方案：

一種實時交通場景的多車牌動態識別方法，其特征在于運用多種卷積神經網絡對車牌進行整體識別，包括以下步驟：

S1、建立卷積神經網絡，其包括車牌定位網絡和車牌識別；

S2、圖像預處理：將采集到的圖像調整為224*224分辨率；

S3、定位網絡訓練：將S2中處理過的圖像輸入到車牌定位網絡中進行特征學習；

S4、圖像后處理：把S3中定位后的車牌圖像拉伸到224*224分辨率；

S5、識別網絡訓練：將S4中處理過的車牌圖像輸入到車牌識別網絡中進行學習；

S6、神經網絡測試：將測試圖片輸入到車牌定位網絡和車牌識別網絡中進行整體測試。

優選的，所述S3中將圖像輸入車牌定位網絡的特征學習包括以下步驟：

S31、所述車牌定位網絡具有16個卷積層、4個池化層、2個全連接層，層與層之間采用線性激活函數，其最后一層全連接層采用修正的線性激活函數，卷積層用于提取目標特征，全連接層用于預測坐標和類別概率；