[發明專利]一種基于卷積神經網絡的車牌識別方法

在審

• 申請號: 201811111970.3
• 申請日: 2018-09-14
• 公開（公告）號: CN109344825A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 謝清祿;余孟春;劉振輝
• 申請（專利權）人: 廣州麥侖信息科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于卷積神經網絡的車牌識別方法，首先對車牌圖像進行預處理，構建車牌訓練樣本集；再構建由CNN卷積網絡層、RPN候選區域提取層、ROI pooling層和判別層組成的Faster R?CNN網絡模型；通過多任務損失不斷訓練模型，生成一個準確率高的Faster R?CNN網絡模型；最后利用訓練好的Faster R?CNN網絡模型進行車牌識別，獲取車牌字符框位置信息與類別信息，再利用先驗知識對字符位置進行判定，對識別的車牌字符進行排序整合，輸出車牌識別結果。本發明所述的方法利用卷積神經網絡完成車牌識別，能夠更快速準確地完成車牌識別，避免了傳統算法中過多的步驟造成的誤差累計問題。

技術領域

本發明涉及圖像處理及計算機視覺識別技術領域，尤其涉及一種基于卷積神經網絡的車牌識別方法。

背景技術

隨著城市車輛的日益增多，交通管理的壓力也逐年增大，車輛檢測與識別技術依然是一個需要不斷創新的熱點。對于車牌檢測與識別在特定場合已經可以做到準確識別，例如逐漸成熟的無人停車場，通過圖像處理技術手段對出入的車輛進行車牌識別，進行計時和自助收費。在道路交通的現實環境中，車牌檢測與識別的技術應用具有重要意義，如公路收費、交通流量管控、車輛定位與監測、汽車防盜、違法駕駛自動監管和電子警察等現實應用。

近些年來，圖像處理技術的發展也讓車牌識別的方法多種多樣。傳統的車牌識別技術主要有：基于SVM分類器的方法和基于模板匹配的方法。傳統圖像算法車牌識別步驟為：對車牌圖片矯正，修正角度偏差過大的圖片；對矯正后的車牌圖片進行字符分割，提取單個的候選字符框；利用訓練好的模型對分割后的候選字符框分類判別，組合識別結果，最終輸出車牌信息。采用傳統的算法有一定的缺陷，在車牌字符預處理時設定閾值不妥當就可能導致識別的精度不高；對于現代車牌的顏色類別多種多樣，利用傳統圖像手段區分車牌顏色時存在相應的分類誤差；車牌旋轉調整、車牌字符分割和車牌字符識別等各個部分也一樣存在誤差，全部的誤差累計起來很難做到一個通用性高、準確率高的技術方案。

本發明提出一種基于卷積神經網絡的車牌識別方法，將Faster R-CNN網絡中的目標檢測方法應用于車牌識別。卷積神經網絡中目標檢測算法在最后區分的是待檢測物體和背景的差別，將檢測網絡經過改進后，把原有的二分類問題變成一個多分類問題，可以實現車牌字符的分類檢測，從而利用卷積神經網絡完成對車牌的準確識別。

發明內容

針對上述的技術背景，為解決上述問題，本發明提出一種基于卷積神經網絡的車牌識別方法，通過構建Faster R-CNN網絡模型，利用CNN(Convolutional NeuralNetworks)卷積網絡層對輸入圖像做特征提取，產生特征平面(Feature map)；再利用RPN(Region Proposal Networks)候選區域提取網絡對特征平面進行物體檢測，形成相應的候選框信息(proposal rois)；將提取的候選框信息與特征平面一起輸入到ROI Pooling層進行crop、resize、Flatten操作后再通過判別層輸出車牌中車牌字符的位置信息與類別信息，完成車牌字符檢測；再通過先驗知識組合檢測出的車牌字符，即完成車牌識別目標。

利用卷積神經網絡進行車牌識別的優點是：對輸入車牌圖像可直接識別，不需要旋轉、分割等操作，沒有繁多的圖像處理步驟，誤差的累積就會降低，準確率得到有效提高，使用起來更加快速方便，輸入車牌圖像直接送入網絡檢測即可完成車牌識別。

實現本發明之技術目的所采用的技術方案如下：

一種基于卷積神經網絡的車牌識別方法，包括如下的實施步驟：

步驟S1、對車牌圖像進行預處理，包括對車牌圖像中的字符進行標注，標注車牌字符的位置信息與類別信息，構建車牌訓練樣本集；

步驟S2、構建Faster R-CNN網絡模型，具體由CNN卷積網絡層、RPN候選區域提取層、ROI pooling層和判別層組成；