[發明專利]一種車牌字符識別方法、裝置及電子設備

在審

• 申請號: 201811258961.7
• 申請日: 2018-10-26
• 公開（公告）號: CN111104826A
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 李杰
• 申請（專利權）人: 浙江宇視科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08;G06N3/04
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 唐維虎

本發明實施例提供了一種車牌字符識別方法、裝置及電子設備，通過將待識別的車牌圖片送入由至少兩個卷積神經網絡構成的深度相互學習網絡中，利用卷積神經網絡對所述車牌圖片中的待識別字符進行識別，確定所述待識別字符的初步輸出結果。根據所述待識別字符的初步輸出結果，獲得所述待識別字符的最終輸出結果。該方法、裝置及電子設備在利用至少兩個卷積神經網絡提取特征的基礎上，結合深度相互學習網絡，進一步優化提取特征，大大提高了車牌字符識別的準確度，從而提高了對車牌字符的識別能力。

技術領域

本發明涉及圖像處理技術領域，具體而言，涉及一種車牌字符識別方法、裝置及電子設備。

背景技術

車牌字符識別中的漢字識別是車牌識別系統的最后一步，也是至關重要的一步，它直接影響著整個識別系統的準確率與效率。國內車牌包含7個或8個字符，常見車牌的第一個字符為漢字，其他字符多為字母或數字。

車牌漢字識別通常采用四種識別方法，分別是基于模板的匹配方法、基于神經網絡的方法、基于支持向量機的方法以及最近出現的基于深度學習的方法。前三種方法是常規的識別方法，需要手動選取目標特征，識別的結果由選取特征的好壞所決定。第四種方法是最近幾年流行起來的方法，深度學習方法可以自動選取特征，當樣本較豐富時，網絡可以獲得很好的識別結果。

而卷積神經網絡則是其中一種經典而廣泛應用的結構。卷積神經網絡的局部連接、權值共享及池化操作等特性使之可以有效地降低網絡的復雜度，減少訓練參數的數目，使模型對平移、扭曲、縮放具有一定程度的不變性，并具有強魯棒性和容錯能力，且也易于訓練和優化。

然而現有的基于卷積神經網絡的車牌字符識別方法，往往忽略了由于天氣、光照、車牌整潔度、角度等因素造成的出現較嚴重的模糊、缺損、污損等干擾，給識別帶來了難度。

發明內容

有鑒于此，本發明的目的在于提供一種車牌字符識別方法、裝置及電子設備以改善上述問題。

本發明實施例提供一種車牌字符識別方法，所述方法包括：

獲取待識別的車牌圖片，將所述車牌圖片預處理后，導入至預先構建的深度互相學習網絡中，所述深度互相學習網絡包括至少兩個卷積神經網絡；

針對各所述卷積神經網絡，利用所述卷積神經網絡對所述車牌圖片中的待識別字符進行識別，確定所述待識別字符的初步輸出結果；

比對各所述卷積神經網絡對所述待識別字符的初步輸出結果，獲得所述待識別字符的最終輸出結果。

進一步地，所述針對各所述卷積神經網絡，利用所述卷積神經網絡對所述車牌圖片中的待識別字符進行識別，確定所述待識別字符的初步輸出結果的步驟，包括：

利用各所述卷積神經網絡對所述車牌圖片中的待識別字符進行識別，得到所述待識別字符的識別結果；

根據所述待識別字符的識別結果與預存的相似字符映射表之間的關系，確定所述待識別字符的初步輸出結果。

進一步地，所述識別結果包括所述待識別字符對應的各類字符以及各類字符對應的置信度，所述根據所述待識別字符的識別結果與預存的相似字符映射表之間的關系，確定所述待識別字符的初步輸出結果的步驟，包括：

獲取所述識別結果中所述待識別字符對應的置信度最大的一類字符；

查找所述預存的相似字符映射表中是否存在與所述置信度最大的一類字符具有映射關系的相似字符，若所述預存的相似字符映射表中不存在與所述置信度最大的一類字符具有映射關系的相似字符，則將所述待識別字符的識別結果中所述置信度最大的一類字符作為所述待識別字符的初步輸出結果；

若所述預存的相似字符映射表中存在與所述置信度最大的一類字符具有映射關系的相似字符，則根據所述相似字符與預設閾值之間的關系確定所述待識別字符的初步輸出結果。