[發明專利]一種基于深度學習的一體化車牌識別方法

有效

• 申請號: 201811627897.5
• 申請日: 2018-12-28
• 公開（公告）號: CN109840521B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張卡;何佳;尼秀明
• 申請（專利權）人: 安徽清新互聯信息科技有限公司
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 金凱

1.一種基于深度學習的一體化車牌識別方法，其特征在于，包括如下步驟：

構建深度神經網絡模型：該深度神經網絡模型包括基礎網絡、多尺度網絡、車牌類型判斷網絡、車牌位置檢測網絡、車牌字符識別網絡和輸出結構合并層，車牌類型判斷網絡、車牌位置檢測網絡和車牌字符識別網絡共享基礎網絡和多尺度網絡，車牌類型判斷網絡、車牌位置檢測網絡和車牌字符識別網絡的輸出連接到輸出結構合并層上；

訓練深度神經網絡模型：將收集的車牌樣本圖像送入所述深度神經網絡模型中，以訓練深度神經網絡模型；

車牌識別：通過訓練后的深度神經網絡模型，對待識別車牌圖像進行車牌識別，以輸出車牌參數，所述車牌參數包括車牌類型、車牌字符和車牌矩形位置參數；

所述基礎網絡的輸出是原始輸入圖像的高層特征層feature?map，所述基礎網絡包括：卷積層conv0、連接于卷積層conv0后的最大值池化層maxpool0和連接于最大值池化層maxpool0后的MobileNet網絡結構；

所述多尺度網絡的構建，是在所述基礎網絡的基礎上構建多個輸出特征層；

所述輸出特征層為6個，所述輸出特征層包括卷積層multi-conv1/dw、multi-conv2/dw、multi-conv3/dw、multi-conv4/dw、multi-conv5/dw和multi-conv6/dw，multi-conv1/dw、multi-conv2/dw、multi-conv3/dw、multi-conv4/dw、multi-conv5/dw和multi-conv6/dw依次串聯連接；

所述車牌類型判斷網絡包括用于車牌類型判斷的卷積層conv_type，所述每一個輸出特征層的輸出連接到該卷積層conv_type上；

所述車牌位置檢測網絡包括用于車牌位置檢測的卷積層conv_loc，所述每一個輸出特征層的輸出連接到該卷積層conv_loc上；

所述車牌字符識別網絡包括用于車牌識別的卷積層recog-conv0和LSTM循環神經網絡，所述每一個輸出特征層的輸出連接到卷積層recog-conv0上，卷積層recog-conv0的輸出連接到LSTM循環神經網絡。

2.根據權利要求1所述的基于深度學習的一體化車牌識別方法，其特征在于，所述輸出結構合并層的輸出過程，包括以下步驟：

根據每一個輸出特征層上連接的車牌類型判斷網絡，篩選有效的車牌區域位置；

利用車牌位置檢測網絡和車牌字符識別網絡的輸出結果，提取所述有效的車牌區域位置中的車牌字符和車牌矩形位置參數；

將車牌矩形位置參數還原到所述原始輸入圖像的尺度上；

重復以上操作，得到所有輸出特征層的車牌字符和車牌矩形位置參數；

合并所有輸出特征層所輸出的車牌參數，以實現輸出車牌參數。

3.根據權利要求1所述的基于深度學習的一體化車牌識別方法，其特征在于，所述訓練深度神經網絡模型，包括如下步驟：

收集車牌圖像作為車牌樣本圖像；

對車牌樣本圖像進行屬性信息標注；

通過圖像增強方法對車牌樣本圖像進行擴展，擴展后的車牌樣本圖像作為車牌圖像樣本庫；

將車牌圖像樣本庫中的圖像進行尺寸歸一化操作，得到歸一化的樣本圖像集合；

將所述歸一化的樣本圖像集合送入所述深度神經網絡模型中，以訓練深度神經網絡模型。