[發明專利]一種基于卷積神經網絡的車牌字符識別方法

在審

• 申請號: 201910602203.0
• 申請日: 2019-07-05
• 公開（公告）號: CN110348448A
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 趙艷芹;童朝娣
• 申請（專利權）人: 黑龍江科技大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市智科友專利商標事務所 44241
• 代理人: 曲家彬

本發明公開了一種用于車牌字符識別的卷積神經網絡結構的構建方法，包括設定車牌識別卷積神經網絡模型，對模型進行訓練的步驟，其中車牌識別卷積神經網絡初始結構包括2層卷積層、2層采樣層、3層dropout層和2層全連接層，按照輸入層、第一卷積層、第一采樣層、第一dropout層、第二卷積層、第二采樣層、第二dropout層、第一全連接層、第三dropout層、第二全連接層和輸出層順次相連，前序層的輸出作為當前層的輸入。本發明不僅在每一全連接層中加入dropout層，同時還在卷積層中加入了一個dropout層，并在多次試驗中，將每個dropout層的丟棄概率值調整到了合適的值，使網絡模型的性能較好，提升了模型的泛化能力和圖像字符識別的準確率。

技術領域

本發明涉及機器學習領域，特別涉及基于LeNet-5卷積神經網絡構建一種改進的卷積神經網絡結構，以用于車牌字符識別。

背景技術

LeNet-5是最早提出的用于識別手寫體數字方面的一種卷積神經網絡模型。在設計網絡時，設定的每層神經元代表一個學習到的中間特征，中間特征為幾個權值的組合，網絡所有神經元共同作用來表征輸入數據的特定屬性，以實現對圖片進行自動分類等操作。當相對于網絡的復雜程度（即網絡的表達能力、擬合能力）而言數據量過小時，容易出現過擬合現象，顯然這時各神經元表示的特征相互之間存在許多重復和冗余。為了防止這種過擬合現象，提高模型泛化能力，現在不少基于LeNet-5改進的模型被提出，一般是將dropout加在最后的全連接層，但效果不是特別理想，此外，dropout概率值的選取和最終的效果也有必然的聯系，需要通過反復試驗去對比。同時傳統的LeNet-5網絡結構包括現有的改進模型在識別相似字符時準確率不是很高且速度慢，容易識別錯誤，如將7識別成1，手寫體2甚至識別成4等。

發明內容

針對上述的背景技術，為克服卷積神經網絡車牌字符識別算法中出現的過擬合問題以及相似字符識別率不高速度慢的問題，本發明提出一種用于車牌字符識別的卷積神經網絡結構的構建方法，經該方法構建的卷積神經網絡模型可顯著防止過擬合的發生，提高模型對車牌字符識別的準確率。同時，本發明還提出了改變卷積神經網絡特征層數目的車牌字符識別方法。

本發明構建卷積神經網絡車牌字符識別的技術方案是：

一種用于車牌字符識別的卷積神經網絡結構的構建方法，包括以下步驟：

步驟A：基于經典卷積神經網絡LeNet-5設定的用于車牌字符識別的卷積神經網絡初始結構；

步驟B：使用預處理后的一組字符樣本訓練圖以及和訓練圖字符對應的標簽對步驟A中設定的初始車牌識別卷積神經網絡進行訓練，得到訓練好的車牌識別卷積神經網絡；

步驟C：使用預處理后的一組字符樣本訓練圖以及和訓練圖字符對應的標簽對步驟B中訓練好的車牌識別卷積神經網絡進行測試，得到驗證后的車牌識別卷積神經網絡；

其中步驟A中所述車牌識別卷積神經網絡初始結構包括2層卷積層、2層采樣層、3層dropout層和2層全連接層，按照輸入層、第一卷積層、第一采樣層、第一dropout層、第二卷積層、第二采樣層、第二dropout層、第一全連接層、第三dropout層、第二全連接層和輸出層順次相連，前序層的輸出作為當前層的輸入；其中所述卷積層用于對輸入的圖像進行特征提取，所述采樣層用于降維和特征整合，所述全連接層用于線性變換，所述dropout層用于縮減網絡臃腫結構，防止模型過擬合，提高收斂速度，所述輸出層與所述第二全連接層構成一個Softmax分類器，所述Softmax分類器用于對字符圖片進行分類，輸出字符圖片對應車牌中的字符。