[發明專利]一種基于深度學習與大數據結合的車牌識別方法及裝置

有效

• 申請號: 201911325648.5
• 申請日: 2019-12-20
• 公開（公告）號: CN111079753B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 羅茜;張斯堯;王思遠;蔣杰;張誠;李乾;謝喜林;黃晉
• 申請（專利權）人: 長沙千視通智能科技有限公司
• 主分類號: G06V20/62
• 分類號: G06V20/62;G06V30/146;G06V30/148;G06V30/18;G06V30/19;G06V10/82;G06N3/0464;G06N3/0442;G06N3/0455;G06N3/048;G06N3/084
• 代理公司: 長沙德權知識產權代理事務所(普通合伙) 43229
• 代理人: 徐仰貴

1.一種基于深度學習與大數據結合的車牌識別方法，其特征在于，包括：

通過改進的隨機梯度下降迭代算法對大數據車輛圖像的深度學習模型進行迭代訓練；其中，在每次對所述大數據車輛圖像的深度學習模型進行迭代訓練時，使用比前次迭代訓練更多的處理器來加載更多的車輛圖像數據；

通過改進的線性縮放與預熱策略對加載的所述更多的車輛圖像數據進行批量訓練，以提高對所述大數據車輛圖像的深度學習模型進行訓練的準確度；所述改進的線性縮放包括：將批量從B增加到kB時，同時將學習率從η增加到kη；所述改進的預熱策略包括：如果使用相對較大的學習率kη，則從相對較小的學習率η值開始，在前幾個時間段將所述相對較小的學習率η增加到所述相對較大的學習率kη；

通過改進的適應率縮放算法對所述批量訓練中的大批量訓練層進行訓練，得出快速訓練模型；

將通過所述深度學習模型和快速訓練模型訓練好的車輛圖像輸入循環神經網絡RNN中，以檢測所述車輛圖像的感興趣區域ROI是否為車牌；

若為車牌，則通過一體化的深度網絡模型對所述ROI進行車牌識別；所述一體化的深度網絡模型包括卷積層、雙向循環神經網絡BRNN層、線性變換層和聯結主義時間分類CTC層；

所述通過改進的隨機梯度下降迭代算法對大數據車輛圖像的深度學習模型進行迭代訓練，包括：

構建所述大數據車輛圖像的深度學習模型的損失函數L(W)：

其中，w代表深度神經網絡DNN的權重，X為訓練數據，n為X中的樣本數，Y代表訓練數據X的標注，x_i為訓練數據X中的樣本，l(x_i,y_i,w)為針對x_i和其標注y_i(i∈{1,2,...,n))所計算出的損失；

在每次對所述大數據車輛圖像的深度學習模型進行迭代訓練時，根據所述損失函數對權重的梯度更新DNN的權重：

其中，w_t為第t-1次迭代后的權重，w_t+1為第t次迭代后的權重，η為學習率，第t次迭代的批量大小為B_t，且B_t的大小為b；在每次迭代訓練時，使用比前次迭代訓練更多的處理器來加載更多的圖像數據；

所述通過改進的適應率縮放算法對所述批量訓練中的大批量訓練層進行訓練，得出快速訓練模型，包括：

獲取所述批量訓練中的大批量訓練層中的每個可學習參數的本地學習率η；

獲取所述批量訓練中的大批量訓練層中的每個層的真實學習率η'；所述真實學習率為η'＝γ×α×η；其中，γ是用戶的調整參數，γ的取值范圍為[1，50]，α為加速項；

通過公式更新權重梯度；其中，為權重梯度，w為權重，β為權重衰減；

通過公式更新加速項α；其中，μ為動量；

采用公式w＝w-α來更新權重，以得出快速訓練模型；

所述通過一體化的深度網絡模型對所述ROI進行車牌識別，包括：

對感興趣區域進行ROI池化后的特征提取，將提取的特征通過兩個卷積層，以及兩個卷積層之間的矩形池化層進行處理，以將所述提取的特征變換為特征序列D×L；其中，D＝512,L＝19，所述特征序列使用V＝(V1,V2,...,VL)表示；

在BRNN層應用所述特征序列V，形成兩個相互分離的循環神經網絡RNN，其中一個RNN前向處理所述特征序列V，另外一個RNN后向處理所述特征序列V，將兩個隱含的狀態級聯一起，輸入到具有37個輸出的線性變換層中，并轉到Softmax層，將所述37個輸出轉換到概率，所述概率對應26個字母、10個數字及一個非字符類的概率，所述概率經過BRNN層編碼，使所述特征序列V轉換到與L具有相同長度的概率估計q＝(q1,q2,...,qL)，同時使用長短期記憶網絡LSTM定義包含三個乘法門的記憶細胞，以選擇性地保存相關信息，解決RNN訓練中的梯度消失問題，

通過CTC層對所述概率估計q做序列解碼，并通過解碼后的概率估計q尋找具有最大概率的近似最優路徑：

其中，π*是具有最大概率的近似最優路徑，B算子用于一處重復的標記及非字符標記，P為概率運算；

通過所述近似最優路徑確定一體化的深度網絡模型的損失函數，并通過所述損失函數對所述ROI進行車牌識別。