[發(fā)明專利]一種基于深度學習與大數(shù)據(jù)結合的車牌識別方法及裝置

有效

• 申請?zhí)枺?/td>: 201911325648.5
• 申請日: 2019-12-20
• 公開（公告）號: CN111079753B
• 公開（公告）日: 2023-08-22
• 發(fā)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(chǎn)權代理事務所(普通合伙) 43229
• 代理人: 徐仰貴

本發(fā)明提供了一種基于深度學習與大數(shù)據(jù)結合的車牌識別方法及裝置，所述方法包括：通過改進的隨機梯度下降迭代算法對大數(shù)據(jù)車輛圖像的深度學習模型進行迭代訓練；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(shù)據(jù)進行批量訓練，以提高對所述大數(shù)據(jù)車輛圖像的深度學習模型進行訓練的準確度；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；將通過深度學習模型和快速訓練模型訓練好的車輛圖像輸入RNN中，檢測車輛圖像的ROI是否為車牌；若是，則通過一體化的深度網(wǎng)絡模型對ROI進行車牌識別，從而能夠提高大數(shù)據(jù)車牌識別的效率和準確性。

技術領域

本發(fā)明屬于計算機視覺與智慧交通技術領域，具體是涉及到一種基于深度學習與大數(shù)據(jù)結合的車牌識別方法、裝置、終端設備及計算機可讀介質(zhì)。

背景技術

目前，基于大數(shù)據(jù)與深度學習的模型的分布式訓練是計算機視覺領域深度學習網(wǎng)絡的一個重要研究基礎。通常，對于深度學習應用來說，更大的數(shù)據(jù)集和更大的模型能夠帶來準確度的顯著提升，但代價是會花費更長的訓練時間。伴隨著最近幾年深度學習的興起，很多研究者基于此開始嘗試在構建深度學習網(wǎng)絡訓練模型時，同時能兼顧準確度和實效性。其目標是對現(xiàn)實中的車輛圖像、行人圖像等進行訓練，使分布式訓練方法具有真實場景下廣泛的應用價值。現(xiàn)有大數(shù)據(jù)車輛圖像深度學習模型的訓練方法存在訓練速度慢，訓練成本高等缺點，例如，用目前英偉達的M40的GPU(圖像處理器)完成百萬張車輛圖像的殘差網(wǎng)絡-50(ResNet-50)訓練要花費將近14天。這一訓練總共要進行10的18次方的單精度運算。這無疑從時間成本和費用成本上來說都存在不小的缺陷。再者，現(xiàn)有的車牌識別技術中，需要進行大計算量的車牌字符分割，由此會造成車牌識別慢、不準確和實時性差等問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實施例提供一種基于深度學習與大數(shù)據(jù)結合的車牌識別方法、裝置、終端設備及計算機可讀介質(zhì)，能夠提高大數(shù)據(jù)車牌識別的效率和準確性。

本發(fā)明實施例的第一方面提供了一種基于深度學習與大數(shù)據(jù)結合的車牌識別方法，包括：

通過改進的隨機梯度下降迭代算法對大數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)；

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(shù)據(jù)進行批量訓練，以提高對所述大數(shù)據(jù)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RNN中，以檢測所述車輛圖像的RoI是否為車牌；

若為車牌，則通過一體化的深度網(wǎng)絡模型對所述RoI進行車牌識別；所述一體化的深度網(wǎng)絡模型包括卷積層、BRNN層、線性變換層和CTC層。

本發(fā)明實施例的第二方面提供了一種基于深度學習與大數(shù)據(jù)結合的車牌識別裝置，包括：

迭代訓練模塊，用于通過改進的隨機梯度下降迭代算法對大數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)；