[發明專利]一種基于輕量級神經網絡的車牌識別方法

有效

• 申請號: 202010009951.0
• 申請日: 2020-01-06
• 公開（公告）號: CN111160316B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 張裕星;殷光強;李耶;楊曉宇;殷雪朦;李慧萍;黃方正
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V20/54
• 分類號: G06V20/54;G06N3/04;G06N3/08;G06T3/00
• 代理公司: 成都其高專利代理事務所(特殊普通合伙) 51244
• 代理人: 廖曾

1.一種基于輕量級神經網絡的車牌識別方法，包括數據集的準備、輕量級神經網絡模型的構建及車牌的識別；其特征在于：采用端到端方式，無需對車牌字符區域分割，就能夠識別車牌字符；

所述數據集的準備，形成以車牌號碼為文件名的車牌圖片，具體為：

首先，從道路視頻中獲取視頻截圖，形成樣本圖像，并保存到images文件夾下；從監控探頭下收集若干個行駛車輛的視頻，并以每一秒保存一張圖片的方式，保存到images文件夾下，其中樣本圖像皆為帶有車牌的車輛樣本圖像；

其次，對車輛樣本圖像進行車牌提取，將提取出來的車牌圖片保存到plates文件夾下，并以車牌號碼作為該車牌圖片的文件名；

所述輕量級神經網絡模型的構建包括下述步驟：

1)形成第一特征矩陣x1：將維度為[32,3,24,92]的矩陣輸入第一二維卷積層經過歸一化操作和非線性激活后得到維度為[32,64,22,92]的第一特征矩陣x1；

2)形成第二特征矩陣x2，具體為：

2.1)將第一特征矩陣x1輸入到池化層得到[32,32,20,90]的特征矩陣；

2.2)將步驟2.1)所得的特征矩陣輸入特殊卷積層，其輸出結果經過歸一化操作和非線性激活后得到維度為[32,128,20,90]的第二特征矩陣x2，其中，所述特殊卷積層設置有2個卷積核大小為1×1、步長為1的卷積層，1個卷積核大小為3×1、步長為1的卷積層，1個卷積核大小為1×3、步長為1的卷積層；

3)形成第三特征矩陣x3，具體為：

3.1)將第二特征矩陣x2輸入到池化區域大小為(1，3，3)、步長為(2，1，2)的池化層得到維度為[32,64,18,44]的特征矩陣；

3.2)將維度為[32,64,18,44]的特征矩陣通過兩次特殊卷積層、兩次歸一化操作和兩次非線性激活得到維度為[32,256,18,44]的第三特征矩陣x3，具體為：

3.2.1)維度為[32,64,18,44]的特征矩陣輸入到特殊卷積層，輸出的結果分別進行一次歸一化操作和一次非線性激活；

3.2.2)步驟3.2.1的輸出結果再次輸入到特殊卷積層，輸出結果再次進行一次歸一化操作和一次非線性激活，得到維度為[32,256,18,44]的第三特征矩 陣x3；

4)形成第四特征矩陣x4，具體為：

4.1)將第三特征矩陣x3經過池化操作得到維度為[32,64,16,21]的特征矩陣；

4.2)將維度為[32,64,16,21]的特征矩陣利用第二二維卷積層和第三二維卷積層經過歸一化操作和非線性激活得到第四特征矩陣x4，具體為：

4.2.1)將維度為[32,64,16,21]的特征矩陣輸入到第二二維卷積層進行一次歸一化操作和非線性激活，其中，第二二維卷積層設置有256個大小為1×4且步長為1的卷積核；

4.2.2)將步驟4.2.1)輸出的結果輸入到第三二維卷積層再次進行歸一化操作和非線性激活，得到第四特征矩陣x4，其中，第三二維卷積層設置有68個大小為13×1且步長為1的卷積核；

5)將第一特征矩陣x1，第二特征矩陣x2，第三特征矩陣x3，第四特征矩陣x4的通道進行融合，而后通過卷積核大小為1×1、步長為1的卷積層得到特征向量；

6)將對應文件的標簽，即車牌圖片對應的車牌名編碼為相同維度的序列，與步驟5)輸出的特征向量一起送入CTC損失函數，進行輕量級神經網絡網絡模型訓練；

所述車牌的識別，具體為：

將一張待識別車牌圖片輸入到訓練好的輕量級神經網絡模型內，訓練好的輕量級神經網絡網絡模型經過步驟1）~5）的過程，生成目標字符序列，并對目標字符序列進行解碼操作，即可得到最終的結果-正確的車牌號碼。