[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

本發明公開了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，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；2）形成第二特征矩陣x2；3）形成第三特征矩陣x3；4）形成第四特征矩陣x4；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）基于CTC損失函數完成輕量級神經網絡網絡模型訓練；采用CTC損失函數進行輕量級神經網絡模型訓練，實現無需分割的端到端訓練，有效解決輸入和輸出不對齊的情況。

技術領域

本發明涉及模式識別技術、交通監控技術等領域，具體的說，是一種基于輕量級神經網絡的車牌識別方法。

背景技術

車牌識別是現代智能交通系統中的一個至關重要的環節，是智能交通系統中的核心功能，使用技術手段提取出車輛的車牌號碼，從而獲得車輛信息。在我國，機動車號牌需要在交通管理部門申請登記，車牌與車輛之間存在一對一的關系，因此可以根據機動車號牌對機動車輛進行信息獲取、管理和監控。在這種情形下，需要車牌識別系統，對車牌號碼信息高效、精確的進行快速采集。

通過自動車牌識別系統提取車輛的車牌號碼，獲得交通流量、車輛類型等基礎數據，有目的地實現監測、控制、分析、決策、調度和疏導，實現交通資源的最大化，從而能夠提升整個智能交通系統的健壯性。

在已有的車牌識別解決方案中，分為基于傳統方法與基于深度學習兩類，前者使用傳統的機器學習方法分割分類字符，后者使用神經網絡定位分類字符。

當前主流的車輛識別方法（基于傳統方法）根據邊緣密度進行背景剔除，通過亮度方差和邊緣強度來增強圖像的對比度，再設計相應的匹配濾波器結合邊緣密度和顏色信息進行車牌的定位，使用基于垂直投影等方法進行字符分割，再使用基于SVM的字符識別算法。該算法通過改進的 Bernsen 算法和高斯濾波進行二值化，再使用 SVM 進行字符的識別以便進行車牌識別。這類方法本質上都是依賴傳統方法分割字符，但對光照環境變化魯棒性差，難以適應天氣和光線等條件的變化；在復雜環境中存在易受光照、天氣、遮擋、目標尺度和圖像質量等因素影響，具有效率低下且泛化能力較差的問題。

隨著人工智能的發展，卷積神經網絡逐漸替代了以上特征提取方法，可以靈活的在訓練數據的驅動下根據不同的需求任務自動地去學習有用的特征來幫助算法完成檢測和識別的任務。

基于卷積神經網絡的車牌識別算法使用卷積神經網絡提取車牌特征，并對車牌進行定位與分類。對車牌的定位分為基于區域的檢測算法和基于回歸的檢測算法。基于區域的檢測算法在特征圖上選取大量的候選框，再對候選框進行分類與邊框回歸。基于回歸的檢測算法直接回歸車牌字符的坐標并分類。這種解決方案會由于卷積網絡層數過多，導致龐大計算量，因此對設備計算性能有較高的要求，甚至降低識別速度。

公開號為CN201810766184.0的專利公開了“一種基于深度學習的車牌識別方法”，使用的模型包括車牌分割模型、車牌漢字識別模型和車牌字母與數字識別模型。該方法需要實現多個模塊，每個模塊都有多層卷積神經網絡，并非端到端的識別模型，增加了模型復雜度與計算量。

公告號為CN104298976B，專利名稱為基于卷積神經網絡的車牌檢測方法，使用基于Haar特征的Adaboost車牌檢測器對待檢測車牌圖像進行檢測獲取車牌粗檢區域、通過多閾值分割算法獲取車牌漢字、字母和數字區域，通過卷積神經網絡對分割出來的區域分類，從而完成車牌字符的識別。此方法分為字符區域分割與字符分類兩步，非端到端的方法，速度會因此受到影響。且基于車牌字符區域分割基于傳統算法，精度和泛化能力有一定局限性。

發明內容

本發明的目的在于提供一種基于輕量級神經網絡的車牌識別方法，采用CTC損失函數進行輕量級神經網絡模型訓練，實現無需分割的端到端訓練，有效解決輸入和輸出不對齊的情況。