[發(fā)明專利]基于人工智能的車牌識(shí)別方法、裝置、設(shè)備及介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010594467.9
• 申請(qǐng)日: 2020-06-28
• 公開（公告）號(hào): CN111488876B
• 公開（公告）日: 2020-10-23
• 發(fā)明（設(shè)計(jì)）人: 陳慶偉
• 申請(qǐng)（專利權(quán)）人: 平安國(guó)際智慧城市科技股份有限公司
• 主分類號(hào): G06K9/32
• 分類號(hào): G06K9/32;G06K9/38;G06N3/04;G06N3/08;G06T5/30
• 代理公司: 深圳市賽恩倍吉知識(shí)產(chǎn)權(quán)代理有限公司 44334
• 代理人: 劉麗華;孫芬

本發(fā)明涉及人工智能及圖像處理技術(shù)領(lǐng)域，提供一種基于人工智能的車牌識(shí)別方法、裝置、設(shè)備及介質(zhì)，其方法包括：通過特征提取模型提取目標(biāo)圖像的至少一個(gè)特征；利用位置信息提取模型識(shí)別每個(gè)特征的位置信息，輸出與每個(gè)特征對(duì)應(yīng)的掩板，其中，位置信息提取模型由Mask網(wǎng)絡(luò)結(jié)合Attention機(jī)制訓(xùn)練而得到；將每個(gè)掩板反饋至特征提取模型，輸出每個(gè)特征的字符信息；拼接字符信息作為識(shí)別結(jié)果并保存至區(qū)塊鏈中。利用本發(fā)明能夠加入位置信息提取模型識(shí)別每個(gè)特征的位置信息，且只保留掩板中的有效信息，使提取出的字符信息更加專注于識(shí)別到的位置上的特征，實(shí)現(xiàn)了對(duì)車牌的自動(dòng)識(shí)別，不僅高效，且準(zhǔn)確。本發(fā)明還可應(yīng)用于智慧交通場(chǎng)景中，從而推動(dòng)智慧城市的建設(shè)。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能、圖像處理及智慧交通技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的車牌識(shí)別方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

隨著現(xiàn)代科技的進(jìn)步，道路交通、停車場(chǎng)所等相關(guān)車輛管理系統(tǒng)都朝著智能化和數(shù)字化的方向發(fā)展，作為這些系統(tǒng)智能化的一個(gè)重要核心，車牌自動(dòng)識(shí)別系統(tǒng)起著至關(guān)重要的作用。

按符號(hào)分布來(lái)看，機(jī)動(dòng)車號(hào)牌主要有兩種形式，包括：?jiǎn)涡熊嚺啤㈦p行車牌。雙行車牌涉及到上下兩行，其識(shí)別算法相比難度更大。針對(duì)雙行字符這一特性，目前主要使用的技術(shù)方案如下：

（1）字符分割法。將雙行車牌中各個(gè)字符分割出來(lái)，逐個(gè)識(shí)別，再拼接起來(lái)。這種方式過程復(fù)雜，分割錯(cuò)誤將向后傳遞。

（2）將兩行字符切割，再拼在同一行。即人為將其轉(zhuǎn)換成單行車牌，再通過單行車牌識(shí)別方式進(jìn)行識(shí)別。這種方式雖然比方式（1）簡(jiǎn)單，但仍需分割，分割錯(cuò)誤也將繼續(xù)向后傳遞。

（3）直接忽略雙行字符特性，將雙行車牌視為單行車牌。通過特征提取網(wǎng)絡(luò)自動(dòng)提取兩行各自的特征進(jìn)行識(shí)別，但是，隨著算法、算力的發(fā)展，由于該方案不對(duì)雙行字符進(jìn)行分割，而是直接通過模型識(shí)別提取，既需要龐大的數(shù)據(jù)進(jìn)行訓(xùn)練，又非常容易造成過擬合，導(dǎo)致模型魯棒性不好。

發(fā)明內(nèi)容

鑒于以上內(nèi)容，有必要提供一種基于人工智能的車牌識(shí)別方法、裝置、設(shè)備及介質(zhì)，能夠基于人工智能，加入位置信息提取模型來(lái)識(shí)別每個(gè)特征的位置信息，且只保留了掩板中的有效信息，使提取出的字符信息更加專注于識(shí)別到的位置上的特征，進(jìn)一步保證了車牌識(shí)別的準(zhǔn)確度，實(shí)現(xiàn)了對(duì)車牌的自動(dòng)識(shí)別，不僅高效，且準(zhǔn)確。

一種基于人工智能的車牌識(shí)別方法，所述基于人工智能的車牌識(shí)別方法包括：

響應(yīng)于接收到的待識(shí)別車牌圖像，對(duì)所述待識(shí)別車牌圖像進(jìn)行預(yù)處理，得到目標(biāo)圖像；

通過預(yù)先訓(xùn)練的特征提取模型提取所述目標(biāo)圖像的至少一個(gè)特征；

利用預(yù)先訓(xùn)練的位置信息提取模型識(shí)別每個(gè)特征的位置信息，輸出與每個(gè)特征對(duì)應(yīng)的掩板，其中，所述位置信息提取模型由Mask網(wǎng)絡(luò)結(jié)合Attention機(jī)制訓(xùn)練而得到；

將每個(gè)掩板反饋至所述特征提取模型，輸出每個(gè)特征的字符信息；

拼接所述字符信息作為所述待識(shí)別車牌圖像的識(shí)別結(jié)果，并保存所述識(shí)別結(jié)果至區(qū)塊鏈中。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述對(duì)所述待識(shí)別車牌圖像進(jìn)行預(yù)處理，得到目標(biāo)圖像包括：

對(duì)所述待識(shí)別車牌圖像進(jìn)行二值化處理，得到第一圖像；

對(duì)所述第一圖像進(jìn)行歸一化處理，得到第二圖像；

對(duì)所述第二圖像進(jìn)行resize處理，得到所述目標(biāo)圖像。

根據(jù)本發(fā)明優(yōu)選實(shí)施例，所述基于人工智能的車牌識(shí)別方法還包括：

采用Attention機(jī)制訓(xùn)練Mask網(wǎng)絡(luò)，所述Mask網(wǎng)絡(luò)包括全連接層、卷積層及池化層；