[發明專利]一種基于車牌字符識別方法、系統、介質及終端

有效

• 申請號: 202010896094.0
• 申請日: 2020-08-31
• 公開（公告）號: CN112001386B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 李杰
• 申請（專利權）人: 重慶紫光華山智安科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06K9/72
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 代玲

本發明提供一種基于車牌字符識別方法、系統、介質及終端，其方法包括：獲取車牌圖像信息；根據所述車牌圖像信息，建立車牌識別網絡，網絡包括車牌整排識別模型和車牌漢字識別模型；將待識別車牌圖像信息分別輸入至訓練后的模型，獲取車牌整排結果和車牌漢字結果；根據車牌整排識別模型和車牌漢字識別模型的置信度，以及車牌整排結果和車牌漢字結果，獲取最終車牌字符識別結果；本發明針對車牌識別任務，通過同時提取車牌整排特征和車牌漢字區域特征，能夠對車牌字符識別中漢字識別這一難點提取兩次特征，并得到兩次車牌漢字結果，通過配置默認省份漢字，對識別結果進行漢字糾正，進一步提升了車牌識別率。

技術領域

本發明涉及計算機應用領域，尤其涉及一種基于車牌字符識別方法、系統、介質及終端。

背景技術

隨著計算機視覺的不斷發展，通過字符識別技術實現對交通中車輛的車牌號進行識別已經在智能交通領域獲得了廣泛的應用。但是，由于天氣、污損、遮擋、大角度等識別場景，對車牌字符識別提出了極大的挑戰。車牌字符識別一般采用四種方法，即基于模板匹配方法、基于神經網絡方法、基于支持向量機的方法以及基于深度學習的方法。前三種方法被稱為傳統方法，傳統方法需手動選取特征，傳統方法的魯棒性較差，深度學習是最近幾年流行起來的，基于深度學習的方法會自動提取特征，當訓練樣本較為豐富時，網絡的識別結果往往會較好。

但是，目前的識別方式，要么將車牌字符分割后將每一位字符單獨識別，要么用深度學習網絡對車牌字符進行自動分割識別，要么用多個網絡對車牌字符識別，沒有考慮對車牌字符中難點字符進行著重學習。

發明內容

鑒于以上所述現有技術的缺點，本發明提供一種基于車牌字符識別方法、系統、介質及終端，以解決上述技術問題。

本發明提供的基于車牌字符識別方法，包括：

獲取車牌圖像信息；

根據所述車牌圖像信息，建立車牌識別網絡，所述車牌識別網絡包括車牌整排識別模型和車牌漢字識別模型，分別對二者進行訓練；

將待識別車牌圖像信息同時輸入至訓練后的車牌整排識別模型和車牌漢字識別模型，獲取車牌整排結果和車牌漢字結果；

根據所述車牌整排識別模型和車牌漢字識別模型的置信度，以及車牌整排結果和車牌漢字結果，獲取最終車牌字符識別結果。

可選的，根據所述車牌整排識別模型和車牌漢字識別模型的置信度，車牌整排結果中的漢字、車牌漢字中的漢字和預先設置的默認車牌省份漢字，對所述車牌漢字結果進行糾正，獲取所述最終車牌字符識別結果。

可選的，所述車牌識別網絡為一體化網絡，通過所述車牌識別網絡同時提取車牌整排特征和車牌漢字特征。

可選的，通過多種度量損失對所述車牌整排識別模型和車牌漢字識別模型進行訓練。

可選的，度量損失函數為：

l＝λ₁l_softmax+λ₂CTC

其中，λ₁和λ₂分別為softmax loss和CTC loss的權重。

可選的，當車牌整排結果中的漢字與所述車牌漢字結果不相同時，則判斷是否滿足第一條件，所述第一條件包括判斷所述車牌漢字結果與默認省份漢字是否相同，且是否同時滿足車牌漢字結果的置信度大于預設的第一閾值；

若滿足所述第一條件，則將所述車牌漢字結果，以及車牌整排結果中除漢字外的部分進行拼接，作為最終車牌字符識別結果。

可選的，若不滿足所述第一條件，則判斷是否滿足第二條件，所述第二條件包括判斷整排識別結果中車牌漢字與默認省份漢字是否相同，且同時滿足車牌整排中漢字置信度大于預設的第二閾值；