[發(fā)明專利]一種基于深度學(xué)習(xí)的雙層車牌識別方法

在審

• 申請?zhí)枺?/td>: 202110406424.8
• 申請日: 2021-04-15
• 公開（公告）號: CN113191220A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 王順;顧友良;雷金鐸;王興泰
• 申請（專利權(quán)）人: 廣州紫為云科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 廣州名揚高玥專利代理事務(wù)所(普通合伙) 44738
• 代理人: 武麗華

本發(fā)明公開了一種基于深度學(xué)習(xí)的雙層車牌識別方法，對所述雙層車牌進行識別，并將識別的雙層車牌輸入到構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)；通過所述卷積神經(jīng)網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)對所述雙層車牌進行特征提取并對部分層網(wǎng)絡(luò)的輸入數(shù)據(jù)做歸一化處理，其中，特征提取骨干網(wǎng)絡(luò)包括八個卷積層，四個池化層；將上述網(wǎng)絡(luò)計算得到的特征圖按照特征圖高度均分為上下兩層特征圖，上層特征圖通過均值池化操作得到寬度為第一預(yù)設(shè)寬度的特征圖，下層得到寬度為第二預(yù)設(shè)寬度的特征圖，然后把處理得到的兩個特征圖合并為寬度為第三預(yù)設(shè)寬度的特征圖，經(jīng)過一層全連接層得到輸出的結(jié)果，最后將n份輸出的結(jié)果合并即為最終的雙層車牌識別結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識別與機器學(xué)習(xí)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的雙層車牌識別方法。

背景技術(shù)

車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分廣泛。它以數(shù)字圖像處理、模式識別、計算機視覺等技術(shù)為基礎(chǔ)，對攝像機所拍攝的車輛圖像或者視頻序列進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。

在我國根據(jù)不同的車型、用途規(guī)定了多種牌照格式，其中包括普通小轎車的單層車牌和大型貨車與摩托車的雙層車牌，現(xiàn)有的識別算法一般只適用于單層車牌的識別，但在實際應(yīng)用中存在許多雙層車牌的識別需求。

普遍的現(xiàn)有車牌算法只針對小轎車單層藍(lán)色車牌的識別，不能直接用來識別大型貨車或者摩托車的雙層黃色車牌；并且傳統(tǒng)的車牌識別算法包含：字符分割和字符識別，需要把檢測到的車牌區(qū)域做字符切分再進行每個字符的識別，最后組合到一起。此方法使用的數(shù)據(jù)標(biāo)注獲取較復(fù)雜，且推理速度有提升空間。

基于上述不足，本發(fā)明主要面向于雙層黃色車牌的識別，采用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)算法，實現(xiàn)簡便，高效的雙層車牌識別的目的。

發(fā)明內(nèi)容

針對上述技術(shù)問題，本發(fā)明構(gòu)建了一個輕量級的卷積神經(jīng)網(wǎng)絡(luò)用來提取特征，使用雙層車牌的全局特征處理為一層的特征分布，使用兩個全連接層進行全局分類車牌信息。即本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明公開了一種基于深度學(xué)習(xí)的雙層車牌識別方法，包括以下步驟：

步驟1：對所述雙層車牌進行識別，并將識別的雙層車牌輸入到構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)；

步驟2：通過所述卷積神經(jīng)網(wǎng)絡(luò)的骨干網(wǎng)絡(luò)對所述雙層車牌進行特征提取并對部分層網(wǎng)絡(luò)的輸入數(shù)據(jù)做歸一化處理，其中，特征提取骨干網(wǎng)絡(luò)包括八個卷積層，四個池化層；

步驟3：將上述網(wǎng)絡(luò)計算得到的特征圖按照特征圖高度均分為上下兩層特征圖，上層特征圖通過均值池化操作得到寬度為第一預(yù)設(shè)寬度的特征圖，下層得到寬度為第二預(yù)設(shè)寬度的特征圖，然后把處理得到的兩個特征圖合并為寬度為第三預(yù)設(shè)寬度的特征圖，以此將上下兩層的特征處理為單層的特征；

步驟4：將處理得到的第三預(yù)設(shè)寬度的單層特征均分n份，將均分的每份特征重構(gòu)得到二維的張量，經(jīng)過一層全連接層將輸出維度降為128，然后再經(jīng)過一層全連接層得到輸出的結(jié)果，最后將n份輸出的結(jié)果合并即為最終的雙層車牌識別結(jié)果。

更進一步地，卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)使用深度學(xué)習(xí)框架PyTorch完成。

更進一步地，所述卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)損失函數(shù)采用AM-softmax，公式如下所示：

cos(θ)是計算樣本在類別上的區(qū)域，cos(θ)-m是要求類別間的區(qū)域至少有超參數(shù)m的間隔，s*(cos(θ)-m)引入超參數(shù)s，將cos值的區(qū)間擴大s倍。