The invention discloses a method for vehicle license plate tilt correction based on neural network, which comprises the following steps: A, data production; two, tilt correction network design; three, train the network; four, the use of the trained network; the invention first in containing license plate image using image processing knowledge to locate and extract license plate. Then use the trained network through the forward propagation identification and correction, finally cut into a character, then use another neural network for character recognition, and based on the traditional Hough transform to find the edge of linear affine transformation in different ways, the rate of correction is complicated, the edge is not clear the noise conditions are still high, and the use of the trained network to make the correction computation and speed.
【技术实现步骤摘要】
一种基于神经网络的车牌倾斜校正的方法
本专利技术涉及图像处理与深度神经网络领域,具体是一种基于神经网络的车牌倾斜校正的方法。
技术介绍
随着汽车的使用越来越广泛与频繁,交通问题也越来越严重,怎样高效快速的管理车辆也就越来越成为了大家研究的一个重点课题,车牌作为车辆唯一的标示也就成为了研究中的重中之重。在智能交通系统中,车牌的识别是智能交通系统的一个重要组成部分,其涉及到车牌的定位、切割、字符识别等技术。在现实中由于各种原因我们抓拍提取到的车牌往往存在着各种不同程度的倾斜,所以这不仅对字符分割带来麻烦,最终也会影响车牌字符识别的准确率,因此在切割之前的车牌倾斜校正是之后切割识别工作的基础非常重要。申请号为CN200810045686.0的专利技术专利“一种融合色彩、尺寸和纹理特征的车牌定位方法”公开了“本专利技术属于图像处理
,特别涉及车牌识别技术中的复杂背景中的车牌定位方法。首先把RBG格式的车牌源图像转换到HSI格式,实现颜色信息与亮度信息的分离;接着把得到的饱和度分量图和亮度分量图进行二值化;然后,基于车牌色彩信息对源图像的像素进行分类,依据分类结果获得车牌定位模板二值图,并采用数学形态学运算对车牌定位模板二值图去除噪声;随后,用区域生长法提取车牌定位模板二值图中的每个连通区域并进行车牌尺寸检查,通过尺寸检查的连通区域成为候选车牌区域;在采用Hough变换对倾斜车牌进行矫正之后,进一步利用车牌竖直纹理特征检查每个候选车牌区域,去除伪候选区。采用本专利技术可以有效地提高系统的通用性和定位精度”。类似上述专利的传统的车牌倾斜校正是基于Hough线性变 ...
【技术保护点】
一种基于神经网络的车牌倾斜校正的方法,其特征在于,包括以下步骤:一、数据制作将已有的车牌进行不同角度不同程度的倾斜变化和大小归一化而得到训练数据集,并根据其倾斜程度将训练数据集划分为25类,每张图片的大小为[72*32],而且各自有一个特定的标签,随机抽取部分数据作为测试集;二、倾斜校正网络设计倾斜校正网络具体分为以下七层:第一层为输入层,首先将大小为72*32的原始图片归一化,原始图片的每个像素点像素大小为1‑255,对所有像素进行除以255的运算,得到一组大小为0‑1维度为[72,32]浮点型数组,这就是第一层输入X;第二层为卷积层C1,有32个卷积核Wconv1,其中每个卷积核的大小是[3*5],每一个卷积核对输入层X进行卷积滤波操作,其中卷积步长为1,卷积得到的输出就是一组含有32个特征的向量集合输出:Hconv1=Relu(conv2d(X,Wconv1)+bconv1) (1)其中应用Relu激励函数和conv2d函数,bconv1为偏置项;第三层为池化层P1,选择最大池化操作:Hpool1=max_pool_2×2(Hconv1) (2)池化层大小2*2,池化后每个特 ...
【技术特征摘要】
1.一种基于神经网络的车牌倾斜校正的方法,其特征在于,包括以下步骤:一、数据制作将已有的车牌进行不同角度不同程度的倾斜变化和大小归一化而得到训练数据集,并根据其倾斜程度将训练数据集划分为25类,每张图片的大小为[72*32],而且各自有一个特定的标签,随机抽取部分数据作为测试集;二、倾斜校正网络设计倾斜校正网络具体分为以下七层:第一层为输入层,首先将大小为72*32的原始图片归一化,原始图片的每个像素点像素大小为1-255,对所有像素进行除以255的运算,得到一组大小为0-1维度为[72,32]浮点型数组,这就是第一层输入X;第二层为卷积层C1,有32个卷积核Wconv1,其中每个卷积核的大小是[3*5],每一个卷积核对输入层X进行卷积滤波操作,其中卷积步长为1,卷积得到的输出就是一组含有32个特征的向量集合输出:Hconv1=Relu(conv2d(X,Wconv1)+bconv1)(1)其中应用Relu激励函数和conv2d函数,bconv1为偏置项;第三层为池化层P1,选择最大池化操作:Hpool1=max_pool_2×2(Hconv1)(2)池化层大小2*2,池化后每个特征图像大小变为[36*16];第四层为卷积层C2,设计有64个卷积核Wconv2,其中每个卷积核大小是3*5,每个卷积核对Hconv1进行卷积操作:Hconv2=Relu(conv2d(Hpool1,Wconv2)+bconv2)(3)其中应用Relu激励函数和conv2d函数,bconv2为偏置项;第五层为池化层P2,选择最大池化操作:Hpool2=max_pool_2×2(Hconv2)(4)池化后每个特征大小就为[18*8];第六层为全连接层S1,其中神经元个数为500,将第五层池化后的向量一维化后与其相连接,这样权值向量为[18*8*64:500]:Hfc1=Relu(Hpool1×Wfc1+bfc1)(5)其中应用Relu激励函数,bfc1为偏置项;第七层为全连接层S2,其中神经元...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。