一种车牌识别方法技术

本发明专利技术涉及一种车牌识别方法，属于图像处理技术领域。本发明专利技术采用包含有Inception模块的卷积网络模块对车牌字符进行识别，通过三个卷积模块和Inception模块完成对车牌区域的特征提取，而后对提取的特征进行整合分类从而实现对车牌的字符识别。且对识别出车牌字符长度没有限制，能够适用于长度可变的车牌字符识别。别。别。

【技术实现步骤摘要】
一种车牌识别方法


[0001]本专利技术涉及一种车牌识别方法，属于图像处理


技术介绍

[0002]车牌识别作为智能交通系统中的一个重要研究方向，具有较高的应用价值，在智慧社区的车辆监管、无人停车缴费、ETC等闸口的出入车辆管理、车辆违章抓拍、交通控制管理等多个方面发挥了不可替代的作用。
[0003]在车牌识别技术的实际应用中，不仅要兼顾算法本身的性能，还要结合实际应用时的硬件平台，综合考虑车牌识别技术的落地。在实际应用中，车牌识别需要适应复杂的环境条件，比如光照变化，角度倾斜等。在现有的车牌识别解决方案中，可分为基于传统方法和基于深度学习方法的两大类。基于传统方法的车牌识别主要使用图像特征和传统的机器学习方法来实现。基于深度学习方法的车牌识别主要使用神经网络，训练网络模型来实现。近些年，随着人工智能的发展，基于深度学习的车牌识别方法较传统方法表现出来明显的优势，并取得了重大的突破。基于深度学习的车牌识别解决方案，通过使用卷积神经网络根据任务的需求来提取图像的深层次特征，并结合算法完成检测和识别，但在实际应用时由于网络模型的复杂性，对硬件平台提出了很高的要求，常规的硬件支持平台很难做到性能和速度的平衡。
[0004]申请公布号为CN110619327A的中国专利申请文件公开了一种复杂场景下基于深度学习的实时车牌识别方法，该方法首先采用SSD-MobileNet检测车牌区域；然后利用多阈值二值化操作，通过寻找字符轮廓确定边界点集，对边界点集进行线形拟合确定车牌角点，则通过透视变换操作进一步校正车牌；最后将校正后的车牌送入具有七输出的卷积神经网络，得到全部车牌字符输出。该方法虽然兼顾了硬件的要求，但是该方法只能对固定长度字符的车牌进行识别，当字符长度变化时，则无法正确识别。

技术实现思路

[0005]本专利技术的目的是提供一种车牌识别方法，以解决目前的车牌识别只能针对固定长度字符的车牌。
[0006]本专利技术为解决上述技术问题提供了一种车牌识别方法，该识别方法包括以下步骤：
[0007]1)获取待识别的图片数据；
[0008]2)对获取的图片数据进行车牌区域检测；
[0009]3)采用卷积网络模型对检测到的车牌区域数据进行字符识别，所述的卷积网络模型包括三个卷积模块和一个Inception模块用来提取图片特征，而后对提取的特征进行整合分类从而实现车牌字符识别。
[0010]本专利技术采用包含有Inception模块的卷积网络模块对车牌字符进行识别，通过三个卷积模块和Inception模块对车牌区域的字符特征进行提取，利用Inception模块减少参
数量，而后对提取的特征进行整合分类从而实现对车牌的字符识别，且对识别出车牌字符长度没有限制，能够适用于长度可变的车牌字符识别。
[0011]进一步地，为了准确、快速的识别特征，所述的卷积模块依次连接的卷积层、正则化层、激活函数层和池化层，卷积层用于提取图像特征；正则化层用于加速卷积网络的训练速度，以提高收敛后的分类准确率；池化层用于进行特征整合。
[0012]进一步地，所述的Inception模块包括包括Base层、4个1x1的卷积层、3个3x3的卷积层和Filter Contact层。
[0013]进一步地，为了兼顾车牌识别的精度和效率，降低硬件要求，所述的步骤2)中的车牌区域检测采用SSD-MobileNet网络模型。
[0014]进一步地，为了减少重复工作，提高工作效率，所述步骤1)中的图片数据是从视频数据中提取出来，且提取出的图片数据经过去重处理。
[0015]进一步地，为了方便实现去重处理，所述的去重处理是利用感知哈希算法计算帧与帧之间的相似度，丢弃相似度较高的帧。
附图说明
[0016]图1是本专利技术车牌识别方法的流程图；
[0017]图2是MobileNet网络结构示意图；
[0018]图3是SSD网络结构示意图；
[0019]图4是本专利技术采用的SSD-MobileNet网络结构示意图；
[0020]图5是本专利技术采用的卷积模块的结构示意图；
[0021]图6是本专利技术采用的Inception模块结构示意图；
[0022]图7是专利技术实验例中的车牌区域检测结果实例图。
具体实施方式
[0023]下面结合附图对本专利技术的具体实施方式做进一步地说明。
[0024]车牌识别方法的实施例
[0025]本专利技术的车牌识别方法首先检测出车牌区域，然后将识别出的车牌区域入到卷积神经网络模型中，由卷积神经网络模型提取车牌字符特征，对提取的特征进行整合分类确定出车牌的字符。本专利技术利用卷积神经网络结合Inception模块进行车牌的识别，能够针对不同长度字符的车牌进行识别，该方法的流程如图1所示，具体实施过程如下。
[0026]1.获取包含车牌的图像。
[0027]本专利技术针对是道路的视频监控数据，包含的车牌图像是从视频数据中提取出来的，为避免对相似图像识别的冗余操作，本专利技术通过对监控视频流进行抽帧操作，利用感知哈希算法计算帧与帧之间的相似度，丢弃相似度较高的帧。
[0028]先对抽取的图片进行离散余弦变换(DCT)确定出图片的hash值，过程如下：1)缩放图片；2)灰度变换；3)计算DCT；4)缩小DCT；5)计算平均值；6)计算指纹。然后比较任意两张图片感知哈希值的汉明距离，将汉明距离小于设定值的两张图片认为是相似图片，丢掉其中一张。本实施例中的设定值为10。
[0029]2.车牌区域检测。
[0030]MobileNet卷积神经网络是为了适用于移动端而提出的一种轻量级深度网络模型，其主要使用了深度可分离卷积(Depthwise Separable Convolution)将标准卷积核进行分解计算，Mobilenet网络的卷积方式和标准卷积方式相比大大减少了计算量。Mobilenet卷积神经网络模型结构如图2所示。Mobilenet总共28层，由输入层，13层卷积层，以及平均池化层与全连接层组成。
[0031]SSD(Single Shot MultiBox Detector)是Wei Liu在ECCV 2016提出的一种目标检测算法。其网络结构如图3所示。SSD的主网络结构是VGG16，主要包括两个全连接层改成卷积层，另外增加的4个卷积层。其损失函数是定位损失函数和回归损失函数的加和。
[0032]为了兼顾对硬件的要求，本专利技术采用SSD-MobileNet进行车牌区域检测。SSD-MobileNet仿照VGG-SSD的结构，在MobileNet的基础上进行修改，即在MobileNet的conv13后添加8个卷积层，而后总共抽取6层用作检测，如图4所示，它既结合了轻量型MobileNet网络的节省存储空间以及低能耗的优点，又具有SSD网络高效率与高准确率的特点。
[0033]Mobilenet ssd网络中的detectionOutput层在进行网络模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌识别方法，其特征在于，该识别方法包括以下步骤：1)获取待识别的图片数据；2)对获取的图片数据进行车牌区域检测；3)采用卷积网络模型对检测到的车牌区域数据进行字符识别，所述的卷积网络模型包括三个卷积模块和一个Inception模块，卷积模块和Inception模块用于对车牌区域进行特征提取，而后将提取出的特征进行整合分类从而实现字符识别。2.根据权利要求1所述的车牌识别方法，其特征在于，所述的卷积模块包括依次连接的卷积层、正则化层、激活函数层和池化层，卷积层用于提取图像特征；正则化层用于加速卷积网络的训练速度，以提高收敛后的分类准确率；池化层用于进行特征整合...

【专利技术属性】
技术研发人员：刘盈泽，李亚飞，高毫林，王坤，汪淼，张宁，
申请(专利权)人：郑州信大先进技术研究院，
类型：发明
国别省市：