【技术实现步骤摘要】
基于不平衡样本的车牌字符识别方法以及系统
[0001]本专利技术涉及图像处理
,特别是涉及一种基于不平衡样本的车牌字符识别方法以及系统。
技术介绍
[0002]随着社会的进步和发展,生活质量日渐提升。在智能化设备方面,人们希望通过不断进步的科技满足日益增长的美好生活需要。因此人工智能行业备受关注,在实际需求中高速发展。近些年来,学术研究逐步工业化,这一落地证实了深度学习已经有很多学科中的效果和前景,包括计算机视觉、音频处理、自然语言处理、机器人、生物信息学和化学、视频游戏、搜索引擎、在线广告、金融和交通管理等。在交通领域中,车辆作为主要的成分之一,车牌是特定状态下车辆关联车主的唯一标识,快速准确的识别车牌信息是人工智能和交通管理的深度融合。
[0003]传统的车牌字符识别方法包含基于模板匹配的识别方法、基于特征统计的识别方法和基于机器学习的识别方法。然而,传统的车牌字符识别方法仅在基于类别平衡数据集的情况下识别准确,对于类别不平衡数据集的情况,识别准确度低。并且,对于实际场景中获取到的车牌字符数据集多数呈现类别不平衡的状态,根据传统的车牌字符识别方法无法准确获得车牌字符的类别。
技术实现思路
[0004]本专利技术的目的是解决传统的车牌字符识别方法对于类别不平衡数据集的情况,识别准确度低的技术问题。为实现上述目的,本专利技术提供一种基于不平衡样本的车牌字符识别方法以及系统。
[0005]本专利技术提供一种基于不平衡样本的车牌字符识别方法,包括:
[0006]获取单车牌字符 ...
【技术保护点】
【技术特征摘要】
1.一种基于不平衡样本的车牌字符识别方法,其特征在于,包括:获取单车牌字符图像数据集;对所述单车牌字符图像数据集中各个单车牌字符图像进行整体变换处理,获得整体变换图像数据集;对所述整体变换图像数据集中各个单车牌字符图像进行局部变化处理,获得局部变换图像数据集;根据所述整体变换图像数据集与所述局部变换图像数据集构建数据集,根据所述数据集对卷积神经网络进行模型训练,获得训练完成的卷积神经网络;根据所述训练完成的卷积神经网络对待测车牌字符进行识别。2.根据权利要求1所述的基于不平衡样本的车牌字符识别方法,其特征在于,所述根据所述数据集对卷积神经网络进行模型训练,获得训练完成的卷积神经网络,包括:将所述数据集输入至所述卷积神经网络中,输出各个车牌字符的预测类别,并计算每个所述预测类别的概率;根据每个所述预测类别的概率构建总损失函数,并根据所述总损失函数对所述卷积神经网络进行优化训练,获得所述训练完成的卷积神经网络;其中,所述总损失函数为:L=λL
softmax
+μFL
softmax
;q
i
表示为预测类别i的概率,p
i
表示为真实类别转换成的独热编码,α
i
表示为共享权重参数,γ表示为聚焦参数,λ表示为交叉熵损失函数的权重参数,μ表示为聚焦损失函数的权重参数。3.根据权利要求2所述的基于不平衡样本的车牌字符识别方法,其特征在于,所述方法还包括:根据所述单车牌字符图像数据集,获得单车牌字符图像验证数据集;设置所述损失函数中所述聚焦损失函数的权重参数为0,并根据所述单车牌字符图像验证数据集,对所述卷积神经网络进行验证。4.根据权利要求1所述的基于不平衡样本的车牌字符识别方法,其特征在于,所述对所述单车牌字符图像数据集中各个单车牌字符图像进行整体变换处理,获得整体变换图像数据集,包括:对所述单车牌字符图像数据集中各个单车牌字符图像进行角度旋转处理,获得旋转图像;对所述单车牌字符图像数据集中各个单车牌字符图像进行缩放处理,获得缩放图像;对所述单车牌字符图像数据集中各个单车牌字符图像进行颜色调整处理,获得颜色调整图像;对所述单车牌字符图像数据集中各个单车牌字符图像中每一像素点的颜色进行随机扰动处理,获得随机扰动图像;根据所述缩放图像、所述颜色调整图像以及所述随机扰动图像构建所述整体变换图像数据集。
5.根据权利要求1所述的基于不平衡样本的车牌字符识别方法,其特征在于,所述对所述整体变换图像数据集中各个单车牌字符图像进行局部变化处理,获得局部变换图像数据集,包括:对所述整体变换图像数据集中各个单车牌字符图像进行比例插值混合处理,获得混类图像;对所述整体变换图像数据集中各个单车牌字符图像进行裁剪拼接处理,获得裁剪拼接图像;对所述整体变换图像数据集中各个单车牌字符图像进行局部填充像素值处理,获得局部填充图像;根据所述混类图像、所述裁剪拼接图像以及所述局部填充图像构建所述局部变换图像数据集。6.一种基于不平衡样本的车牌字符识别系统,其特征在于,包括:数据获取...
【专利技术属性】
技术研发人员:王凤菊,王莹莹,王艳清,
申请(专利权)人:智慧互通科技股份有限公司,
类型:发明
国别省市:
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。