[发明专利]一种车牌识别方法及装置、用户设备

权利要求书

1.一种车牌识别方法，其特征在于，包括：

获取车辆图像，并将所述车辆图像输入车辆检索卷积神经网络搜索所述车辆图像是否存在车辆；

如果所述车辆图像存在车辆，则在所述车辆图像上采集车牌图像，并将所述车牌图像输入车牌检索卷积神经网络搜索所述车牌图像是否存在车牌；

如果所述车牌图像存在车牌，则将所述车牌图像输入张量神经网络检测所述车牌图像是否异常；

如果没有异常，则在所述车牌图像上采集识别图像，并将所述识别图像输入判断神经网络判断所述识别图像上的地区编号、字母和数字，并输出地区编号图像、字母图像和数字图像；

分别将所述地区编号图像、所述字母图像和所述数字图像输入地区编号识别卷积神经网络、字母识别卷积神经网络和数字识别卷积神经网络进行地区编号、字母和数字的识别，并分别输出地区编号、字母和数字；

根据输出的地区编号、字母和数字，按“地区编号字母数字”的格式输出车牌号识别结果。

2.根据权利要求1所述的方法，其特征在于，所述获取车辆图像，并将所述车辆图像输入车辆检索卷积神经网络搜索所述车辆图像是否存在车辆的步骤包括：

获取视频流数据中的车辆图像，所述车辆图像以张量模式表示；

根据空间转换网络和卷积神经网络将所述车辆图像进行多次几何空间变换校正、卷积处理和池化处理，得到第一特征映射图；

将第一特征映射图向量化输出列向量，并连接多个全连接层得到全连接层的权值矩阵；

将所述全连接层的权值矩阵进行张量列分解，提取第一特征向量；

将第一特征向量输入所述卷积神经网络的输出层进行分类预测并优化可调参数，搜索是否存在车辆。

3.根据权利要求2所述的方法，其特征在于，所述将车牌图像输入车牌检索卷积神经网络搜索所述车牌图像是否存在车牌的步骤包括：

根据空间转换网络和卷积神经网络将所述车牌图像进行多次几何空间变换校正、卷积处理和池化处理，得到第二特征映射图；

将第二特征映射图向量化输出列向量，并连接多个全连接层得到全连接层的权值矩阵；

将所述全连接层的权值矩阵进行张量列分解，提取第二特征向量；

将第二特征向量输入所述卷积神经网络的输出层进行分类预测并优化可调参数，搜索是否存在车牌。

4.根据权利要求2-3任意一项所述的方法，其特征在于，所述优化可调参数的步骤具体为根据误差方向传播算法优化网络中所有可调参数，即对空间转换矩阵、权值和偏移的更新，是根据后一层反传回来的误差进行局部梯度计算进行的。

5.根据权利要求4所述的方法，其特征在于，所述将车牌图像输入张量神经网络检测所述车牌图像是否异常的步骤包括：

将所述车牌图像直接输入训练好的张量神经网络中得到其对应的直接概率密度比；

再将所述直接概率密度比与完成张量神经网络的训练后得到的临界直接概率密度比进行比较，如果所述直接概率密度比大于所述临界直接概率密度比，则为正常图像，否则为异常图像。

6.一种车牌识别装置，其特征在于，包括：

数据采集模块，用于在视频流图像中采集车辆图像；在所述车辆图像中采集车牌图像；以及在所述车牌图像中采集识别图像；

车辆搜索模块，用于将所述车辆图像输入车辆检索卷积神经网络搜索所述车辆图像是否存在车辆；

车牌搜索模块，用于将所述车牌图像输入车牌检索卷积神经网络搜索所述车牌图像是否存在车牌；

异常监测模块，用于将所述车牌图像输入张量神经网络检查所述车牌图像是否异常；

车牌识别模块，用于将所述识别图像输入判断神经网络判断所述识别图像上的地区编号、字母和数字，并输出地区编号图像、字母图像和数字图像；然后分别将所述地区编号图像、所述字母图像和所述数字图像输入地区编号识别卷积神经网络、字母识别卷积神经网络和数字识别卷积神经网络进行地区编号、字母和数字的识别，并分别输出地区编号、字母和数字；再根据输出的地区编号、字母和数字，按“地区编号字母数字”的格式输出车牌号识别结果。