[发明专利]一种基于深度学习模型的车牌字符整体识别方法

说明书

技术领域

本发明涉及智能交通系统和数字安防领域，具体涉及一种基于深度学习模型的车牌字符整体识别方法。

背景技术

车牌识别是智能交通系统(ITS)领域的基础部分和重要环节，对智能交通系统的其他部分如车标识别、车身颜色分析、车型分析、卡口检测、电子警察，及其他交通事件相关模块的处理好坏有着重要的影响。

传统的车牌识别系统，大致分为车牌检测、车牌定位、字符分割及字符识别等几个子模块。其中车牌号码识别环节，字符分割部分严重依赖前面定位的结果，其所使用的二值化方法对于一些特殊情况如阴阳牌，车牌光线不均衡等效果不佳。字符识别则采用传统浅层分类器的单个字符识别方式，虽在正常条件下还好，但是全天候的稳定性及相似字符的可区分性难以保证。

因此，传统的车牌识别系统存在以下问题：

1、传统方法需要对车牌进行精确定位再分割，依赖性强，容易分割错误；

2、传统方法在光线差、分辨率低、污损、倾斜大等情况的稳定性不好；

3、单个模型难以保证较好的识别指标。

发明内容

本发明针对现有技术存在的问题，提出一种基于深度学习模型的车牌字符整体识别方法。

本发明的一种基于深度学习模型的车牌字符整体识别方法，包括如下步骤：

步骤a：进行车辆检测，获得目标车辆，由目标车辆确定整个车牌检测区域；

步骤b：对所述整个车牌检测区域进行检测获得车牌区域；

步骤c：通过深度神经网络模型对所述车牌区域的车牌号码进行整体识别，所述深度神经网络模型包括依次连接的4个卷积层和2个全连接层，最后一个全连接层包含七个分支，各分支分别对应车牌号码上的汉字、字母、数字或标识。

优选地，所述深度神经网络模型的所述第一分支对应汉字，具有58个输出；所述第二分支对应英文字母，具有26个输出，所述第三至第六分支对应数字和字母，分别具有36个输出，第七分支对应字母、数字和特殊牌标识，具有41个输出。

优选地，所述每个分支的各输出的结果为该输出项的概率，每个分支的各输出的概率之和为1。

优选地，步骤c之后还包括步骤d，采用多个模型集成的方式，综合得到识别结果：

步骤d1：统计相同车牌号码识别结果的数目并计算其可信度平均值；

步骤d2：按照数目多少从大到小排序，如果不同车牌号码的数目相同的，则按其可信度从高到低排序；

步骤d3：选择可信度最高的车牌号码为识别结果。

优选地，步骤f中，采用3个模型集成的方式。

本发明具有如下有益效果：

1、本发明引入深度学习模型，提高车牌识别率；

2、本发明克服传统车牌识别方法需要进行车牌字符分割所带来的依赖性和结果不确定性所导致的误识别问题；

3、本发明车牌识别在各种特殊情况下的鲁棒性。

附图说明

图1为本发明的基于深度学习模型的车牌字符整体识别方法的流程示意图。

图2为本发明的车牌检测5块子区域划分示意图。

图3为本发明的车牌检测深度网络结构图。

图4为本发明的子块车牌检测结果示意图。

图5为本发明的车牌字符整体识别深度网络结构示意图。

图6为本发明的车牌字符整体识别结果示意图。

具体实施方式

下面通过实施例对本发明作进一步说明，其目的仅在于更好地理解本发明的研究内容而非限制本发明的保护范围。

参考图1，本发明的一种基于深度学习、特别是卷积神经网络的车牌字符整体识别方法，包括如下步骤a～c。

步骤a：进行车辆检测，获得目标车辆，由目标车辆确定整个车牌检测区域。

车辆检测的目的是在整个相机视野领域检测到真正的车辆区域，排除背景区域及干扰的部分，从而减少误检，提高车牌检测的准确率，并且降低后续处理的时间消耗。本发明使用现有的常规车辆检测的方法，例如可以使用运动分析技术，建立背景模型，提取前景，也可以使用车辆检测器进行静态检测，并进行目标关联。或者两者结合，得到真正感兴趣的目标车辆。

步骤b：对所述整个车牌检测区域进行检测获得车牌区域，包括如下子步骤。

步骤b1：将所述车牌检测区域划分成n个小块，各小块之间部分重叠。