[发明专利]一种基于深度学习的车牌识别方法

说明书

本发明公开了一种基于深度学习的车牌识别方法，包括车牌矫正模块、字符切割模块和字符识别模块；车牌矫正模块用第一深度卷积神经网络定位车牌坐标位置并通过仿射变换操作矫正车牌形状；字符切割模块用神经网络预测字符切割位置并切割成单个字符图片；字符识别模块用第二深度卷积神经网络进行字符分类。通过上述方式，本发明的基于深度学习的车牌识别方法，围绕每个神经网络的网络结构和参数进行了改进和优化，大大减少了对车牌倾斜角度的约束，能够容忍五十度以内的车牌倾斜角度。

技术领域

本发明涉及车牌识别领域，特别是涉及一种基于深度学习的车牌识别方法。

背景技术

随着交通行业的快速发展，基础设施建设速度落后于车辆增长速度，基础设施短缺且利用率低、成为大中城市的普遍现象的交通拥堵、交通安全形势严峻等一系列的交通问题有待解决。为了解决这些问题，全球达成一致目标——建设智能交通系统（ITS），并不断涌现出新的智能交通系统。其中自动车牌识别（Automatic license platerecognition，ALPR）是智能交通系统最基本且关键的核心技术之一，并且在高速公路收费、交通执法、车辆监控、停车场收费管理等方面已经产生了广泛的实际应用意义。

如今，随着我国机动车保有量以爆炸性的速度迅速增加，导致了违停现象泛滥。路边违规停放机动车不仅占道影响市容市貌，也使得城市道路的交通环境无法得到提升，交通拥堵使人心情烦躁，已切实影响到我们的生活质量。近年来路边停车收费管理已经在各大城市开展，并且在逐步向智能化方向发展，它的运作方式主要是由专门的收费人员手持终端设备对车辆的驶入驶出进行记录并传回给后台服务程序进行计费，在记录车辆驶入过程中，车牌号作为车辆的身份ID必须被记录，这必然会引入自动车牌识别技术。

路边停车收费管理作为一个新的应用场景，它与以往的应用场景主要不同的地方在于：手持设备获取车辆照片的随意性导致车牌的倾斜程度大。因此，直接将传统的车牌识别方法应用于此不能取得令人满意的识别效果，而导致识别效果不佳的因素正是倾斜程度较大（超过15度）的车牌。因此，车牌矫正显得至关重要。

已有的有关车牌矫正的研究，主要是依据图形图像学，比如：颜色、纹理等，但在实际应用中发现这类方法的局限性很大。

发明内容

本发明主要解决的技术问题是提供一种基于深度学习的车牌识别方法，具有高鲁棒性且高效的优点，能针对倾斜程度较大的车牌进行应用。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的车牌识别方法，包括车牌矫正模块、字符切割模块和字符识别模块；

所述车牌矫正模块用第一深度卷积神经网络定位车牌坐标位置并通过仿射变换操作矫正车牌形状；

所述字符切割模块用神经网络预测字符切割位置并切割成单个字符图片；

所述字符识别模块用第二深度卷积神经网络进行字符分类。

在本发明一个较佳实施例中，所述车牌的坐标位置为所述车牌四个顶点的坐标位置。

在本发明一个较佳实施例中，所述车牌矫正模块的矫正车牌过程包括第一深度卷积神经网络的构建、第一深度卷积神经网络的训练和仿射变换操作；所述第一深度卷积神经网络的构建包括构建多层卷积网络层和多层全连接层，其中所述每个卷积网络层均采用有限制的非线性激活函数ReLU和批正则化；所述第一深度卷积神经网络的训练包括人工标记车牌坐标，生成训练图像，输入训练图像和所述训练图像对应的车牌坐标至第一深度卷积神经网络，训练所述第一深度卷积神经网络，直至所述第一深度卷积神经网络输出的车牌坐标与所述训练图像对应的车牌坐标之间的误差不再继续变小或者变小的幅度小于预设的阈值为止；所述仿射变换操作是将所述第一深度卷积神经网络输出的车牌坐标作为仿射变换操作的参数，除去输入图片里的干扰背景信息，实现车牌的矫正。