[发明专利]一种基于深度学习的一体化车牌识别方法

说明书

本发明公开了一种基于深度学习的一体化车牌识别方法，构建深度神经网络模型：该深度神经网络模型包括基础网络、多尺度网络、车牌类型判断网络、车牌位置检测网络、车牌字符识别网络和输出结构合并层，训练深度神经网络模型：将收集的车牌样本图像送入所述深度神经网络模型中，以训练深度神经网络模型，车牌识别：通过训练后的深度神经网络模型，对待识别车牌图像进行车牌识别，以输出车牌参数，所述车牌参数包括车牌类型、车牌字符和车牌矩形位置参数；通过该深度神经网络模型使得模型消耗内存小，车牌识别鲁棒性强，识别结果更加准确，解决了传统车牌识别时模型消耗内存很大，运算量很大的缺陷。

技术领域

本发明涉及车牌识别技术领域，尤其涉及一种基于深度学习的一体化车牌识别方法。

背景技术

车牌识别是指在一幅含有车辆的图像中，准确的找到车辆的车牌位置并识别出车牌上的所有汉字、字符和数字。车牌识别是智能交通的核心技术，传统车牌识别包含了以下技术步骤：车牌位置检测，车牌字符分割、车牌字符识别。

车牌位置检测是指在一幅图像中，快速找出车牌所在的准确位置区域。一般通过粗定位和精定位相结合的方法来实现，车牌位置检测主要有基于颜色检测的方法、基于机器学习的方法和基于边缘特征的方法，如下：

(1)基于颜色检测的方法；该类技术在理想光线和图像清晰的情况下，可以达到不错的效果。但是现实环境和光线的复杂多变，不同设备获取图像的清晰也不一样，因此，该类技术在很多情况下是存在误检和漏检。

(2)基于机器学习的方法；该类技术对于复杂的光线和环境具有一定的鲁棒性，但是算法的检测速度很慢，而且会存在较多的误检和部分漏检。

(3)基于边缘特征的方法；该类技术先获取图像的垂直边缘特征，然后通过形态学运算或者行扫描连线获得连通区域，最后通过连通区域分析获取最终的候选区域。该类技术的优点是算法简单，速度很快，漏检少，对复杂环境抵抗能力强。但同样存在一系列缺点：由于形态学结构元素和行相邻点连接的距离阈值多采用固定值，对于不同尺寸的车牌适应能力较差，进而导致较多误检。有些算法采用尺度变换后多次检测的方法，虽然达到了适应不同尺寸车牌图像的效果，但循环重复的运行过程大大降低了算法速度，严重影响最终性能。

字符分割是指在一幅已知车牌位置的图像中，精确分割出每个单一字符，主要有以下几类方法：

(1)基于垂直投影的方法，该方法通过获取车牌字符的垂直投影曲线，依据曲线的波峰波谷位置，获取每个字符的边缘位置。

(2)基于连通区域分析的方法，该方法首先进行车牌图像二值化，利用单个字符都是单连通区域的特征进行分析，最终获取字符的位置。

(3)基于机器学习的方法，如“一种基于支持向量机的车牌字符分割方法”，该类方法通过获取车牌的布局规律特征，借助分类器进行训练学习，最终完成车牌字符的分割。

车牌字符识别是指对于已经精确分割的单个字符，识别出其真实的字母意义，常用的方法有以下几类：

(1)全局特征，该类特征采用全局变换来获取字符的整体特征，使用有序的整体特征或者子集特征来构成特征向量，常见的特征有GABOR变换特征、矩特征、投影特征、笔划密度特征、HARR特征、HOG特征等。这些特征的优点是对局部变化不敏感，抗干扰能力强；其缺点是容易忽略某些重要的局部特征，无法区分相似的字符。

(2)局部特征，该类特征是在字符的多个局部区域内，计算相应的特征，使用串联的有序局部特征构成最终的特征向量，主要特征包括局部灰度直方图特征、LBP(LocalBinary Patterns)特征、穿线特征、SIFT(Scale-invariant feature transform)特征等。该类特征的优点是区分字符的能力强；其缺点是过分关注字符的局部特征，往往会错误区分具有噪声干扰的字符。