[发明专利]一种基于深度学习与大数据结合的车牌识别方法及装置

说明书

本发明提供了一种基于深度学习与大数据结合的车牌识别方法及装置，所述方法包括：通过改进的随机梯度下降迭代算法对大数据车辆图像的深度学习模型进行迭代训练；通过改进的线性缩放与预热策略对加载的所述更多的车辆图像数据进行批量训练，以提高对所述大数据车辆图像的深度学习模型进行训练的准确度；通过改进的适应率缩放算法对所述批量训练中的大批量训练层进行训练，得出快速训练模型；将通过深度学习模型和快速训练模型训练好的车辆图像输入RNN中，检测车辆图像的ROI是否为车牌；若是，则通过一体化的深度网络模型对ROI进行车牌识别，从而能够提高大数据车牌识别的效率和准确性。

技术领域

本发明属于计算机视觉与智慧交通技术领域，具体是涉及到一种基于深度学习与大数据结合的车牌识别方法、装置、终端设备及计算机可读介质。

背景技术

目前，基于大数据与深度学习的模型的分布式训练是计算机视觉领域深度学习网络的一个重要研究基础。通常，对于深度学习应用来说，更大的数据集和更大的模型能够带来准确度的显著提升，但代价是会花费更长的训练时间。伴随着最近几年深度学习的兴起，很多研究者基于此开始尝试在构建深度学习网络训练模型时，同时能兼顾准确度和实效性。其目标是对现实中的车辆图像、行人图像等进行训练，使分布式训练方法具有真实场景下广泛的应用价值。现有大数据车辆图像深度学习模型的训练方法存在训练速度慢，训练成本高等缺点，例如，用目前英伟达的M40的GPU(图像处理器)完成百万张车辆图像的残差网络-50(ResNet-50)训练要花费将近14天。这一训练总共要进行10的18次方的单精度运算。这无疑从时间成本和费用成本上来说都存在不小的缺陷。再者，现有的车牌识别技术中，需要进行大计算量的车牌字符分割，由此会造成车牌识别慢、不准确和实时性差等问题。

发明内容

有鉴于此，本发明实施例提供一种基于深度学习与大数据结合的车牌识别方法、装置、终端设备及计算机可读介质，能够提高大数据车牌识别的效率和准确性。

本发明实施例的第一方面提供了一种基于深度学习与大数据结合的车牌识别方法，包括：

通过改进的随机梯度下降迭代算法对大数据车辆图像的深度学习模型进行迭代训练；其中，在每次对所述大数据车辆图像的深度学习模型进行迭代训练时，使用比前次迭代训练更多的处理器来加载更多的车辆图像数据；

通过改进的线性缩放与预热策略对加载的所述更多的车辆图像数据进行批量训练，以提高对所述大数据车辆图像的深度学习模型进行训练的准确度；所述改进的线性缩放包括：将批量从B增加到kB时，同时将学习率从η增加到kη；所述改进的预热策略包括：如果使用相对较大的学习率kη，则从相对较小的学习率η值开始，在前几个时间段将所述相对较小的学习率η增加到所述相对较大的学习率kη；

通过改进的适应率缩放算法对所述批量训练中的大批量训练层进行训练，得出快速训练模型；

将通过所述深度学习模型和快速训练模型训练好的车辆图像输入RNN中，以检测所述车辆图像的RoI是否为车牌；

若为车牌，则通过一体化的深度网络模型对所述RoI进行车牌识别；所述一体化的深度网络模型包括卷积层、BRNN层、线性变换层和CTC层。

本发明实施例的第二方面提供了一种基于深度学习与大数据结合的车牌识别装置，包括：

迭代训练模块，用于通过改进的随机梯度下降迭代算法对大数据车辆图像的深度学习模型进行迭代训练；其中，在每次对所述大数据车辆图像的深度学习模型进行迭代训练时，使用比前次迭代训练更多的处理器来加载更多的车辆图像数据；