[发明专利]一种基于深度学习的双层车牌识别方法

说明书

本发明公开了一种基于深度学习的双层车牌识别方法，对所述双层车牌进行识别，并将识别的双层车牌输入到构建的卷积神经网络；通过所述卷积神经网络的骨干网络对所述双层车牌进行特征提取并对部分层网络的输入数据做归一化处理，其中，特征提取骨干网络包括八个卷积层，四个池化层；将上述网络计算得到的特征图按照特征图高度均分为上下两层特征图，上层特征图通过均值池化操作得到宽度为第一预设宽度的特征图，下层得到宽度为第二预设宽度的特征图，然后把处理得到的两个特征图合并为宽度为第三预设宽度的特征图，经过一层全连接层得到输出的结果，最后将n份输出的结果合并即为最终的双层车牌识别结果。

技术领域

本发明涉及图像识别与机器学习领域，尤其涉及一种基于深度学习的双层车牌识别方法。

背景技术

车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。

在我国根据不同的车型、用途规定了多种牌照格式，其中包括普通小轿车的单层车牌和大型货车与摩托车的双层车牌，现有的识别算法一般只适用于单层车牌的识别，但在实际应用中存在许多双层车牌的识别需求。

普遍的现有车牌算法只针对小轿车单层蓝色车牌的识别，不能直接用来识别大型货车或者摩托车的双层黄色车牌；并且传统的车牌识别算法包含：字符分割和字符识别，需要把检测到的车牌区域做字符切分再进行每个字符的识别，最后组合到一起。此方法使用的数据标注获取较复杂，且推理速度有提升空间。

基于上述不足，本发明主要面向于双层黄色车牌的识别，采用深度学习神经网络算法，实现简便，高效的双层车牌识别的目的。

发明内容

针对上述技术问题，本发明构建了一个轻量级的卷积神经网络用来提取特征，使用双层车牌的全局特征处理为一层的特征分布，使用两个全连接层进行全局分类车牌信息。即本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于深度学习的双层车牌识别方法，包括以下步骤：

步骤1：对所述双层车牌进行识别，并将识别的双层车牌输入到构建的卷积神经网络；

步骤2：通过所述卷积神经网络的骨干网络对所述双层车牌进行特征提取并对部分层网络的输入数据做归一化处理，其中，特征提取骨干网络包括八个卷积层，四个池化层；

步骤3：将上述网络计算得到的特征图按照特征图高度均分为上下两层特征图，上层特征图通过均值池化操作得到宽度为第一预设宽度的特征图，下层得到宽度为第二预设宽度的特征图，然后把处理得到的两个特征图合并为宽度为第三预设宽度的特征图，以此将上下两层的特征处理为单层的特征；

步骤4：将处理得到的第三预设宽度的单层特征均分n份，将均分的每份特征重构得到二维的张量，经过一层全连接层将输出维度降为128，然后再经过一层全连接层得到输出的结果，最后将n份输出的结果合并即为最终的双层车牌识别结果。

更进一步地，卷积神经网络实现使用深度学习框架PyTorch完成。

更进一步地，所述卷积神经网络的目标损失函数采用AM-softmax，公式如下所示：

cos(θ)是计算样本在类别上的区域，cos(θ)-m是要求类别间的区域至少有超参数m的间隔，s*(cos(θ)-m)引入超参数s，将cos值的区间扩大s倍。