[发明专利]一种基于多任务卷积神经网络的单双层车牌识别方法

权利要求书

1.一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，具体包括以下步骤：

S1：自动生成各省份车牌数据，通过图像处理程序对生成的车牌数据进行图像处理；

S2：建立深度学习模型；

S3：将单层和双层车牌图片输入深度学习模型，经过模型中的卷积神经网络处理得到特征图F1、F2和F3；

S4：特征图F1通过卷积池化操作生成单层车牌的特征图F4；

S5：特征图F2通过卷积池化操作生成判断特征图C1，对判断特征图C1进行特征分类；

S6：特征图F3 通过卷积池化操作生成特征图 F5和特征图F6，特征图F5和F6为双层车牌的特征信息；

S7：将特征图F5和F6进行拼接得到F56，即将双层车牌的特征变成单层车牌的特征；

S8：将特征图F4 和拼接后的特征F56进行加权求和，得到提取的车牌特征F7；

S9：对提取的车牌特征F7进行具体字符识别。

2.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述S5步骤中特征分类具体为：采用SigmoidLoss损失函数对判断特征图C1进行处理，通过损失函数判断输入图片是单层车牌还是双层车牌。

3.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述步骤S7具体为：首先将特征图F5、F6进行高度方向求均值运算，将F5和F6转换成长度为1*N的特征，然后将F5与F6进行特征连接，生成1*2N的特征F56，此时F56特征长度与F4特征长度一致。

4.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述加权求和的公式具体为：

F7 = C1 * F4 + (1 - C1) * F56，其中，C1为判断单双层车牌的特征图。

5.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述判断特征函数C1是判断单双层车牌的特征图，如果模型输入图片是单层车牌，C1的特征图取值接近1，如果模型输入图片是双层车牌，C1的特征图取值接近0。

6.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述步骤S9中字符识别采用CTCLoss算法。

7.根据权利要求1所述的一种基于多任务卷积神经网络的单双层车牌识别方法，其特征在于，所述步骤S1中图像处理的具体方式包括旋转、高斯模糊、运动模糊、色彩变换、亮度变换和做旧。