[发明专利]基于卷积神经网络模型的字符非分割模式车牌识别方法

权利要求书

1.基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，包括如下步骤：

S1：基于异常天气状况下的高速整车图像，构建高速公路车牌图像集；

S2：基于CB损失函数，构建多分类字符非分割模式车牌识别框架；

S3：构建卷积神经网络模型进行车牌的特征提取，优选InceptionV3-LPR-CB、ResNet50-LPR-CB、ResNeXt-LPR-CB和SENet-LPR-CB卷积神经网络模型完成车辆号牌的识别。

2.如权利要求1所述的基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，所述步骤S1中基于异常天气状况下的高速整车图像，高速公路车牌图像集的构建方法为：基于YOLOv3的异常天气条件下高速公路车辆全息检测方法对所构建的车辆数据集进行检测，以获取多种天气条件下的车辆全息检测结果。

3.如权利要求2所述的基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，异常天气条件下高速公路整车数据集共有车辆图像13988幅，其中雾天车辆2372幅，雪天车辆2645幅，夜间车辆2248幅，雨天车辆2112幅，正常天气车辆4611幅；再使用YOLOv3目标检测模型进行车牌区域感知，并对车牌图像进行筛选和整理后，获得异常天气条件下高速公路车牌数据集，包括13733幅图像，其中雨天车牌图像共2144幅，雪天车牌图像共2505幅，雾天车牌图像共2151幅，夜间车牌图像共2256幅，正常天气条件下车牌图像共4677幅。

4.如权利要求1所述的基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，所述步骤S2中基于CB损失函数，构建多分类字符非分割模式车牌识别框架的具体步骤如下：

①对各种类样本的有效数目进行统计，确定CB损失函数中的数目权重部分计算方式；

②对各种样本的难易程度进行计算，确定CB损失函数中的难易权重部分计算方式；

③形成CB损失函数的具体表达式，并根据该损失函数进行模型框架的搭建。

5.如权利要求1所述的基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，所述步骤S3中构建InceptionV3-LPR-CB卷积神经网络模型进行车牌的特征提取的方法为：所述InceptionV3-LPR-CB卷积神经网络模型由Block1、Block2、Block3、Block4、Block5构成，其损失函数采用基于CB损失函数，主要网络结构采用InceptionV3的基本网络结构特征；所述InceptionV3-LPR-CB卷积神经网络模型输入的车牌图像大小为299×299×3，经过Block1、Block2、Block3、Block4和Block5的卷积操作后得到8×8×2048维度的特征图，采用8×8核的全局最大池化层进行操作后，得到2048维度的特征向量。

6.如权利要求1所述的基于卷积神经网络模型的字符非分割模式车牌识别方法，其特征在于，所述步骤S3中构建ResNet50-LPR-CB卷积神经网络模型进行车牌的特征提取的方法为：所述ResNet50-LPR-CB卷积神经网络模型由5个卷积模块conv2d构成，其损失函数采用基于CB损失函数，主要网络结构采用ResNet50的基本网络结构特征；所述ResNet50-LPR-CB卷积神经网络模型输入的异常天气条件下高速公路车牌图像大小为224×224×3，经过conv1、conv2、conv3、conv4和conv5的卷积操作后得到7×7×2048维度的特征图，采用7×7核的全局平均池化层进行操作后，得到2048维度的特征向量。