[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

说明书

本发明公布了基于卷积神经网络模型的字符非分割模式车牌识别方法，包括：基于异常天气状况下的高速整车图像，对车牌区域进行检测并构建高速公路车牌图像集；研究字符非分割模式车牌识别框架，优选基于CB损失函数的多分类字符非分割模式车牌识别框架进行模型构造；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。本发明的有益效果在于：构建符合真实高速场景且适用于神经网络学习的车牌图像集，提供非分割模式下的车辆号牌识别框架，同时选用结构合理的卷积神经网络模型，完成对车辆号牌的自动识别，提升了车牌识别的准确率与速度的同时，也给车辆号牌识别提供了有效的新思路。

技术领域

本发明专利涉及智能交通，智慧高速信息感知领域，具体涉及一种基于卷积神经网络模型的字符非分割模式车牌识别方法。

背景技术

为提升高速公路运输效率，高速公路不停车收费系统已成为实现高速智慧化和信息化的关键部分，其中高速公路场景中车辆全息信息感知，特别是车辆号牌识别是智慧高速公路不停车收费建设的重要内容之一。但由于车辆号牌的识别方式过于单一，使得现有的车牌识别模型在部分高速公路的露天场景特性下效果较差，尤其是在雨、雪、雾等特殊天气条件下，光线变化显著，图像噪声较多，大大降低了车辆号牌识别的准确率。智慧高速公路不停车收费系统亟需对车辆号牌的感知进行优化与创新，通过多种号牌识别方法来应对复杂多变的露天环境。因此，本文基于异常天气状况下的高速整车图像，构建多分类字符非分割模式车牌识别框架，并使用InceptionV3-LPR-CB卷积神经网络作为模型的核心结构，给车辆号牌识别提供了有效的新思路。

发明内容

发明目的：为了克服现有车辆牌照识别技术中存在的不足，提供一种基于卷积神经网络模型的字符非分割模式车牌识别方法，其在基于CB(有效样本数)损失函数的字符非分割模式车牌识别框架下，结合InceptionV3-LPR-CB卷积神经网络模型，实现了字符非分割模式下的车牌识别给公路场景下不停车收费系统提供了新的车辆感知技术支持。

技术方案：为实现上述目的，本发明提供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，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(有效样本数)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。

进一步的，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。检测内容包括车窗、车脸和车牌，随后对获取的车牌图像进行筛选和整理，并对车牌标签进行校正。最终构建异常天气条件下高速公路车牌数据集13733幅，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。

进一步的，所述步骤S2中基于CB(有效样本数)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构建步骤如下：

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。