CN105354574A - 一种车号识别方法及装置 - Google Patents
一种车号识别方法及装置 Download PDFInfo
- Publication number
- CN105354574A CN105354574A CN201510891423.1A CN201510891423A CN105354574A CN 105354574 A CN105354574 A CN 105354574A CN 201510891423 A CN201510891423 A CN 201510891423A CN 105354574 A CN105354574 A CN 105354574A
- Authority
- CN
- China
- Prior art keywords
- neural network
- character
- license number
- convolutional neural
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种车号识别方法及装置,该方法包括:分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;根据多个标准样本图片中的车号字符训练神经网络,得到字符卷积神经网络结构;根据多个标准样本图片中的端位符号训练神经网络,得到端位卷积神经网络结构;分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号。该装置包括:归一化模块、字符训练模块、端位训练模块、及识别模块。本发明利用训练好的字符卷积神经网络结构和端位卷积神经网络结构识别车号中的字符和端位,以得到车号,提高了识别的准确率。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种车号识别方法及装置。
背景技术
车号识别技术是一个基于数字图像处理和字符识别的智能化交通管理系统,是车辆检测系统中的一个重要环节,它在交通监视和控制中占有很重要的地位,有着多种应用,例如自动收费系统、城市交通车辆管理、不停车缴费、失窃车辆查询、停车场管理、特殊部门车辆出入控制等等。应用在铁路运输管理系统中,车号识别技术实现车次、车号自动识别,为铁路运输管理提供车次、车号等实时的基础信息,提高编组站作业效率,减轻了作业人员的劳动强度。其与货票系统结合,还能实现货流统计分析。
现有的车号识别系统主要是针对民用车牌识别,通过差分法对车牌进行初定位;然后根据车牌区域的直方图的特征确定车牌的类别;之后,以对车牌进行二值化操作;最后对二值车牌图像投影以确定最终的车牌位置。其中,在字符识别过程中,多采用支持向量机方法、BP(BackPropagation)神经网络以及基于核聚类算法的决策树方法。
现有技术采用的支持向量机方法来识别字符,由于是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间;采用基于核聚类算法的决策树方法进行字符识别,当类别太多时,错误增加的比较快。
采用BP(BackPropagation)神经网络进行字符识别也暴露出越来越多的缺点和不足。传统的BP神经网络为一种局部搜索的优化方法,它要解决的是一个复杂非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络,其往往会收敛于不同的局部极小,导致每次训练都得到不同结果。
综上,现有采用支持向量机方法、BP(BackPropagation)神经网络以及基于核聚类算法的决策树方法来识别字符,字符识别准确率较低。
发明内容
有鉴于此,本发明提供了一种车号识别方法及装置,用于解决现有技术中字符识别准确率较低的问题。
第一方面,本发明实施例提供了一种车号识别方法,所述方法包括:
步骤1、分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
步骤2、根据所述多个标准样本图片中的车号字符训练神经网络,得到字符卷积神经网络结构;
步骤3、根据所述多个标准样本图片中的端位符号训练神经网络,得到端位卷积神经网络结构;
步骤4、分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号。
结合第一方面,本发明实施例提供了上述第一方面的第一种可能的实现方式,其中,在步骤2中,包括对每个标准样本图片执行如下操作:
步骤21、将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y11;
步骤22、根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差,并确定所述神经网络各层权值的第一调整量;
步骤23、根据所述第一调整量调整所述神经网络各层的权值,得到第一初始神经网络结构;
步骤24、依次将所有车号字符的样本值输入到所述第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
结合第一方面,本发明实施例提供了上述第一方面的第二种可能的实现方式,其中,在步骤3中,包括对每个标准样本图片执行如下操作:
步骤31、将预先获取的端位符号的样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y21;
步骤32、根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差,并确定所述神经网络各层权值的第二调整量;
步骤33、根据所述第二调整量调整所述神经网络各层的权值,得到第二初始神经网络结构;
步骤34、依次将所有端位符号的样本值输入到所述第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
结合第一方面,本发明实施例提供了上述第一方面的第三种可能的实现方式,其中,在步骤4中,包括:
步骤41、动态采集要识别的机车车型图片;
步骤42、对所述机车车型图片进行自适应二值化操作,得到二值图;
步骤43、定位所述二值图中包含车号字符和端位符号的位置区域;
步骤44、对包含所述车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
步骤45、利用所述字符卷积神经网络结构,对所述车号字符分割图进行识别,得到车号字符;
步骤46、利用所述端位卷积神经网络结构,对所述端位符号分割图进行识别,得到端位符号。
结合第一方面,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,在步骤42中,包括:
步骤421、对所述车型图片进行灰度处理,得到灰度图;
步骤422、将所述灰度图转化为灰度积分图;
步骤423、将所述灰度积分图划分为多个积分区域,以使所述灰度积分图中的每一像素点获得一个积分区域,计算所述积分区域的均值,当所述均值大于阈值时,该像素点的像素值赋予数值255,当所述均值小于或等于阈值时,该像素点的像素值赋予数值0;
步骤424、将所述灰度积分图对应的点及所述数值,转化为二值图。
结合第一方面,本发明实施例提供了上述第一方面的第四种可能的实现方式,其中,在步骤421中,包括:
若所述车型图片为蓝底红字,则采用HSV颜色空间的V分量为所述车型图片中每一个像素点的灰度值,所述车型图片中所有像素点转化得到灰度图,V分量的获取公式V=MAX(R,G,B);
若所述车型图片为红底白字,则采用Gray值为所述车型图片中每一个像素点的灰度值,所述车型图片中所有像素点转化得到灰度图,Gray值的获取公式Gray=R*0.299+G*0.587+B*0.114。
第二方面,本发明实施例提供了一种车号识别装置,所述装置包括:
归一化模块,用于分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
字符训练模块,用于根据所述多个标准样本图片的车号字符训练神经网络,得到字符卷积神经网络结构;
端位训练模块,用于根据所述多个标准样本图片的端位符号训练神经网络,得到端位卷积神经网络结构;
识别模块,用于分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构,对预先采集的车型图片进行识别,得到车号。
结合第二方面,本发明实施例提供了上述第二方面的第一种可能的实现方式,其中,所述字符训练模块还包括:
输出量计算单元,用于将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y11;
调整量计算单元,用于根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差,并确定所述神经网络各层权值的调整量;
调整单元,用于根据所述调整量调整所述神经网络各层的权值,得到第一初始神经网络结构;
结构确定单元,用于依次将所有车号字符的样本值输入到所述第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
结合第二方面,本发明实施例提供了上述第二方面的第二种可能的实现方式,其中,所述端位训练模块还包括:
输出量计算单元,用于将预先获取的端位符号样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y21;
调整量计算单元,用于根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差,并确定所述神经网络各层权值的调整量;
调整单元,用于根据所述调整量调整所述神经网络各层的权值,得到第二初始神经网络结构;
结构确定单元,用于依次将所有端位符号的样本值输入到所述第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
结合第二方面,本发明实施例提供了上述第二方面的第三种可能的实现方式,其中,所述识别模块包括:
采集单元,用于动态采集要识别的机车车型图片;
二值化单元,用于对所述机车车型图片进行自适应二值化操作,得到二值图;
定位单元,用于定位所述二值图中包含车号字符和端位符号的位置区域;
分割单元,用于对包含所述车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
字符分割图处理单元,用于利用所述字符卷积神经网络结构,对所述车号字符分割图进行识别,得到车号字符;
端位分割图处理单元,用于利用所述端位卷积神经网络结构,对所述端位符号分割图进行识别,得到端位符号。
本发明实施例提供的一种车号识别方法及装置,通过分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;根据多个标准样本图片中的车号字符和端位符号分别训练出字符卷积神经网络结构和端位卷积神经网络结构;再分别利用字符卷积神经网络结构和端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号。本发明实施例利用卷积神经网络在识别过程中具有较高的识别率和抗畸变性,解决了现有技术中字符识别准确率较低的问题。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例1提供的一种车号识别方法流程图;
图2示出了本发明实施例1提供的一种车号识别方法中字符训练模块的流程图;
图3示出了本发明实施例1提供的一种车号识别方法中端位训练模块的流程图;
图4示出了本发明实施例1提供的一种车号识别方法中自适应二值化方法流程图;
图5示出了本发明实施例2提供的一种车号识别装置结构图。
附图中数字代表意义如下:
01-归一化模块
02-字符训练模块
03-端位训练模块
04-识别模块
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有技术采用的支持向量机方法来识别字符,由于是借助二次规划来求解支持向量,而求解二次规划将涉及m阶矩阵的计算(m为样本的个数),当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间;采用基于核聚类算法的决策树方法进行字符识别,当类别太多时,错误增加的比较快。
采用BP(BackPropagation)神经网络进行字符识别也暴露出越来越多的缺点和不足。传统的BP神经网络为一种局部搜索的优化方法,它要解决的是一个复杂非线性化问题,网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感,以不同的权重初始化网络,其往往会收敛于不同的局部极小,导致每次训练都得到不同结果。基于此,本发明实施例提供了一种车号识别方法及装置。下面通过实施例进行描述。
实施例1
本发明实施例提供了一种车号识别方法。
机车包括多种型号,有SS7、SS3、HX3、HX1、DF4、DF5、DF7等型号,每种型号又分为不同分类,如SS7类型号的车有SS7、SS7C、SS7B类。机车车号颜色也有多种:蓝底红字、红底白字、墨绿白字而且红底白字类红底的深浅程度也不同。机车车号由车号字符和端位符号组成。本发明针对多种车型设计了多种识别算法,包括对车号字符的识别和端位符号的识别,使其对各种机车车型均有较高的识别率。
车号字符的识别和端位符号的识别主要是利用训练好的卷积神经网络进行识别。卷积神经网络(CNN)中每个卷积都是一种特征提取方式,就像一个筛子,将图像中符合条件(激活值越大越符合条件)的部分筛选出来。由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数,降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。
卷积神经网络比BP神经网络等普通神经神经网络多了特征提取层与降维层,他们之间结点的连结方式是部分连结,多个连结线共享权重。卷积网络较一般神经网络在图像处理方面有如下优点:a)输入图像和网络的拓扑结构能很好的吻合;b)特征提取和模式分类同时进行,并同时在训练中产生;c)权重共享可以减少网络的训练参数,使神经网络结构变得更简单,适应性更强。故CNN具有结构简单、训练参数少和适应性强等特点,因此对机车上形体复杂的字符识别率也很高。
本发明实施例提供的车号识别方法,首先需要训练字符卷积神经网络结构和端位卷积神经网络结构,然后利用字符卷积神经网络结构和端位卷积神经网络结构对车号字符和端位符号进行识别,如图1所示,具体包括步骤1~步骤4:
步骤1、分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
步骤2、根据多个标准样本图片中的车号字符训练神经网络,得到字符卷积神经网络结构;
步骤3、根据多个标准样本图片中的端位符号训练神经网络,得到端位卷积神经网络结构;
步骤4、分别利用字符卷积神经网络结构和端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号。
具体的,步骤1中需要预先获取多个车型样本图片,而车型样本图片可以预先通过该车号识别装置与摄像机结合,在机车通过时,通过摄像机采集机车视频,从而获取车型样本图片。上述车型样本图片的车型包括:有SS7、SS3、HX3、HX1、DF4、DF5、DF7等型号,每种型号又分为不同分类,如SS7类型号的车有SS7、SS7C、SS7B类。机车车号颜色也有多种:蓝底红字、红底白字、墨绿白字,且红底白字类红底的深浅程度也不同。
需要强调的是,通过本发明的车号识别装置与摄像机结合来采集车型样本图片,但不仅仅限于与摄像机结合,还可与其他具有摄像功能的摄像终端设备结合。
获取的多个车型样本图片首先需要进行归一化,以使得输入到神经网络中的图片具有固定的大小,即经过归一化的车型样本图片为具有固定大小的标准样本图片。
具体的,在步骤2中,根据多个标准样本图片中的车号字符训练神经网络,得到字符卷积神经网络结构包括对每个标准样本图片执行如下操作,如图2所示:
步骤21、将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到神经网络各层的实际输出量Y11;
该步骤前,首先要对采集到的多个标准样本图片中车号字符赋上样本值X1_,以使得多个标准样本图的每一个标准样本图具有与其对应的样本值(X11、X12、X13……X1n)。操作该步骤时,将一个样本值X11输入到神经网络中,同时输入与该样本值对应的目标输出量D11。对应于样本值(X11、X12、X13……X1n)有对应的目标输出量(D11、D12、D13……D1n),经过计算后,对应于样本值(X11、X12、X13……X1n)有实际输出量(Y11、Y12、Y13……Y1n)。
其中,目标输出量D11为样本X11的类别,所有样本值X1_被预先分为m类,即n个样本值(X11、X12、X13……X1n)被分为m类,每个样本值都有其归属的类别。实际输出量Y11为实际输出的类别。
步骤22、根据目标输出量D11和实际输出量Y11计算神经网络各层的误差,并确定神经网络各层权值的第一调整量;
其中,计算误差公式=(所有样本实际输出与所有目标输出不一致的总个数)/样本总个数。
步骤23、根据第一调整量调整神经网络各层的权值,得到第一初始神经网络结构;
步骤24、依次将所有车号字符的样本值输入到第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
同理,在步骤3中,根据多个标准样本图片中的端位符号训练神经网络,得到端位卷积神经网络结构包括对每个标准样本图片执行如下操作,如图3所示:
步骤31、将预先获取的端位符号的样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到神经网络各层的实际输出量Y21;
该步骤前,首先要对采集到的多个标准样本图片中端位符号赋上样本值X2_,以使得多个标准样本图的每一个标准样本图具有与其对应的样本值(X21、X22、X23……X2n)。操作该步骤时,将一个样本值X21输入到神经网络中,同时输入与该样本值对应的目标输出量D21。对应于样本值(X21、X22、X23……X2n)有对应的目标输出量(D21、D22、D23……D2n),经过计算后,对应于样本值(X21、X22、X23……X2n)有实际输出量(Y21、Y22、Y23……Y2n)。
其中,目标输出量D21为样本X21的类别,所有样本值X2_被预先分为m类,即n个样本值(X21、X22、X23……X2n)被分为m类,每个样本值都有其归属的类别。实际输出量Y21实际输出的类别。
步骤32、根据目标输出量D21和实际输出量Y21计算神经网络各层的误差,并确定神经网络各层权值的第二调整量;
其中,计算误差公式=(所有样本实际输出与所有目标输出不一致的总个数)/样本总个数。
步骤33、根据第二调整量调整神经网络各层的权值,得到第二初始神经网络结构;
步骤34、依次将所有端位符号的样本值输入到第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
本发明实施例提供了一种车号识别方法中,步骤4分别利用字符卷积神经网络结构和端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号包括,如图4所示:
步骤41、动态采集要识别的机车车型图片;
具体的,在该步骤前,经过动态采集到的机车车型图片需要进行预处理,用以克服噪声干扰,改善识别的效果。预处理主要包括图像增强以滤噪声,校正不均与光照,增强对比度使图像具有可辨性。
步骤42、对机车车型图片进行自适应二值化操作,得到二值图;
该步骤中,二值化操作包括步骤421~步骤424:
步骤421、对车型图片进行灰度处理,得到灰度图;
具体的,灰度图由两种方式得到。
若车型图片为蓝底红字,则采用将车型图片中每个像素点的HSV颜色空间的V分量为该像素点的灰度值的方式,将车型图片中所有像素点转化得到灰度图,V分量的获取公式V=MAX(R,G,B)其中,V分量为灰度值,R、G、B分别表示该像素点的红、绿、蓝三种分量的值。
若车型图片为红底白字,则采用将车型图片中每个像素点的Gray值为该像素点的灰度值的方式,将车型图片中所有像素点转化得到灰度图,Gray值的获取公式Gray=R*0.299+G*0.587+B*0.114。其中,Gray值为灰度值,R、G、B分别表示该像素点的红、绿、蓝三种分量的值。
步骤422、将灰度图转化为灰度积分图;
步骤423、将灰度积分图划分为多个积分区域,以使灰度积分图中的每一像素点获得一个积分区域,计算积分区域的均值,当均值大于阈值时,该像素点的像素值赋予数值255,当均值小于或等于阈值时,该像素点的像素值赋予数值0;
具体的,以计算其中一个积分区域的均值为例。积分区域左上角点为A,对应数值a;积分区域右上角点为B,对应数值b;积分区域左下角点为C,对应数值c;积分区域右下角点为D,对应数值d;该积分区域的均值为数值d减去数值b减去数值c加上数值a的结果除以积分区域的面积。
步骤424、将灰度积分图对应的点及数值,转化为二值图。
使用自适应二值化的方法主要是对图像的灰度图进行自适应,基于解决全局二值化方法分割图像的整体轮廓和细节不能兼顾的问题。
步骤43、定位二值图中包含车号字符和端位符号的位置区域;
步骤44、对包含车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
步骤45、利用字符卷积神经网络结构,对车号字符分割图进行识别,得到车号字符;
步骤46、利用端位卷积神经网络结构,对端位符号分割图进行识别,得到端位符号。
机车车号包括车号字符和端位符号,将步骤45和步骤46中得到的车号字符和端位符号组合得到机车车号,并保存入系统中。
实施例2
本发明实施例提供了一种车号识别装置,如图5所示,该装置包括:
归一化模块01,用于分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
字符训练模块02,用于根据多个标准样本图片的车号字符训练神经网络,得到字符卷积神经网络结构;
端位训练模块03,用于根据多个标准样本图片的端位符号训练神经网络,得到端位卷积神经网络结构;
识别模块04,用于分别利用字符卷积神经网络结构和端位卷积神经网络结构,对预先采集的车型图片进行识别,得到车号。
在本发明实施例中,采用上述车号识别装置对车号进行识别,具体步骤为:
归一化模块01分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;字符训练模块02根据多个标准样本图片的车号字符训练神经网络,得到字符卷积神经网络结构;端位训练模块03根据多个标准样本图片的端位符号训练神经网络,得到端位卷积神经网络结构;识别模块04分别利用字符卷积神经网络结构和端位卷积神经网络结构,对预先采集的车型图片进行识别,分别得到车号字符和端位符号,将车号字符和端位符号组合保存,得到车号。
上述字符训练模块02包括:
输出量计算单元,用于将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到神经网络各层的实际输出量Y11;
调整量计算单元,用于根据目标输出量D11和实际输出量Y11计算神经网络各层的误差,并确定神经网络各层权值的调整量;
调整单元,用于根据调整量调整神经网络各层的权值,得到第一初始神经网络结构;
结构确定单元,用于依次将所有车号字符的样本值输入到第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
上述端位训练模块03包括:
输出量计算单元,用于将预先获取的端位符号样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到神经网络各层的实际输出量Y21;
调整量计算单元,用于根据目标输出量D21和实际输出量Y21计算神经网络各层的误差,并确定神经网络各层权值的调整量;
调整单元,用于根据调整量调整神经网络各层的权值,得到第二初始神经网络结构;
结构确定单元,用于依次将所有端位符号的样本值输入到第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
上述识别模块04包括:
采集单元,用于动态采集要识别的机车车型图片;
该步骤中包括图像序列的读取和存储。图像序列的读取主要是将视频按照时间频率采集为RGB图像,然后压缩图像为640*480。
二值化单元,用于对机车车型图片进行自适应二值化操作,得到二值图;
定位单元,用于定位二值图中包含车号字符和端位符号的位置区域;
对机车车号字符和端位符号的定位主要采用二值图像获得团块聚集而成。
分割单元,用于对包含车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
对机车车号字符和端位符号的分割主要通过车号区域内的团块检测获得。
字符分割图处理单元,用于利用字符卷积神经网络结构,对车号字符分割图进行识别,得到车号字符;
端位分割图处理单元,用于利用端位卷积神经网络结构,对端位符号分割图进行识别,得到端位符号。
识别模块04中的字符分割图处理单元与端位分割图处理单元分别识别车号中的车号字符和端位符号,将获取的车号字符和端位符号进行组合保存,并将组合保存的结果实时上传。
需要强调的是,本发明实施例2提供的一种车号识别装置,采用多线程来满足识别的实时性需求。其中采集单元包括视频采集线程、视频保存线程、图像序列存储线程、网络发送图片线程,字符分割图处理单元包括车号字符识别线程,端位分割图处理单元包括端位符号识别线程。多个线程为了保证一副图像只读取一次,在图像队列中加入互斥项waitandpop。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种车号识别方法,其特征在于,包括:
步骤1、分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
步骤2、根据所述多个标准样本图片中的车号字符训练神经网络,得到字符卷积神经网络结构;
步骤3、根据所述多个标准样本图片中的端位符号训练神经网络,得到端位卷积神经网络结构;
步骤4、分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构,对预先采集的车型图片进行识别,以获取车号。
2.根据权利要求1所述的一种车号识别方法,其特征在于,在步骤2中,包括对每个标准样本图片执行如下操作:
步骤21、将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y11;
步骤22、根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差,并确定所述神经网络各层权值的第一调整量;
步骤23、根据所述第一调整量调整所述神经网络各层的权值,得到第一初始神经网络结构;
步骤24、依次将所有车号字符的样本值输入到所述第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
3.根据权利要求1所述的一种车号识别方法,其特征在于,在步骤3中,包括对每个标准样本图片执行如下操作:
步骤31、将预先获取的端位符号的样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y21;
步骤32、根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差,并确定所述神经网络各层权值的第二调整量;
步骤33、根据所述第二调整量调整所述神经网络各层的权值,得到第二初始神经网络结构;
步骤34、依次将所有端位符号的样本值输入到所述第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
4.根据权利要求1所述的一种车号识别方法,其特征在于,在步骤4中,包括:
步骤41、动态采集要识别的机车车型图片;
步骤42、对所述机车车型图片进行自适应二值化操作,得到二值图;
步骤43、定位所述二值图中包含车号字符和端位符号的位置区域;
步骤44、对包含所述车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
步骤45、利用所述字符卷积神经网络结构,对所述车号字符分割图进行识别,得到车号字符;
步骤46、利用所述端位卷积神经网络结构,对所述端位符号分割图进行识别,得到端位符号。
5.根据权利要求4所述的一种车号识别方法,其特征在于,在步骤42中,包括:
步骤421、对所述车型图片进行灰度处理,得到灰度图;
步骤422、将所述灰度图转化为灰度积分图;
步骤423、将所述灰度积分图划分为多个积分区域,以使所述灰度积分图中的每一像素点获得一个积分区域,计算所述积分区域的均值,当所述均值大于阈值时,该像素点的像素值赋予数值255,当所述均值小于或等于阈值时,该像素点的像素值赋予数值0;
步骤424、将所述灰度积分图对应的点及所述数值,转化为二值图。
6.根据权利要求5所述一种车号识别方法,其特征在于,在步骤421中,包括:
若所述车型图片为蓝底红字,则采用将所述车型图片中每个像素点的HSV颜色空间的V分量为所述该像素点的灰度值的方式,将所述车型图片中所有像素点转化得到灰度图,V分量的获取公式V=MAX(R,G,B);
若所述车型图片为红底白字,则采用将所述车型图片中每个像素点的Gray值为该像素点的灰度值的方式,将所述车型图片中所有像素点转化得到灰度图,Gray值的获取公式Gray=R*0.299+G*0.587+B*0.114。
7.一种车号识别装置,其特征在于,包括:
归一化模块,用于分别对预先获取的多个车型样本图片的每个车型样本图片进行归一化,得到多个标准样本图片;
字符训练模块,用于根据所述多个标准样本图片的车号字符训练神经网络,得到字符卷积神经网络结构;
端位训练模块,用于根据所述多个标准样本图片的端位符号训练神经网络,得到端位卷积神经网络结构;
识别模块,用于分别利用所述字符卷积神经网络结构和所述端位卷积神经网络结构,对预先采集的车型图片进行识别,得到车号。
8.根据权利要求7所述的装置,其特征在于,所述字符训练模块还包括:
输出量计算单元,用于将预先获取的车号字符的样本值X11和对应的目标输出量D11输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y11;
调整量计算单元,用于根据所述目标输出量D11和所述实际输出量Y11计算所述神经网络各层的误差,并确定所述神经网络各层权值的调整量;
调整单元,用于根据所述调整量调整所述神经网络各层的权值,得到第一初始神经网络结构;
结构确定单元,用于依次将所有车号字符的样本值输入到所述第一初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第一初始神经网络结构为字符卷积神经网络结构,若错误率大于或等于阈值,回到步骤21。
9.根据权利要求7所述的装置,其特征在于,所述端位训练模块还包括:
输出量计算单元,用于将预先获取的端位符号样本值X21和对应的目标输出量D21输入到神经网络中,以计算得到所述神经网络各层的实际输出量Y21;
调整量计算单元,用于根据所述目标输出量D21和所述实际输出量Y21计算所述神经网络各层的误差,并确定所述神经网络各层权值的调整量;
调整单元,用于根据所述调整量调整所述神经网络各层的权值,得到第二初始神经网络结构;
结构确定单元,用于依次将所有端位符号的样本值输入到所述第二初始神经网络结构中,计算输出结果的错误率,若错误率小于阈值,则所述第二初始神经网络结构为端位卷积神经网络结构,若错误率大于或等于阈值,回到步骤31。
10.根据权利要求7所述的装置,其特征在于,所述识别模块包括:
采集单元,用于动态采集要识别的机车车型图片;
二值化单元,用于对所述机车车型图片进行自适应二值化操作,得到二值图;
定位单元,用于定位所述二值图中包含车号字符和端位符号的位置区域;
分割单元,用于对包含所述车号字符和端位符号的位置区域分别进行车号字符和端位符号的分割,得到车号字符分割图和端位符号分割图;
字符分割图处理单元,用于利用所述字符卷积神经网络结构,对所述车号字符分割图进行识别,得到车号字符;
端位分割图处理单元,用于利用所述端位卷积神经网络结构,对所述端位符号分割图进行识别,得到端位符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510891423.1A CN105354574A (zh) | 2015-12-04 | 2015-12-04 | 一种车号识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510891423.1A CN105354574A (zh) | 2015-12-04 | 2015-12-04 | 一种车号识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105354574A true CN105354574A (zh) | 2016-02-24 |
Family
ID=55330541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510891423.1A Pending CN105354574A (zh) | 2015-12-04 | 2015-12-04 | 一种车号识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105354574A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN106874902A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN106886778A (zh) * | 2017-04-25 | 2017-06-23 | 福州大学 | 一种监控场景下车牌字符分割与识别方法 |
CN106897770A (zh) * | 2017-01-19 | 2017-06-27 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN107145885A (zh) * | 2017-05-03 | 2017-09-08 | 金蝶软件(中国)有限公司 | 一种基于卷积神经网络的单字图文字识别方法及装置 |
CN107360137A (zh) * | 2017-06-15 | 2017-11-17 | 深圳市牛鼎丰科技有限公司 | 用于验证码识别的神经网络模型的构建方法和装置 |
CN107368182A (zh) * | 2016-08-19 | 2017-11-21 | 北京市商汤科技开发有限公司 | 手势检测网络训练、手势检测、手势控制方法及装置 |
WO2018112900A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN108647701A (zh) * | 2018-04-13 | 2018-10-12 | 长安大学 | 一种快速车号识别方法 |
CN109344297A (zh) * | 2018-09-18 | 2019-02-15 | 北京工业大学 | 一种共享图书系统中离线获取图书在版编目数据的方法 |
CN109726722A (zh) * | 2018-12-20 | 2019-05-07 | 上海众源网络有限公司 | 一种字符分割方法及装置 |
CN109740606A (zh) * | 2018-12-20 | 2019-05-10 | 上海众源网络有限公司 | 一种图像识别方法及装置 |
CN110472633A (zh) * | 2019-08-15 | 2019-11-19 | 南京拓控信息科技股份有限公司 | 一种基于深度学习的列车车号检测和识别方法 |
WO2020134324A1 (zh) * | 2018-12-29 | 2020-07-02 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别算法 |
CN112070087A (zh) * | 2020-09-14 | 2020-12-11 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN113895483A (zh) * | 2021-10-28 | 2022-01-07 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 机车车辆信息与车轮信息的匹配关系确定系统和方法 |
CN114821452A (zh) * | 2022-06-29 | 2022-07-29 | 山东博昂信息科技有限公司 | 一种彩绘列车车号识别方法、系统及介质 |
CN117315664A (zh) * | 2023-09-18 | 2023-12-29 | 山东博昂信息科技有限公司 | 一种基于图像序列的废钢斗号码识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102033991A (zh) * | 2010-12-07 | 2011-04-27 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥预测方法 |
US20140063249A1 (en) * | 2012-09-05 | 2014-03-06 | Motorola Solutions, Inc. | Method, apparatus and system for performing facial recognition |
-
2015
- 2015-12-04 CN CN201510891423.1A patent/CN105354574A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102033991A (zh) * | 2010-12-07 | 2011-04-27 | 昆明理工大学 | 基于增量改进bp神经网络的微波干燥预测方法 |
US20140063249A1 (en) * | 2012-09-05 | 2014-03-06 | Motorola Solutions, Inc. | Method, apparatus and system for performing facial recognition |
Non-Patent Citations (1)
Title |
---|
吴佳: ""车辆牌照识别系统的设计与实现"", 《中国优秀硕士学位论文全文数据库 (硕士)信息科技辑》 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368182A (zh) * | 2016-08-19 | 2017-11-21 | 北京市商汤科技开发有限公司 | 手势检测网络训练、手势检测、手势控制方法及装置 |
CN106778527A (zh) * | 2016-11-28 | 2017-05-31 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
CN106778527B (zh) * | 2016-11-28 | 2019-11-12 | 中通服公众信息产业股份有限公司 | 一种基于三重损失的改进的神经网络行人再识别方法 |
US10984289B2 (en) | 2016-12-23 | 2021-04-20 | Shenzhen Institute Of Advanced Technology | License plate recognition method, device thereof, and user equipment |
WO2018112900A1 (zh) * | 2016-12-23 | 2018-06-28 | 深圳先进技术研究院 | 一种车牌识别方法及装置、用户设备 |
CN106874902B (zh) * | 2017-01-19 | 2020-07-17 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN106897770A (zh) * | 2017-01-19 | 2017-06-27 | 博康智能信息技术有限公司北京海淀分公司 | 一种建立车牌识别模型的方法及装置 |
CN106874902A (zh) * | 2017-01-19 | 2017-06-20 | 博康智能信息技术有限公司北京海淀分公司 | 一种车牌信息识别方法及装置 |
CN106886778A (zh) * | 2017-04-25 | 2017-06-23 | 福州大学 | 一种监控场景下车牌字符分割与识别方法 |
CN106886778B (zh) * | 2017-04-25 | 2020-02-07 | 福州大学 | 一种监控场景下车牌字符分割与识别方法 |
CN107145885A (zh) * | 2017-05-03 | 2017-09-08 | 金蝶软件(中国)有限公司 | 一种基于卷积神经网络的单字图文字识别方法及装置 |
CN107145885B (zh) * | 2017-05-03 | 2020-12-15 | 金蝶软件(中国)有限公司 | 一种基于卷积神经网络的单字图文字识别方法及装置 |
CN107360137A (zh) * | 2017-06-15 | 2017-11-17 | 深圳市牛鼎丰科技有限公司 | 用于验证码识别的神经网络模型的构建方法和装置 |
CN108647701A (zh) * | 2018-04-13 | 2018-10-12 | 长安大学 | 一种快速车号识别方法 |
CN109344297A (zh) * | 2018-09-18 | 2019-02-15 | 北京工业大学 | 一种共享图书系统中离线获取图书在版编目数据的方法 |
CN109726722A (zh) * | 2018-12-20 | 2019-05-07 | 上海众源网络有限公司 | 一种字符分割方法及装置 |
CN109740606A (zh) * | 2018-12-20 | 2019-05-10 | 上海众源网络有限公司 | 一种图像识别方法及装置 |
CN109726722B (zh) * | 2018-12-20 | 2020-10-02 | 上海众源网络有限公司 | 一种字符分割方法及装置 |
CN109740606B (zh) * | 2018-12-20 | 2021-02-05 | 上海众源网络有限公司 | 一种图像识别方法及装置 |
WO2020134324A1 (zh) * | 2018-12-29 | 2020-07-02 | 南京睿速轨道交通科技有限公司 | 一种基于图像处理的城轨列车车号识别算法 |
CN110472633A (zh) * | 2019-08-15 | 2019-11-19 | 南京拓控信息科技股份有限公司 | 一种基于深度学习的列车车号检测和识别方法 |
CN112070087B (zh) * | 2020-09-14 | 2023-06-02 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN112070087A (zh) * | 2020-09-14 | 2020-12-11 | 成都主导软件技术有限公司 | 带端位的列车车号识别方法、装置及可读存储介质 |
CN113895483A (zh) * | 2021-10-28 | 2022-01-07 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 机车车辆信息与车轮信息的匹配关系确定系统和方法 |
CN113895483B (zh) * | 2021-10-28 | 2024-03-22 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 机车车辆信息与车轮信息的匹配关系确定系统和方法 |
CN114821452A (zh) * | 2022-06-29 | 2022-07-29 | 山东博昂信息科技有限公司 | 一种彩绘列车车号识别方法、系统及介质 |
CN114821452B (zh) * | 2022-06-29 | 2022-09-20 | 山东博昂信息科技有限公司 | 一种彩绘列车车号识别方法、系统及介质 |
CN117315664A (zh) * | 2023-09-18 | 2023-12-29 | 山东博昂信息科技有限公司 | 一种基于图像序列的废钢斗号码识别方法 |
CN117315664B (zh) * | 2023-09-18 | 2024-04-02 | 山东博昂信息科技有限公司 | 一种基于图像序列的废钢斗号码识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354574A (zh) | 一种车号识别方法及装置 | |
Abedin et al. | License plate recognition system based on contour properties and deep learning model | |
CN110619750B (zh) | 面向违停车辆的智能航拍识别方法及系统 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
Alvarez et al. | Road detection based on illuminant invariance | |
CN109190444B (zh) | 一种基于视频的收费车道车辆特征识别系统的实现方法 | |
CN101800890B (zh) | 一种高速公路监控场景下多车辆视频跟踪方法 | |
CN104778444B (zh) | 道路场景下车辆图像的表观特征分析方法 | |
CN105701483B (zh) | 一种融合多光谱遥感数据和夜间灯光遥感数据的城市边界提取方法 | |
Asmaa et al. | Road traffic density estimation using microscopic and macroscopic parameters | |
CN103793708B (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及系统 | |
Zhang et al. | Vehicle recognition algorithm based on Haar-like features and improved Adaboost classifier | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪系统及方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
Yang et al. | Real-time traffic sign detection via color probability model and integral channel features | |
JP2019220129A (ja) | 交通標識を認識するためのシステムおよび方法 | |
CN103902985A (zh) | 一种基于roi的强鲁棒性实时车道侦测算法 | |
CN107133588A (zh) | 基于车窗特征提取的车辆识别方法 | |
CN112487884A (zh) | 一种交通违法行为检测方法、装置及计算机可读存储介质 | |
Darapaneni et al. | Computer vision based license plate detection for automated vehicle parking management system | |
Mammeri et al. | North-American speed limit sign detection and recognition for smart cars | |
Forero et al. | Vehicle and pedestrian video-tracking with classification based on deep convolutional neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160224 |
|
RJ01 | Rejection of invention patent application after publication |