CN106778659A - 一种车牌识别方法及装置 - Google Patents
一种车牌识别方法及装置 Download PDFInfo
- Publication number
- CN106778659A CN106778659A CN201611236315.1A CN201611236315A CN106778659A CN 106778659 A CN106778659 A CN 106778659A CN 201611236315 A CN201611236315 A CN 201611236315A CN 106778659 A CN106778659 A CN 106778659A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- convolutional neural
- neural networks
- license
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种车牌识别方法,该方法包括以下步骤:确定待进行车牌识别的车牌图像;将车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像;对水平图像中的车牌字符进行识别。应用本发明实施例所提供的方法,在对车牌图像中的车牌字符进行识别之前,先对车牌图像进行水平化处理,基于卷积神经网络,将有角度的车牌图像转换为水平的车牌图像,再对其进行车牌字符的识别,这样可以提高车牌识别准确率。本发明还公开了一种车牌识别装置,具有相应技术效果。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种车牌识别方法及装置。
背景技术
随着科学技术的进步和各种场景中对车牌识别的需求的增加,车牌识别技术逐渐发展起来。基于车牌识别技术的车牌识别设备已被广泛应用于停车场、城市道路、高速公路等区域,以对车牌号码的自动抓拍和识别。
车牌识别一般包括车牌定位、车牌字符分割以及车牌字符识别这三个过程。车牌定位是指对图像采集设备采集到的车牌图像进行定位,获得包含车牌的区域。车牌字符分割是指对包含车牌的区域进行字符分割。车牌字符识别是指对分割得到的字符进行识别,得到车牌号码。
在对车牌字符分割以及对车牌字符识别的过程中,一般要求待识别的车牌图像为水平图像,这样才能进行准确分割和识别。但是,在实际应用中,由于工程施工人员水平参差不齐,以及一些特殊的现场环境的限制,使得有的现场无法按照统一标准安装图像采集设备,这样就使得图像采集设备采集到的车牌图像可能具有一定角度,甚至是大角度,使得车牌识别准确率不高。
综上所述,如何有效地解决对有角度的车牌图像的车牌进行正确识别的问题,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种车牌识别方法及装置,以提高车牌识别准确率。
为解决上述技术问题,本发明提供如下技术方案:
一种车牌识别方法,包括:
确定待进行车牌识别的车牌图像;
将所述车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得所述车牌图像对应的水平图像;
对所述水平图像中的车牌字符进行识别。
在本发明的一种具体实施方式中,所述确定待进行车牌识别的车牌图像,包括:
获得目标车辆的车辆图像;
对所述车辆图像的车牌区域进行定位,获得车牌区域图像;
对所述车牌区域图像进行预处理,所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整;
将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
在本发明的一种具体实施方式中,通过以下步骤预先训练所述卷积神经网络:
获得样本图像集,所述样本图像集中包含多个车牌样本图像;
从所述样本图像集中选择一个水平的标准图像,将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对;
针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失;
将所述初始卷积神经网络最后一层的输出损失进行反向传播,调整所述初始卷积神经网络中每层的网络参数;
针对第i个车牌图像对,重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的所述卷积神经网络,其中,i≥2。
在本发明的一种具体实施方式中,所述将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失,包括:
将该车牌图像对中标准图像和该输出图像的相应像素点相减;
根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离;
根据所述欧氏距离,确定所述初始卷积神经网络最后一层的输出损失。
一种车牌识别装置,包括:
车牌图像确定模块,用于确定待进行车牌识别的车牌图像;
水平图像获得模块,用于将所述车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得所述车牌图像对应的水平图像;
车牌识别模块,用于对所述水平图像中的车牌字符进行识别。
在本发明的一种具体实施方式中,所述车牌图像确定模块,具体用于:
获得目标车辆的车辆图像;
对所述车辆图像的车牌区域进行定位,获得车牌区域图像;
对所述车牌区域图像进行预处理,所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整;
将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
在本发明的一种具体实施方式中,还包括卷积神经网络训练模块,用于通过以下步骤预先训练所述卷积神经网络:
获得样本图像集,所述样本图像集中包含多个车牌样本图像;
从所述样本图像集中选择一个水平的标准图像,将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对;
针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失;
将所述初始卷积神经网络最后一层的输出损失进行反向传播,调整所述初始卷积神经网络中每层的网络参数;
针对第i个车牌图像对,重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的所述卷积神经网络,其中,i≥2。
在本发明的一种具体实施方式中,所述卷积神经网络训练模块,具体用于:
将该车牌图像对中标准图像和该输出图像的相应像素点相减;
根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离;
根据所述欧氏距离,确定所述初始卷积神经网络最后一层的输出损失。
应用本发明实施例所提供的技术方案,确定待进行车牌识别的车牌图像后,可以将车牌图像输入到预先训练好的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像,对水平图像中的车牌字符进行识别。也就是在对车牌图像中的车牌字符进行识别之前,先对车牌图像进行水平化处理,基于卷积神经网络,将有角度的车牌图像转换为水平的车牌图像,再对其进行车牌字符的识别,这样可以提高车牌识别准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例中一种车牌识别方法的实施流程图;
图2为本发明实施例中卷积神经网络的结构示意图;
图3为本发明实施例中一种车牌识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动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。
参见图1所示,为本发明实施例所提供的一种车牌识别方法的实施流程图,该方法可以包括以下步骤:
S110:确定待进行车牌识别的车牌图像。
在实际应用中,在停车场、城市道路、高速公路等区域都可以安装车牌识别设备,车牌识别设备可以对通过图像采集设备采集到的车牌图像进行车牌识别。在本发明实施例中,在对图像采集设备采集到的每一个车牌图像进行相应处理后,分别将采集到的每一个车牌图像确定为待进行车牌识别的车牌图像。
在本发明一种具体实施方式中,步骤S110可以包括以下步骤:
步骤一:获得目标车辆的车辆图像;
步骤二:对车辆图像的车牌区域进行定位,获得车牌区域图像;
步骤三:对车牌区域图像进行预处理,预处理包括灰度处理和基于卷积神经网络的尺寸调整;
步骤四:将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
为便于描述,将上述四个步骤结合起来进行说明。
通过图像采集设备可以采集到车辆图像,在车辆图像中包含车牌区域。获得目标车辆的车辆图像后,可以对车辆图像的车牌区域进行定位,获得车牌区域图像。具体可以使用现有技术的定位方法,本发明实施例在此不再赘述。
车牌区域图像即为包含车牌的图像,对车牌区域图像进行预处理。预处理可以包括灰度处理和基于卷积神经网络的尺寸调整等。具体的,可以对车牌区域图像进行水平矫正、垂直矫正等,再进行左右边界和上下边界的定位,这样,可以得到精确定位的结果。对进行精确定位的结果进行尺寸调整,调整至符合预先训练好的卷积神经网络的输入图像的尺寸大小,如120×40。
对车牌区域图像进行预处理后,可以将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
S120:将车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像。
在本发明实施例中,预先训练好一个卷积神经网络,通过该卷积神经网络,可以将有角度的图像调整为水平图像。
在本发明的一个具体实施方式中,可以通过以下步骤预先训练卷积神经网络:
第一个步骤:获得样本图像集,样本图像集中包含多个车牌样本图像;
第二个步骤:从样本图像集中选择一个水平的标准图像,将标准图像分别与样本图像集中每个样本图像组成一个车牌图像对;
第三个步骤:针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
第四个步骤:将该车牌图像对中标准图像和该输出图像进行对比,确定初始卷积神经网络最后一层的输出损失;
第五个步骤:将初始卷积神经网络最后一层的输出损失进行反向传播,调整初始卷积神经网络中每层的网络参数;
第六个步骤:针对第i个车牌图像对,重复执行将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后卷积神经网络,其中,i≥2。
为便于描述,将上述六个步骤结合起来进行说明。
在实际应用中,通过在各大室内和室外停车场的出入口架设图像采集设备,如摄像机等,录制各种时间段、各种天气情况下的车辆的图像与视频,可以获得多个车牌图像,从多个车牌图像中按照设定规则选择出样本图像集,样本图像集中可以包含多种角度的样本图像。
在获得的样本图像集中,可以选择出一个水平的车牌图像,将其作为标准图像,将标准图像分别与样本图像集中每个样本图像组成一个车牌图像对。即标准图像与其自己组成一个车牌图像对,标准图像与其他样本图像也分别组成一个车牌图像对。通过人工标注方法可以在选择出的每个车牌图像上标注车牌的精确位置。
将组成的多个车牌图像对,作为训练数据,对预先设计好的初始卷积神经网络进行训练。
针对第1个车牌图像对,可以将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像。初始卷积神经网络可以包括多个卷积滤波层、多个池化滤波层和一个全连接层,如图2所示。
将该车牌图像对中标准图像与该输出图像进行对比,可以确定初始卷积神经网络最后一层的输出损失。
具体的,可以将该车牌图像对中标准图像和该输出图像的相应像素点相减,根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离,根据欧氏距离,可以确定初始卷积神经网络最后一层的输出损失。
将初始卷积神经网络最后一层的输出损失进行反向传播,即通过最后一层的输出损失,一层一层的向顶层传播,根据损失可以调整初始卷积神经网络中每层的网络参数。
针对第i个车牌图像对,i≥2,重复执行将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,对初始卷积神经网络中每层的网络参数进行调整,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的卷积神经网络。
通过对大量车牌图像对的训练,可以获得对其他没训练好的样本的鲁棒性。
图2所示为本发明实施例中一种训练好的卷积神经网络的结构示意图,将车牌图像输入到该卷积神经网络中,进行前向传播过程如下:
第一层为输入的120×40灰度精定位车牌图像。
第一层输入的车牌图像到第二层C1滤波器中间由20个5×5像素大小的卷积核组成,经过带2个pad的20个卷积后,第二层C1滤波器输出20个120×40大小的图像。
第二层C1滤波器到第三层P1滤波器中间由20个2×2大小的池化层组成,目的是对图像中2×2大小的区域选取最大的像素值作为输出,降低图像的维度,提取显著特征。第二层输出的图像经过池化层后,第三层P1滤波器输出20个60×20大小的图像。
第三层P1滤波器到第四层C2滤波器之间由20×20个5×5大小的卷积核组成,同样带2个pad进行卷积,第三层P1滤波器输出的20个图像分别与第三层到第四层之间的20个卷积核卷积后相加组合,一共进行20次,第四层C2滤波器输出20个60×20大小的图像。
第五层P2滤波器还是一个池化层,20个2×2大小的选取最大值的池化层与第四层输出的20个图像一一对应,第五层P2滤波器输出20个30×10大小的图像。
第五层P2滤波器到第六层C3滤波器之间由20×20个5×5大小的卷积核组成,同样带2个pad进行卷积,第五层P2滤波器输出的20个图像分别与第五层到第六层之间的20个卷积核卷积后相加,一共进行20次,第六层C3滤波器输出20个30×10大小的图像。
第七层FC滤波器为全连接层,大小是4800×1的向量,第六层到第七层是将第六层C3滤波器输出的20×30×10的图像调整到1×6000,第六层C3滤波器到第七层FC滤波器之间经过一个6000×4800的矩阵乘,获得第七层输出的4800×1的向量。
第七层FC滤波器输出的向量到第八层调整大小滤波器输出图像,大小调整为120×40输出。
其中,第二层C1滤波器、第四层C2滤波器、第六层C3滤波器分别为卷积滤波层,第三层P1滤波器、第五层P2滤波器分别为池化滤波层,第七层FC滤波器为全连接层。
上述仅为一个示例,在实际应用中,可以根据实际训练数据进行卷积神经网络每层的网络参数的调整。
在步骤S110,确定待进行车牌识别的车牌图像后,可以将车牌图像输入到训练好的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像。如图2所示,将左侧的车牌图像输入到卷积神经网络中,经过前向传播,可以获得右侧输出的水平图像。
S130:对水平图像中的车牌字符进行识别。
获得车牌图像对应的水平图像后,可以对水平图像中的车牌字符进行分割和识别。具体的,可以使用现有技术的字符识别方法进行车牌字符的分割和识别,本发明实施例对此不再赘述。
应用本发明实施例所提供的方法,确定待进行车牌识别的车牌图像后,可以将车牌图像输入到预先训练好的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像,对水平图像中的车牌字符进行识别。也就是在对车牌图像中的车牌字符进行识别之前,先对车牌图像进行水平化处理,基于卷积神经网络,将有角度的车牌图像转换为水平的车牌图像,再对其进行车牌字符的识别,这样可以提高车牌识别准确率。
相应于上面的方法实施例,本发明实施例还提供了一种车牌识别装置,下文描述的一种车牌识别装置与上文描述的一种车牌识别方法可相互对应参照。
参见图3所示,该装置包括以下模块:
车牌图像确定模块310,用于确定待进行车牌识别的车牌图像;
水平图像获得模块320,用于将车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像;
车牌识别模块330,用于对水平图像中的车牌字符进行识别。
应用本发明实施例所提供的装置,确定待进行车牌识别的车牌图像后,可以将车牌图像输入到预先训练好的卷积神经网络中,进行前向传播,获得车牌图像对应的水平图像,对水平图像中的车牌字符进行识别。也就是在对车牌图像中的车牌字符进行识别之前,先对车牌图像进行水平化处理,基于卷积神经网络,将有角度的车牌图像转换为水平的车牌图像,再对其进行车牌字符的识别,这样可以提高车牌识别准确率。
在本发明的一种具体实施方式中,车牌图像确定模块310,具体用于:
获得目标车辆的车辆图像;
对车辆图像的车牌区域进行定位,获得车牌区域图像;
对车牌区域图像进行预处理,预处理包括灰度处理和基于卷积神经网络的尺寸调整;
将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
在本发明的一种具体实施方式中,还包括卷积神经网络训练模块,用于通过以下步骤预先训练卷积神经网络:
获得样本图像集,样本图像集中包含多个车牌样本图像;
从样本图像集中选择一个水平的标准图像,将标准图像分别与样本图像集中每个样本图像组成一个车牌图像对;
针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
将该车牌图像对中标准图像和该输出图像进行对比,确定初始卷积神经网络最后一层的输出损失;
将初始卷积神经网络最后一层的输出损失进行反向传播,调整初始卷积神经网络中每层的网络参数;
针对第i个车牌图像对,重复执行将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的卷积神经网络,其中,i≥2。
在本发明的一种具体实施方式中,卷积神经网络训练模块,具体用于:
将该车牌图像对中标准图像和该输出图像的相应像素点相减;
根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离;
根据欧氏距离,确定初始卷积神经网络最后一层的输出损失。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种车牌识别方法,其特征在于,包括:
确定待进行车牌识别的车牌图像;
将所述车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得所述车牌图像对应的水平图像;
对所述水平图像中的车牌字符进行识别。
2.根据权利要求1所述的车牌识别方法,其特征在于,所述确定待进行车牌识别的车牌图像,包括:
获得目标车辆的车辆图像;
对所述车辆图像的车牌区域进行定位,获得车牌区域图像;
对所述车牌区域图像进行预处理,所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整;
将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
3.根据权利要求1或2所述的车牌识别方法,其特征在于,通过以下步骤预先训练所述卷积神经网络:
获得样本图像集,所述样本图像集中包含多种角度的样本图像;
从所述样本图像集中选择一个水平的标准图像,将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对;
针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失;
将所述初始卷积神经网络最后一层的输出损失进行反向传播,调整所述初始卷积神经网络中每层的网络参数;
针对第i个车牌图像对,重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的所述卷积神经网络,其中,i≥2。
4.根据权利要求3所述的车牌识别方法,其特征在于,所述将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失,包括:
将该车牌图像对中标准图像和该输出图像的相应像素点相减;
根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离;
根据所述欧氏距离,确定所述初始卷积神经网络最后一层的输出损失。
5.一种车牌识别装置,其特征在于,包括:
车牌图像确定模块,用于确定待进行车牌识别的车牌图像;
水平图像获得模块,用于将所述车牌图像输入到预先训练的卷积神经网络中,进行前向传播,获得所述车牌图像对应的水平图像;
车牌识别模块,用于对所述水平图像中的车牌字符进行识别。
6.根据权利要求5所述的车牌识别装置,其特征在于,所述车牌图像确定模块,具体用于:
获得目标车辆的车辆图像;
对所述车辆图像的车牌区域进行定位,获得车牌区域图像;
对所述车牌区域图像进行预处理,所述预处理包括灰度处理和基于所述卷积神经网络的尺寸调整;
将预处理后的车牌区域图像确定为待进行车牌识别的车牌图像。
7.根据权利要求5或6所述的车牌识别装置,其特征在于,还包括卷积神经网络训练模块,用于通过以下步骤预先训练所述卷积神经网络:
获得样本图像集,所述样本图像集中包含多个车牌样本图像;
从所述样本图像集中选择一个水平的标准图像,将所述标准图像分别与所述样本图像集中每个样本图像组成一个车牌图像对;
针对第1个车牌图像对,将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像;
将该车牌图像对中标准图像和该输出图像进行对比,确定所述初始卷积神经网络最后一层的输出损失;
将所述初始卷积神经网络最后一层的输出损失进行反向传播,调整所述初始卷积神经网络中每层的网络参数;
针对第i个车牌图像对,重复执行所述将该车牌图像对中样本图像输入到预先建立的初始卷积神经网络中,进行前向传播,获得该样本图像对应的输出图像的步骤,直至该车牌图像对对应的输出图像与该车牌图像对中标准图像具有相同的拟合能力,获得训练后的所述卷积神经网络,其中,i≥2。
8.根据权利要求7所述的车牌识别装置,其特征在于,所述卷积神经网络训练模块,具体用于:
将该车牌图像对中标准图像和该输出图像的相应像素点相减;
根据相减结果,确定该车牌图像对中标准图像与该输出图像的欧氏距离;
根据所述欧氏距离,确定所述初始卷积神经网络最后一层的输出损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611236315.1A CN106778659B (zh) | 2016-12-28 | 2016-12-28 | 一种车牌识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611236315.1A CN106778659B (zh) | 2016-12-28 | 2016-12-28 | 一种车牌识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778659A true CN106778659A (zh) | 2017-05-31 |
CN106778659B CN106778659B (zh) | 2020-10-27 |
Family
ID=58925269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611236315.1A Active CN106778659B (zh) | 2016-12-28 | 2016-12-28 | 一种车牌识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778659B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
CN108304793A (zh) * | 2018-01-26 | 2018-07-20 | 北京易真学思教育科技有限公司 | 在线学习分析系统及方法 |
CN108989745A (zh) * | 2018-06-29 | 2018-12-11 | 长春草莓科技有限公司 | 一种无人机自动巡检系统及方法 |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
CN109635637A (zh) * | 2018-10-30 | 2019-04-16 | 深圳市航天华拓科技有限公司 | 一种车牌识别方法、装置和计算设备 |
WO2019119966A1 (zh) * | 2017-12-22 | 2019-06-27 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
CN110738225A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
-
2016
- 2016-12-28 CN CN201611236315.1A patent/CN106778659B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299006A (zh) * | 2014-07-23 | 2015-01-21 | 中国传媒大学 | 一种基于深度神经网络的车牌识别方法 |
CN104298976A (zh) * | 2014-10-16 | 2015-01-21 | 电子科技大学 | 基于卷积神经网络的车牌检测方法 |
Non-Patent Citations (1)
Title |
---|
祁磊: ""基于图像分析的人民币清分方法研究与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11126888B2 (en) | 2017-06-16 | 2021-09-21 | Hangzhou Hikvision Digital Technology Co., Ltd | Target recognition method and apparatus for a deformed image |
CN109145927A (zh) * | 2017-06-16 | 2019-01-04 | 杭州海康威视数字技术股份有限公司 | 一种对形变图像的目标识别方法及装置 |
CN107679531A (zh) * | 2017-06-23 | 2018-02-09 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
WO2018233038A1 (zh) * | 2017-06-23 | 2018-12-27 | 平安科技(深圳)有限公司 | 基于深度学习的车牌识别方法、装置、设备及存储介质 |
US11164027B2 (en) | 2017-06-23 | 2021-11-02 | Ping An Technology (Shenzhen) Co., Ltd. | Deep learning based license plate identification method, device, equipment, and storage medium |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别系统 |
US11275961B2 (en) | 2017-12-22 | 2022-03-15 | Beijing Sensetime Technology Development Co., Ltd. | Character image processing method and apparatus, device, and storage medium |
WO2019119966A1 (zh) * | 2017-12-22 | 2019-06-27 | 北京市商汤科技开发有限公司 | 文字图像处理方法、装置、设备及存储介质 |
CN108304793A (zh) * | 2018-01-26 | 2018-07-20 | 北京易真学思教育科技有限公司 | 在线学习分析系统及方法 |
CN108304793B (zh) * | 2018-01-26 | 2021-01-08 | 北京世纪好未来教育科技有限公司 | 在线学习分析系统及方法 |
CN108989745A (zh) * | 2018-06-29 | 2018-12-11 | 长春草莓科技有限公司 | 一种无人机自动巡检系统及方法 |
CN110738225A (zh) * | 2018-07-19 | 2020-01-31 | 杭州海康威视数字技术股份有限公司 | 图像识别方法及装置 |
CN109635637A (zh) * | 2018-10-30 | 2019-04-16 | 深圳市航天华拓科技有限公司 | 一种车牌识别方法、装置和计算设备 |
CN113255395A (zh) * | 2020-02-07 | 2021-08-13 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
CN113255395B (zh) * | 2020-02-07 | 2024-06-11 | 深圳云天励飞技术有限公司 | 驾驶人员区域定位方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106778659B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778659A (zh) | 一种车牌识别方法及装置 | |
CN111738314B (zh) | 基于浅层融合的多模态图像能见度检测模型的深度学习方法 | |
CN104732227B (zh) | 一种基于清晰度和亮度评估的车牌快速定位方法 | |
CN111376895B (zh) | 一种环视泊车感知方法、装置、自动泊车系统和车辆 | |
CN105354806B (zh) | 基于暗通道的快速去雾方法及系统 | |
CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
CN109165682A (zh) | 一种融合深度特征和显著性特征的遥感图像场景分类方法 | |
CN104504744B (zh) | 一种合成车牌图像的拟真方法及装置 | |
CN106846813A (zh) | 构建城市道路车辆图像数据库的方法 | |
CN107170008A (zh) | 一种深度图创建方法、系统以及图像虚化方法、系统 | |
CN104376535A (zh) | 一种基于样本的快速图像修复方法 | |
CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN108597003A (zh) | 一种文章封面生成方法、装置、处理服务器及存储介质 | |
CN110443142B (zh) | 一种基于路面提取与分割的深度学习车辆计数方法 | |
CN106599878A (zh) | 一种基于深度学习的人脸重建矫正方法及装置 | |
CN110097524B (zh) | 基于融合卷积神经网络的sar图像目标检测方法 | |
CN105719250A (zh) | 基于简单背景的图像修复方法、系统及拍摄终端 | |
CN104331867B (zh) | 图像去雾的方法、装置及移动终端 | |
CN109632037A (zh) | 一种基于图像智能识别的城市内涝积水深度检测方法 | |
CN111222522A (zh) | 神经网络训练、路面检测、智能驾驶控制方法和装置 | |
CN105046948A (zh) | 一种黄色网格线区域内交通违章停车监测系统和方法 | |
CN114972646B (zh) | 一种实景三维模型独立地物的提取与修饰方法及系统 | |
CN113034583A (zh) | 基于深度学习的车辆停车测距方法、装置及电子设备 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
CN106228560A (zh) | 一种复杂场景下的人数统计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |