CN106874902B - 一种车牌信息识别方法及装置 - Google Patents
一种车牌信息识别方法及装置 Download PDFInfo
- Publication number
- CN106874902B CN106874902B CN201710039778.7A CN201710039778A CN106874902B CN 106874902 B CN106874902 B CN 106874902B CN 201710039778 A CN201710039778 A CN 201710039778A CN 106874902 B CN106874902 B CN 106874902B
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- plate image
- neural network
- network model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Abstract
一种车牌信息识别方法及装置,其中所述车牌信息识别方法包括:获取待识别图像;利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的,避免了繁琐的车牌分割过程,提高了车牌信息识别效率和识别结果准确性同时也解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种车牌信息识别方法及装置。
背景技术
在智能交通领域,车牌识别技术占据着重要的地位。传统的车牌识别技术一般将车牌识别分为车牌定位、车牌字符分割、车牌字符识别等几大模块。现有车牌识别方法为将定位后的车牌图片字符切割成若干单个字符,继而车牌字符识别对切割后的单个字符进行识别分类。
但是现有车牌识别方法存在一定的缺点,例如,当车牌出现污损、残缺、断裂、粘连等情况时,传统的字符分割方法面临巨大挑战,分割正确率急剧下降,直接导致车牌识别失败。因此,传统的车牌识别不能适应复杂多变的环境,且车牌识别过程对切割后的单个字符进行识别分类,采取大量数字图像处理手段,耗时严重,且在图像处理过程中并不知道处理的图像是否为车辆的车牌图像,导致识别结果不准确。
发明内容
因此,本发明要解决的技术问题在于现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重。
有鉴于此,本发明提供一种车牌信息识别方法,包括:
获取待识别图像;
利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的。优选地,所述卷积神经网络模型为深度学习卷积神经网络模型。
优选地,所述获取待识别图像之前,还包括:
获取多个车辆的车牌图像;
将所述车牌图像扩大到预设尺寸,得到车牌图像样本;
将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。
优选地,所述将所述车牌图像扩大到预设尺寸,得到车牌图像样本,包括:
获取所述车牌图像的坐标与尺寸大小;
根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本。
优选地,所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
优选地,所述卷积神经网络模型还设置有长度结果输出层,用于输出所述车牌图像样本中字符长度识别结果。
优选地,在所述确定所述待识别图像的车牌信息的步骤之后,还包括:
将所述多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。
优选地,在所述确定所述待识别图像的车牌信息的步骤之后,还包括:
当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。
相应地,本发明还提供一种车牌信息识别装置,包括:
获取单元,用于获取待识别图像;
确定单元,用于利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的。
优选地,所述获取单元获取待识别图像之前,还包括:
车牌图像获取单元,用于获取多个车辆的车牌图像;
车牌图像样本获取单元,用于将所述车牌图像扩大到预设尺寸,得到车牌图像样本;
训练单元,用于将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,
直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。
优选地,所述车牌图像样本获取单元包括:
获取子单元,用于获取所述车牌图像的坐标与尺寸大小;
图像中心点确定子单元,用于根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
车牌图像样本获取子单元,用于以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本。
优选地,所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
优选地,所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
优选地,在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第一判定单元,用于将所述多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。优选地,在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第二判定单元,用于当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。
本发明技术方案具有以下优点:
通过获取待识别图像,继而利用卷积神经网络模型以待识别图像作为卷积神经网络模型的输入层数据,确定待识别图像的车牌信息,其中卷积神经网络模型是利用多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据训练得到的,提高了车牌信息识别效率和识别结果准确性同时也解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是本发明实施例2提供的一种车牌信息识别方法的流程图;
图2是本发明实施例3提供的一种车牌信息识别装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例1
本发明实施例提供一种建立车牌识别模型的方法,包括:
S11,获取多个车辆的车牌图像。其中多个车牌图像样本包括正样本和负样本,正样本为真实车牌图像,负样本为非真实车牌图像,即负样本可以是车辆其他部位的图像或者残缺的车牌图像,对海量样本进行标注,标注内容包括车牌号码和/或车牌字符长度,假牌所有字符都标注为0。最后将所有的样本缩放到卷积神经网络模型的输入层大小,本实施例卷积神经网络模型输入层的大小为128x128;真实车辆的车牌图像用ACF检测算法对原始图像进行检测,得到车牌区域。ACF检测结果几乎是完整的车牌图像,但也可能得到不完整的车牌图像。
S12,将车牌图像扩大到预设尺寸,得到车牌图像样本。由于采用基于ACF检测算法的车牌图像过程中,可能导致车牌图像提取不完整,使得车牌信息识别不准确,为了提高训练结果精确度,将获取的车牌图像区域进行放大,具体包括以下步骤:
S121,获取车牌图像的坐标与尺寸大小;其中通过ACF算法得到车牌图像,利用最小外接矩形方法得到车牌图像的坐标与图像尺寸大小。
S122,根据车牌图像的坐标与尺寸大小,确定车牌图像的图像中心点;
S123,以图像中心点为中心,按照预设尺寸进行车牌图像扩展,得到车牌图像样本。其中所述车牌图像样本的尺寸大于车牌图像尺寸,预设尺寸可以是获取的车牌图像的长度与宽度中的最大值,或者根据得到车牌图像的实际尺寸统计结果作为扩展尺寸,其中统计数据可以是随机车牌图像尺寸数据的平均值。
S13,将多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至卷积神经网络模型对车牌图像样本车牌信息的识别率大于第一预设阈值或者神经网络模型的损失函数的损失值收敛于预设值。所述损失值用于计算神经网络模型的下降速度,当损失函数的损失值在预设值的一定范围内变化时,即可认为损失函数值不再下降,其中卷积神经网络模型为卷积神经网络模型,将得到的车牌图像样本到输入层,经过若干层卷积层和池化层,本发明实施例采用4层卷积层与4层池化层交替作用,得到一个4096维的特征向量H。所有的卷积层的卷积核为3,步长为1,池化层采取最大值池化方式,池化窗口大小为2x2,步长为2。卷积层和全连接层的通道数分别为(32,64,128,256,500,4096),得到4096维的特征向量。
为了提高车牌信息识别速度,卷积神经网络模型同时设置有多个输出层,多个输出层分别对应输出车牌图像样本中字符识别结果。步骤S13具体包括:
将多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至卷积神经网络模型每个输出层对车牌图像样本车牌信息中字符识别结果的识别率大于第一预设阈值或者损失函数值不再下降为止。
可选地,车牌信息中字符识别结果还可以包括车牌信息的长度识别结果和车牌中字符的识别结果具体训练过程如步骤S13相同,不再赘述。
具体地,本实施例的4096维的特征向量可以设置多个输出层相连,得到多个输出结果,当输出层的个数可设置6个输出层,用于识别车牌图像字母与数字信息,或者是7个输出层,用于识别车牌的汉字信息以及字母与数字信息或者是8个输出层,在识别车牌的汉字信息以及字母与数字信息,也可以识别出车牌的长度。车牌字符长度一般为7位或8位,因此,字符长度输出结果设置为CNN三分类任务,第一分支表示识别的车牌位数为0,第二分支表示识别的车牌位数为7位,第三分支表示识别的车牌位数为8位;输出层对字符的输出结果为,第一个分支为输出车牌的第1个汉字字符识别结果,汉字字符识别分支输出结果在0-34之间整数值(代表34个地域汉字);第二个分支输出车牌的后6或7位号码的识别结果,车牌号码识别分支输出结果为0-36之间任意值(代表0-9,A-Z共36个数字字母字符和假牌),当其输出可以表示为ZSi=WSiH+bSi,(i=1,2,3,...6,7,8),其中W表示连接权值,bsi为偏置,其中所述卷积神经网络模型采用最大后验概率的输出值所对应的类别为最终输出值,即:
s=(l,s1,s2,s3,s4,s5,s6,s7,s8)=argmaxL,S1,S2,S3,...,S8logP(S|X)
本发明实施例提供的建立车牌识别模型的方法,通过获取多个车辆的车牌图像,将车牌图像扩大到预设尺寸,得到车牌图像样本,并将多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至卷积神经网络模型对车牌图像样本车牌信息的识别率大于第一预设阈值,继而利用训练好的卷积神经网络模型对待识别图像进行车牌信息识别,解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。
实施例2
本发明实施例提供一种车牌信息识别方法,如图1所示,包括:
S31,获取待识别图像;
S32,利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的。
在步骤S31之前,还包括:
S311,获取多个车辆的车牌图像;
S312,将车牌图像扩大到预设尺寸,得到车牌图像样本;
S313,将多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值,具体训练过程如实施例1所述,这里不再赘述。
步骤S312具体包括以下步骤:
获取所述车牌图像的坐标与尺寸大小;其中通过ACF算法得到车牌图像,利用最小外接矩形方法得到车牌图像的坐标与图像尺寸大小。
根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本。其中所述车牌图像样本的尺寸大于车牌图像尺寸,预设尺寸可以是获取的车牌图像的长度与宽度中的最大值,或者根据得到车牌图像的实际尺寸统计结果作为扩展尺寸,其中统计数据可以是随机车牌图像尺寸数据的平均值。
优选地,所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果或者所述卷积神经网络模型还设置有长度结果输出层,用于输出所述车牌图像样本中字符长度识别结果。,在利用标注好的训练样本进行卷积神经网络模型训练的过程中,输出层的个数可设置6个输出层,用于识别车牌图像字母与数字信息,或者是7个输出层,用于识别车牌的汉字信息以及字母与数字信息或者是8个输出层,在识别车牌的汉字信息以及字母与数字信息,也可以识别出车牌的长度。
优选地,在步骤S32确定待识别图像的车牌信息的步骤之后,还包括:
将多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。
优选地,在步骤S32确定待识别图像的车牌信息的步骤之后,还包括:
当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。当第一分支与第二分支输出结果为预设非真实车牌图像信息值,例如0.000000,或者所述多个输出层的识别结果中输出的数字0的数量大于预设数量时,判定待识别图像不是真实车牌图像。
一般车牌信息长度为7-8位,例如,待识别图像的识别数字0-9,得到的最大后验概率分别为0.001、0.001、0.99、0.001、0.001、0.001、0.001、0.001、0.001、0.001,0.001,分别对应的类别为假牌,0,1,2,3,4,5,6,7,8,9即0.99对应的位置为识别结果,即该字符被识别为0。
根据得到的待识别图像每一位的识别结果为0.99、0.97、0.98、0.96、0.99、0.99、0.99、0.98、0.95,继而将得到每一位上的结果进行连乘,当连乘结果大于第二预设阈值时,则待识别图像为车牌图像,本实施例优选第二预设阈值为0.3;当某一位的识别结果远远小于其他位上的识别结果,此时可以得出待识别图像识别错误进行二次识别验证。当车牌长度识别结果为0并且字符识别结果中有大于4个的输出结果为0,则判定待识别图像为假牌。
本发明实施例提供的车牌信息识别方法,通过获取待识别图像,继而利用卷积神经网络模型以待识别图像作为卷积神经网络模型的输入层数据,确定待识别图像的车牌信息,其中卷积神经网络模型是利用多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据训练得到的,提高了车牌信息识别效率和识别结果准确性同时也解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。
实施例3
本发明实施例提供一种车牌信息识别装置,如图2所示,包括:
获取单元41,用于获取待识别图像;
确定单元42,用于利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的。
优选地,所述获取单元获取待识别图像之前,还包括:
车牌图像获取单元,用于获取多个车辆的车牌图像;
车牌图像样本获取单元,用于将所述车牌图像扩大到预设尺寸,得到车牌图像样本;
训练单元,用于将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值。优选地,所述车牌图像样本获取单元包括:
获取子单元,用于获取所述车牌图像的坐标与尺寸大小;
图像中心点确定子单元,用于根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
车牌图像样本获取子单元,用于以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本。
优选地,
所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
优选地,
所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
优选地,
在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第一判定单元,用于将所述多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。优选地,
在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第二判定单元,用于当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。
本发明实施例提供的车牌图像真假判别装置,通过获取待识别图像,继而利用卷积神经网络模型以待识别图像作为卷积神经网络模型的输入层数据,确定待识别图像的车牌信息,其中卷积神经网络模型是利用多个车牌图像样本和车牌图像样本中的车牌信息作为训练数据训练得到的,提高了车牌信息识别效率和识别结果准确性同时也解决了现有车牌识别方法不能适应复杂多变的环境且识别过程耗时严重的问题。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种车牌信息识别方法,其特征在于,包括:
获取待识别图像;
利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的;
所述获取待识别图像之前,还包括:
获取多个车辆的车牌图像;
将所述车牌图像扩大到预设尺寸,得到车牌图像样本;
将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值;
所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述车牌图像扩大到预设尺寸,得到车牌图像样本,包括:
获取所述车牌图像的坐标与尺寸大小;
根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本。
3.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型还设置有长度结果输出层,用于输出所述车牌图像样本中字符长度识别结果。
4.根据权利要求1所述的方法,其特征在于,在所述确定所述待识别图像的车牌信息的步骤之后,还包括:
将所述多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。
5.根据权利要求3所述的方法,其特征在于,在所述确定所述待识别图像的车牌信息的步骤之后,还包括:
当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。
6.一种车牌信息识别装置,其特征在于,包括:
获取单元,用于获取待识别图像;
确定单元,用于利用卷积神经网络模型以所述待识别图像作为所述卷积神经网络模型的输入层数据,确定所述待识别图像的车牌信息,其中所述卷积神经网络模型是利用多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据训练得到的;
所述获取单元获取待识别图像之前,还包括:
车牌图像获取单元,用于获取多个车辆的车牌图像;
车牌图像样本获取单元,用于将所述车牌图像扩大到预设尺寸,得到车牌图像样本;
训练单元,用于将所述多个车牌图像样本和所述车牌图像样本中的车牌信息作为训练数据,对卷积神经网络模型进行训练,直至所述卷积神经网络模型对所述车牌图像样本车牌信息的识别率大于预设阈值或者卷积神经网络模型的损失函数的损失值收敛于预设值;
所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
7.根据权利要求6所述的装置,其特征在于,所述车牌图像样本获取单元包括:
获取子单元,用于获取所述车牌图像的坐标与尺寸大小;
图像中心点确定子单元,用于根据所述车牌图像的坐标与尺寸大小,确定所述车牌图像的图像中心点;
车牌图像样本获取子单元,用于以所述图像中心点为中心,按照所述预设尺寸进行所述车牌图像扩展,得到所述车牌图像样本;
所述卷积神经网络模型设置有多个字符结果输出层,所述多个字符结果输出层分别对应输出所述车牌图像样本中多个字符的识别结果。
8.根据权利要求6所述的装置,其特征在于,所述卷积神经网络模型还设置有长度结果输出层,用于输出所述车牌图像样本中字符长度识别结果。
9.根据权利要求8所述的装置,其特征在于,在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第一判定单元,用于将所述多个字符结果输出层的输出结果与第二预设阈值进行比较,当所述字符结果输出层的输出结果小于所述第二预设阈值时,判定所述待识别图像的车牌信息识别错误。
10.根据权利要求8所述的装置,其特征在于,在所述确定单元确定所述待识别图像的车牌信息的步骤之后,还包括:
第二判定单元,用于当所述多个字符结果输出层输出的字符识别结果为预设非真实车牌图像信息值或者所述长度结果输出层输出的车牌长度为预设长度值或者所述多个字符结果输出层的识别结果中输出的数字0的数量大于预设数量时,判定所述待识别图像不是真实车牌图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039778.7A CN106874902B (zh) | 2017-01-19 | 2017-01-19 | 一种车牌信息识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039778.7A CN106874902B (zh) | 2017-01-19 | 2017-01-19 | 一种车牌信息识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874902A CN106874902A (zh) | 2017-06-20 |
CN106874902B true CN106874902B (zh) | 2020-07-17 |
Family
ID=59157721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710039778.7A Active CN106874902B (zh) | 2017-01-19 | 2017-01-19 | 一种车牌信息识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874902B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145928B (zh) * | 2017-06-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种基于图像的车头朝向识别方法及装置 |
CN108304814B (zh) * | 2018-02-08 | 2020-07-14 | 海南云江科技有限公司 | 一种文字类型检测模型的构建方法和计算设备 |
CN110569836B (zh) * | 2018-06-06 | 2022-07-12 | 赛灵思电子科技(北京)有限公司 | 一种可变长字符串识别方法与装置 |
CN109086722B (zh) * | 2018-08-06 | 2021-04-13 | 汉王科技股份有限公司 | 混合车牌识别方法、装置、电子设备 |
CN109376739B (zh) * | 2018-10-19 | 2021-03-26 | 北京奇艺世纪科技有限公司 | 一种编组方式确定方法及装置 |
CN110458171B (zh) * | 2019-08-12 | 2023-08-29 | 深圳市捷顺科技实业股份有限公司 | 一种车牌识别的方法以及相关装置 |
CN111191653A (zh) * | 2019-12-25 | 2020-05-22 | 北京精英路通科技有限公司 | 车牌识别方法、装置、计算机设备及存储介质 |
CN111553368A (zh) * | 2020-05-12 | 2020-08-18 | 上海眼控科技股份有限公司 | 伪造车牌的识别方法、训练方法、装置、设备及存储介质 |
CN112861845A (zh) * | 2021-04-23 | 2021-05-28 | 北京欣博电子科技有限公司 | 车牌识别方法、装置、计算机设备和存储介质 |
CN113205069B (zh) * | 2021-05-27 | 2023-05-30 | 上海高德威智能交通系统有限公司 | 虚假车牌检测方法、装置及计算机存储介质 |
Citations (3)
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 |
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105956626A (zh) * | 2016-05-12 | 2016-09-21 | 成都新舟锐视科技有限公司 | 基于深度学习的对车牌位置不敏感的车牌识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI384408B (zh) * | 2009-04-30 | 2013-02-01 | Ind Tech Res Inst | 影像辨識以及輸出方法與其系統 |
-
2017
- 2017-01-19 CN CN201710039778.7A patent/CN106874902B/zh active Active
Patent Citations (3)
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 |
CN105354574A (zh) * | 2015-12-04 | 2016-02-24 | 山东博昂信息科技有限公司 | 一种车号识别方法及装置 |
CN105956626A (zh) * | 2016-05-12 | 2016-09-21 | 成都新舟锐视科技有限公司 | 基于深度学习的对车牌位置不敏感的车牌识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106874902A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874902B (zh) | 一种车牌信息识别方法及装置 | |
CN109726643B (zh) | 图像中表格信息的识别方法、装置、电子设备及存储介质 | |
US11003941B2 (en) | Character identification method and device | |
Busta et al. | Deep textspotter: An end-to-end trainable scene text localization and recognition framework | |
Pan et al. | Text localization in natural scene images based on conditional random field | |
CN112016605B (zh) | 一种基于边界框角点对齐和边界匹配的目标检测方法 | |
CN112818951B (zh) | 一种票证识别的方法 | |
CN105447522A (zh) | 一种复杂图像文字识别系统 | |
CN106372624B (zh) | 人脸识别方法及系统 | |
CN105512611A (zh) | 一种表格图像检测识别方法 | |
CN105117740B (zh) | 字体识别方法及装置 | |
CN112733936A (zh) | 一种基于图像识别的可回收垃圾分类方法 | |
CN106355205A (zh) | 一种紫外图像数字识别方法及识别装置 | |
CN115937873A (zh) | 一种基于可辨识单字字符的在线笔迹验证系统及方法 | |
CN106897770B (zh) | 一种建立车牌识别模型的方法及装置 | |
CN115620312A (zh) | 跨模态字符笔迹验证方法、系统、设备及存储介质 | |
CN110414318A (zh) | 大场景下集装箱号识别方法 | |
CN101452531B (zh) | 一种自由手写拉丁字母识别方法 | |
CN113221956A (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN116912857A (zh) | 手写体和印刷体文本分离方法及装置 | |
CN111126160A (zh) | 基于五笔输入法构建的智能汉字结构评价方法及系统 | |
CN113344102B (zh) | 基于图像hog特征与elm模型的目标图像识别方法 | |
CN104123538A (zh) | 一种基于视觉词袋的网络不良图像检测方法 | |
CN110472583B (zh) | 基于深度学习的人脸微表情识别系统 | |
Fan et al. | BURSTS: A bottom-up approach for robust spotting of texts in scenes |
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 |