CN106897770B - 一种建立车牌识别模型的方法及装置 - Google Patents
一种建立车牌识别模型的方法及装置 Download PDFInfo
- Publication number
- CN106897770B CN106897770B CN201710039014.8A CN201710039014A CN106897770B CN 106897770 B CN106897770 B CN 106897770B CN 201710039014 A CN201710039014 A CN 201710039014A CN 106897770 B CN106897770 B CN 106897770B
- Authority
- CN
- China
- Prior art keywords
- license plate
- neural network
- network model
- image samples
- plate image
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
一种建立车牌识别模型的方法及装置,其中所述建立车牌识别模型的方法,包括:获取多个车牌图像样本和所述车牌图像样本中的车牌信息,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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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,继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别,避免了繁琐的车牌分割过程,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,具体涉及一种建立车牌识别模型的方法及装置。
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。
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,本发明提供一种建立车牌识别模型的方法,包括:
获取多个车牌图像样本和所述车牌图像样本中的车牌信息;
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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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。
优选地,所述神经网络模型为卷积神经网络模型。
优选地,所述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;
所述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,构建卷积神经网络结构并进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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,包括:
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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
优选地,所述神经网络模型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。
相应地,本发明还提供一种建立车牌识别模型的装置,包括:
获取单元,用于获取多个车牌图像样本和所述车牌图像样本中的车牌信息;
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,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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。优选地,所述神经网络模型为卷积神经网络模型。
优选地,所述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;其中所述训练单元包括:训练子单元,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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
优选地,所述神经网络模型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。
本发明技术方案具有以下优点:
通过获取多个车牌图像样本和车牌图像样本中的车牌信息,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,对神经网络模型进行训练,直至神经网络模型对车牌图像样本中车牌信息的识别率大于预设阈值,继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别,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。
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1提供的一种建立车牌识别模型的方法的流程图;
图2是本发明实施例2提供的一种建立车牌识别模型的装置的结构示意图;
图3是本发明实施例3提供的一种车牌信息识别方法的流程图;
图4是本发明实施例4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,如图1所示,包括:
S11,获取多个车牌图像样本和车牌图像样本中的车牌信息;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0.000000。最后将所有的样本缩放到神经网络模型的输入层大小,本实施例神经网络模型输入层的大小为128x128。
S12,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,对神经网络模型进行训练,直至神经网络模型对车牌图像样本中车牌信息的识别率大于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收敛速度,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输入到输入层,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,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。
步骤S12具体包括:
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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
作为一种可选的实施方式,
所述神经网络模型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,
具体训练方式同上述步骤S12的具体训练过程,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,表示车牌识别错误,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)=arg maxL,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,通过获取多个车牌图像样本和车牌图像样本中的车牌信息,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,对神经网络模型进行训练,直至神经网络模型对车牌图像样本中车牌信息的识别率大于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,继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别,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建立车牌识别模型的装置,如图2所示,包括:
获取单元21,用于获取多个车牌图像样本和所述车牌图像样本中的车牌信息;
训练单元22,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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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。
优选地,所述神经网络模型为卷积神经网络模型。
优选地,
所述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;其中所述训练单元包括:
训练子单元,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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
优选地,所述神经网络模型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。
本发明实施例提供的建立车牌识别模型的装置,通过获取单元获取多个车牌图像样本和车牌图像样本中的车牌信息,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,对神经网络模型进行训练,直至神经网络模型对车牌图像样本中车牌信息的识别率大于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,继而利用训练好的神经网络模型对车牌图像样本进行车牌信息识别,避免了复杂的车牌分割过程,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方法,如图3所示,包括:
S31,获取待识别车牌图像样本;
S32,将待识别车牌图像样本输入到如实施例1所述的方法建立的模型中,确定待识别车牌图像样本的车牌信息。例如,一个车牌信息为京 A·AB123,第6位字符“1”的机器训练识别的过程中,轮询识别数字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,则当识别出0.99对应的数字1即为车牌的第6为字符,同理通过最大后验概率的方法得到车牌其他位字符的信息,将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非车牌图像即为假牌。本发明实施例提供的车牌信息识别方法,通过训练好的机器学习模型对待识别车牌图像样本,提高了车牌图像样本信息识别的准确率与识别速度。
实施例4
本发明实施例提供一种车牌信息识别装置,如图4所示,包括:
待识别车牌图像样本获取单元41,用于获取待识别车牌图像样本;
车牌信息确定单元42,用于将所述待识别车牌图像样本输入到如实施例1所述的方法建立的模型中,确定待识别车牌图像样本的车牌信息。
本发明实施例提供的车牌信息识别装置,通过训练好的机器学习模型对待识别车牌图像样本,提高了车牌图像样本信息识别的准确率与识别速度。
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 (6)
1.一种建立车牌识别模型的方法,其特征在于,包括:
获取多个车牌图像样本和所述车牌图像样本中的车牌信息;
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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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;
所述神经网络模型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;
所述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,所述神经网络模型为卷积神经网络模型。
3.根据权利要求1所述的方法,其特征在于,
所述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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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,包括:
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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
4.一种建立车牌识别模型的装置,其特征在于,包括:
获取单元,用于获取多个车牌图像样本和所述车牌图像样本中的车牌信息;
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,对神经网络模型进行训练,直至所述神经网络模型对车牌图像样本中车牌信息的识别率大于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;
所述神经网络模型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;
所述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。
5.根据权利要求4所述的装置,其特征在于,所述神经网络模型为卷积神经网络模型。
6.根据权利要求4所述的装置,其特征在于,其中所述训练单元包括:
训练子单元,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,对神经网络模型进行训练,直至所述神经网络模型的多个字符结果输出层对车牌图像样本中多个字符的识别结果的识别率大于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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039014.8A CN106897770B (zh) | 2017-01-19 | 2017-01-19 | 一种建立车牌识别模型的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710039014.8A CN106897770B (zh) | 2017-01-19 | 2017-01-19 | 一种建立车牌识别模型的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897770A CN106897770A (zh) | 2017-06-27 |
CN106897770B true CN106897770B (zh) | 2020-09-18 |
Family
ID=59198032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710039014.8A Active CN106897770B (zh) | 2017-01-19 | 2017-01-19 | 一种建立车牌识别模型的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897770B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704857B (zh) | 2017-09-25 | 2020-07-24 | 北京邮电大学 | 一种端到端的轻量级车牌识别方法及装置 |
CN109165755A (zh) * | 2018-06-29 | 2019-01-08 | 西安艾润物联网技术服务有限责任公司 | 一种图像信息确定方法及相关装置 |
CN109325445B (zh) * | 2018-09-19 | 2020-11-06 | 智慧互通科技有限公司 | 一种车牌识别分类的方法及装置 |
Family Cites Families (4)
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 |
CN104298976B (zh) * | 2014-10-16 | 2017-09-26 | 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 |
-
2017
- 2017-01-19 CN CN201710039014.8A patent/CN106897770B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106897770A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874902B (zh) | 一种车牌信息识别方法及装置 | |
CN109993160B (zh) | 一种图像矫正及文本与位置识别方法及系统 | |
WO2021212749A1 (zh) | 命名实体标注方法、装置、计算机设备和存储介质 | |
CN112818951B (zh) | 一种票证识别的方法 | |
CN111709242B (zh) | 一种基于命名实体识别的中文标点符号添加方法 | |
CN106897770B (zh) | 一种建立车牌识别模型的方法及装置 | |
WO2021042505A1 (zh) | 基于文字识别技术的笔记生成方法、装置和计算机设备 | |
CN109858327B (zh) | 一种基于深度学习的字符分割方法 | |
CN112766255A (zh) | 一种光学文字识别方法、装置、设备及存储介质 | |
CN112633088B (zh) | 一种基于航拍图像中光伏组件识别的电站容量估测方法 | |
CN111382248A (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
He et al. | Context-aware mathematical expression recognition: An end-to-end framework and a benchmark | |
CN115620312A (zh) | 跨模态字符笔迹验证方法、系统、设备及存储介质 | |
CN115116074A (zh) | 一种手写体文字识别、及模型训练方法和装置 | |
Hallale et al. | Offline handwritten digit recognition using neural network | |
Bintoro et al. | Lampung script recognition using convolutional neural network | |
CN112200216A (zh) | 汉字识别方法、装置、计算机设备和存储介质 | |
CN110929013A (zh) | 一种基于bottom-up attention和定位信息融合的图片问答实现方法 | |
CN112183513A (zh) | 一种图像中文字的识别方法、装置、电子设备及存储介质 | |
CN111291754A (zh) | 一种文本级联检测方法、装置及存储介质 | |
CN114612919A (zh) | 一种票据信息处理系统及方法、装置 | |
Vani et al. | High accuracy optical character recognition algorithms using learning array of ANN | |
Abbass et al. | Car license plate segmentation and recognition system based on deep learning | |
CN103150574B (zh) | 基于最邻近标签传播算法的图像型垃圾邮件检测方法 | |
US11164049B2 (en) | Automated method and device capable of providing dynamic perceptive invariance of a space-time event with a view to extracting unified semantic representations therefrom |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |