CN111435446A - 一种基于LeNet车牌识别方法及装置 - Google Patents
一种基于LeNet车牌识别方法及装置 Download PDFInfo
- Publication number
- CN111435446A CN111435446A CN201911360379.6A CN201911360379A CN111435446A CN 111435446 A CN111435446 A CN 111435446A CN 201911360379 A CN201911360379 A CN 201911360379A CN 111435446 A CN111435446 A CN 111435446A
- Authority
- CN
- China
- Prior art keywords
- license plate
- recognition
- image
- preset
- training
- 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
Images
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于LeNet车牌识别方法及装置,该方法包括:获取待识别车辆图像;根据预设车牌识别模型对所述待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;对所述目标识别车牌图像进行分割,得到目标识别字符;根据预设字符识别模型对所述目标识别字符进行识别,得到字符识别结果;所述预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到;将所述字符识别结果进行组合,得到所述待识别车牌的车牌号。本发明通过使用改进的LeNet卷积神经网络模型得到的字符识别模型对车牌进行识别,提高了车牌识别准确率。
Description
技术领域
本发明涉及识别技术领域,具体涉及一种基于LeNet车牌识别方法及装置。
背景技术
车牌识别系统是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别在高速公路车辆管理中得到广泛应用,在停车场管理中,车牌识别技术也是识别车辆身份的主要手段。然而数据量的不断增大对快速准确识别车牌内容提出了新的挑战。
传统的车牌识别算法包含了大量的手工特征提取的过程,提取过程复杂且缓慢,而基于卷积神经网络的特征提取可以直接对图像进行处理,自动提取特征,但是当待识别图像存在多个车牌、光照变化大、图像分辨率低以及图像大小存在较大变化时,会导致车牌识别准确率低。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中识别准确率低的缺陷,从而提供一种基于LeNet车牌识别方法及装置。
根据第一方面,本发明实施例公开了一种基于LeNet的车牌识别方法,包括如下步骤:获取待识别车辆图像;根据预设车牌识别模型对所述待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;对所述目标识别车牌图像进行分割,得到目标识别字符;根据预设字符识别模型对所述目标识别字符进行识别,得到字符识别结果;所述预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到;将所述字符识别结果进行组合,得到所述待识别车牌的车牌号。
结合第一方面,在第一方面第一实施方式中,在所述对所述目标识别车牌图像进行分割,得到目标识别字符之前,还包括:确定所述目标识别车牌图像中车牌倾斜度;当所述车牌倾斜度不满足第一预设条件时,对所述目标识别车牌图像进行倾斜矫正。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述改进的LeNet卷积神经网络模型包括:增加C1层、C3层的特征层数量,增加C5层的特征图数量。
结合第一方面,在第一方面第三实施方式中,通过以下步骤建立所述预设车牌识别模型和预设字符识别模型:获取车辆图像训练样本,所述车辆图像训练样本中包含具有车辆图像的正样本图像及不具有车辆图像的负样本图像;根据所述车辆图像训练样本对第一深度学习网络模型进行训练,得到所述预设车牌识别模型;对所述车牌识别模型输出的车牌图像进行分割,得到目标训练字符;根据所述目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到所述预设字符识别模型。
结合第一方面,在第一方面第四实施方式中,在根据所述车辆图像训练样本对第一深度学习网络模型进行训练,得到所述预设车牌识别模型之后,还包括:获取车辆图像测试样本,所述车辆图像测试样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像;根据所述车辆图像测试样本对所述车牌识别模型进行测试,得到第一测试结果;当所述第一测试结果满足第二预设条件时,将所述预设车牌识别模型确定为可用的车牌识别模型。
结合第一方面,在第一方面第五实施方式中,在根据所述目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到所述预设字符识别模型之后,还包括:获取车牌图像测试样本,所述车牌图像测试样本为所述预设车牌识别模型输出的车牌图像测试样本;根据所述车牌图像测试样本对所述预设字符识别模型进行测试,得到第二测试结果;当所述第二测试结果满足第三预设条件时,将所述预设字符识别模型确定为可用的字符识别模型。
根据第二方面,本发明实施例还公开了一种基于LeNet的车牌识别装置,包括:第一获取模块,用于获取待识别车辆图像;定位模块,用于根据预设车牌识别模型对所述待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;第一分割模块,用于对所述目标识别车牌图像进行分割,得到目标识别字符;识别模块,用于根据预设字符识别模型对所述目标识别字符进行识别,得到字符识别结果;所述预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到;组合模块,用于将所述字符识别结果进行组合,得到所述待识别车牌的车牌号。
根据第三方面,本发明实施例还公开了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如第一方面或第一方面任一实施方式所述基于LeNet的车牌识别方法。
根据第四方面,本发明实施例还公开了一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如第一方面或第一方面任一实施方式所述基于LeNet的车牌识别方法。
本发明技术方案,具有如下优点:
本发明提供的车牌识别模型的训练方法及装置,通过获取待识别车辆图像,根据预设车牌识别模型对待识别车辆图像进行车牌定位识别,得到目标识别车牌图像,对目标识别车牌图像进行分割,得到目标识别字符,根据预设字符识别模型对目标识别字符进行识别,得到字符识别结果,预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到,将字符识别结果进行组合,得到待识别车牌的车牌号。本发明通过使用改进的LeNet卷积神经网络模型得到的字符识别模型对车牌进行识别,提高了车牌识别准确率。
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为本发明实施例1中基于LeNet车牌识别方法的一个具体示例的流程图;
图2为本发明实施例2中基于LeNet车牌识别装置的一个具体示例的原理框图;
图3为本发明实施例3中电子终端的一个具体示例图。
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。
术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种基于LeNet的车牌识别方法,如图1所示,包括如下步骤:
S11:获取待识别车辆图像。
示例性地,该待识别车辆图像可以是通过道路摄像头实时捕获的图像,也可以是预先拍摄好存储在终端,进行识别时从终端调用的图像,对待识别车辆图像的大小做归一化处理,归一化为32×32大小,本发明实施例对该待识别车辆图像的获取不作限定,本领域技术人员可以根据实际情况选择。
S12:根据预设车牌识别模型对待识别车辆图像进行车牌定位识别,得到目标识别车牌图像。
示例性地,该待识别车辆图像应该为包含车牌的、无遮挡且清晰的图像,本申请可以将对行人的遮挡小于或等于10%视作无遮挡,可以将像素大于或等于1280*720的图像视为清晰的图像,本申请实施例对无遮挡和清晰的标准不作具体限定,本领域技术人员可以根据实际使用需要确定。本申请实施例可以将待识别车辆图像输入到预设车牌识别模型中,对车牌进行定位识别,输出得到包含车牌的图像,即目标识别车牌图像。
S13:对目标识别车牌图像进行分割,得到目标识别字符。
示例性地,该目标识别车牌图像中的目标识别字符包括汉字、英文字母以及数字,对目标识别车牌图像进行分割,得到上述目标识别字符,字符分割方法可以为基于投影的基本字段分割和基于结构特征的字符分割方法,其中,基于投影的基本字段分割使用垂直或水平投影,先对目标识别车牌图像进行二值化处理,再在水平或垂直上进行投影,通过对字符的长宽比,投影信息综合对字符进行切分;基于结构特征的字符分割使用字符结构上的特征点来进行分割,主要对于字符的一些局部极值、拐角点的特征、点间距和轮廓变化程度等特征进行字符分析。本发明实施例对字符分割方法不做限定,本领域技术人员可以根据实际情况选择。
S14:根据预设字符识别模型对目标识别字符进行识别,得到字符识别结果;预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到,将目标识别字符输入到预设字符识别模型中,输出得到字符识别结果,提高了车牌字符识别的准确率。
S15:将字符识别结果进行组合,得到待识别车牌的车牌号,将切割后的车牌字符进行识别,得到字符识别结果,将字符识别结果进行简单拼接组合就可以得到待识别车牌的车牌号。
本发明提供的车牌识别模型的训练方法,通过获取待识别车辆图像,根据预设车牌识别模型对待识别车辆图像进行车牌定位识别,得到目标识别车牌图像,对目标识别车牌图像进行分割,得到目标识别字符,根据预设字符识别模型对目标识别字符进行识别,得到字符识别结果,预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到,将字符识别结果进行组合,得到待识别车牌的车牌号。本发明通过使用改进的LeNet卷积神经网络模型得到的字符识别模型对车牌进行识别,提高了车牌识别准确率。
作为本申请一个可选实施方式,在步骤S13之前,该基于LeNet的车牌识别方法还包括:
首先,确定目标识别车牌图像中车牌倾斜度。
示例性地,该车牌倾斜度可以为当前所得到的车牌图像相对于水平线或竖直线的倾斜度,其可采用倾斜角度进行表示,该倾斜角度可以车牌图像的底边与水平线的夹角,也可以为车牌图像的竖直边与竖直线的夹角。本发明实施例对该倾斜角度的表示不作限定,可以根据实际情况设定。
其次,当车牌倾斜度不满足第一预设条件时,对目标识别车牌图像进行倾斜矫正。
示例性地,该第一预设条件可以设置为该车牌倾斜度小于或等于预设值,也可以设置为该倾斜角度在预设范围内;该预设值可以设置为3°或5°,该预设范围可以设置为2°-4°,本发明实施例对该第一预设条件及预设值和预设范围不作限定,本领域技术人员可以根据实际情况设定。
当车牌倾斜度大于预设值或车牌倾斜度不在预设范围内时,需要对车牌图像进行倾斜矫正,该倾斜矫正方法可以采用图像旋转,即将倾斜的车牌图像旋转到水平,图像的旋转点可以为图像中心点,也可以基于图像的顶点,本发明实施例对该图像旋转点不作限定,本领域技术人员可以根据图像实际情况进行选择。
作为本申请一个可选实施方式,改进的LeNet卷积神经网络模型包括:增加C1层、C3层的特征层数量,增加C5层的特征图数量。
示例性地,LeNet卷积神经网络的结构为第一层是输入层,是32×32的图像;第二层C1层,是由6个特征图组成的卷积层,每个神经元与输入图像的一个5×5的邻域相连接,因此每个特征图的大小是28×28;第三层S2,是由6个大小为14×14的特征图组成的次抽样层,由C1层抽样得到,特征图的每个神经元与C1层的一个大小为2×2的邻域连接;第四层C3层,是由16个大小为10×10的特征图组成的卷积层,特征图的每个神经元与S2网络层的若干个特征图的5×5的邻域连接;第五层S4是由16个大小为5×5的特征图组成的次抽样层,特征图的每个神经元与C3层的一个2×2大小的邻域相连接;第六层C5层,是由120个特征图组成的卷积层,每个神经元与S4网络层的所有特征图的5×5大小的邻域相连接;第七层F6层,包括84个神经元,与C5层进行全连接;第八层,输出层有10个神经元,是由径向基函数单元组成,输出层的每个神经元对应一个字符类别。本申请对LeNet卷积神经网络的结构进行改进,将C1层的特征层数量增加到4个,将C3的特征层数量增加到12个,将C5的特征图数量增加到240个,随着C1层、C3层特征层数量、C5层特征图个数的增加,车牌字符的识别率也有所提高。
作为本申请一个可选实施方式,该基于LeNet的车牌识别方法还包括:通过以下步骤建立预设车牌识别模型和预设字符识别模型:
获取车辆图像训练样本,车辆图像训练样本中包含具有车辆图像的正样本图像及不具有车辆图像的负样本图像。
示例性地,该车辆图像训练样本可以是由某一路段监控视频获取的,也可以是预先存储在终端的,也可以是在搜索引擎中搜索得到,该车辆图像训练样本包括多种车辆比如普通小汽车、摩托车和三轮车等,多种车牌比如车牌格式统一的大陆车牌和车牌格式多样的香港和澳门地区的车牌等,多种背景比如,提高了训练准确性,对车辆图像训练样本的大小做归一化处理,归一化为32×32大小,本发明实施例对车辆图像训练样本及其获取方法不做限定,本领域技术人员可以根据实际情况选择。
根据车辆图像训练样本对第一深度学习网络模型进行训练,得到预设车牌识别模型。
示例性地,将车辆图像训练样本输入到第一深度学习网络模型中,对第一深度学习网络模型进行有监督或无监督的训练,通过车辆图像训练样本不断调整第一深度学习网络模型的各个权值,进行训练优化,得到车牌识别模型。本发明实施例对训练的方法不做限定,本领域技术人员可以根据实际情况选择。
对车牌识别模型输出的车牌图像进行分割,得到目标训练字符。具体实现方式见实施例1中步骤“对目标识别车牌图像进行分割,得到目标识别字符”的描述,在此不再赘述。
根据目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到预设字符识别模型。
示例性地,将目标训练字符输入到改进的LeNet卷积神经网络模型中,对改进的LeNet卷积神经网络模型进行有监督或无监督的训练,通过目标训练字符不断调整改进的LeNet卷积神经网络模型的各个权值,进行训练优化,得到字符识别模型。本发明实施例对训练的方法不做限定,本领域技术人员可以根据实际情况选择。
作为本申请一个可选实施方式,在步骤“根据车辆图像训练样本对第一深度学习网络模型进行训练,得到预设车牌识别模型”之后,该基于LeNet的车牌识别方法还包括:
首先,获取车辆图像测试样本,车辆图像测试样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像。
示例性地,该车辆图像测试样本可以是由某一路段监控视频获取的,也可以是预先存储在终端的,也可以是在搜索引擎中搜索得到,该车辆图像测试样本与上述车辆图像训练样本不能是一样的图像集,因此可以按照7:3的比例对获取到的图像集进行分配,对车辆图像测试样本的大小做归一化处理,归一化为32×32大小,本发明实施例对该比例不作限定,可以根据获取到的具体图像集进行设定。
其次,根据车辆图像测试样本对车牌识别模型进行测试,得到第一测试结果。
示例性地,本发明实施例用该车辆图像测试样本去评估车牌识别模型的好坏,将车辆图像测试样本输入到车牌识别模型中,得到第一测试结果,将第一测试结果与实际输出进行比较,来判断该车牌识别模型的好坏。
再次,当第一测试结果满足第二预设条件时,将预设车牌识别模型确定为可用的车牌识别模型。
示例性地,该第二预设条件可以为正确的正样本的个数占所有正样本个数的比例,例如该车辆图像测试样本中具有车牌图像的正样本图像为10个,识别正确的正样本个数为8个,则可以将该车牌识别模型确定为可用的车牌识别模型。本申请实施例对第二预设条件不作限定,可以根据实际使用需要确定。
作为本申请一个可选实施方式,在步骤“根据目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到预设字符识别模型”之后,该基于LeNet的车牌识别方法还包括:
首先,获取车牌图像测试样本,车牌图像测试样本为车牌识别模型输出的车牌图像测试样本。
示例性地,该车牌图像测试样本可以是由上述车牌识别模型识别输出的车牌图像,该输出的车牌图像可以是由车牌识别模型对车辆图像测试样本识别后存储在终端,使用时直接从终端进行调取的。
其次,根据车牌图像测试样本对预设字符识别模型进行测试,得到第二测试结果。
示例性地,本发明实施例用该车牌图像测试样本去评估字符识别模型的好坏,将车牌图像测试样本输入到字符识别模型中,得到第二测试结果,将第一测试结果与实际输出结果进行比较,来判断该字符识别模型的好坏。
再次,当第二测试结果满足第三预设条件时,将预设字符识别模型确定为可用的字符识别模型。
示例性地,该第三预设条件可以为正确识别的个数占所有样本个数的比例,例如该车牌图像测试样本中车牌图像为100个,识别正确的样本个数为95个,则可以将该深度可分离卷积车牌识别模型确定为可用的深度可分离卷积车牌识别模型。本申请实施例对第三预设条件不作限定,本领域技术人员可以根据实际使用需要确定。
实施例2
本发明实施例还提供一种基于LeNet的车牌识别装置,如图2所示,包括:
第一获取模块21,用于获取待识别车辆图像;具体实现方式见实施例1中步骤S11,在此不再赘述。
定位模块22,用于根据预设车牌识别模型对待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;具体实现方式见实施例1中步骤S12,在此不再赘述。
第一分割模块23,用于对目标识别车牌图像进行分割,得到目标识别字符;具体实现方式见实施例1中步骤S13,在此不再赘述。
识别模块24,用于根据预设字符识别模型对目标识别字符进行识别,得到字符识别结果;预设字符识别模型通过对LeNet卷积神经网络模型训练得到;具体实现方式见实施例1中步骤S14,在此不再赘述。
组合模块25,用于将字符识别结果进行组合,得到待识别车牌的车牌号。具体实现方式见实施例1中步骤S15,在此不再赘述。
本发明提供的车牌识别模型的训练装置,通过获取待识别车辆图像,根据预设车牌识别模型对待识别车辆图像进行车牌定位识别,得到目标识别车牌图像,对目标识别车牌图像进行分割,得到目标识别字符,根据预设字符识别模型对目标识别字符进行识别,得到字符识别结果,预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到,将字符识别结果进行组合,得到待识别车牌的车牌号。本发明通过使用改进的LeNet卷积神经网络模型得到的字符识别模型对车牌进行识别,提高了车牌识别准确率。
作为本申请一个可选实施方式,该基于LeNet的车牌识别装置还包括:
第一确定模块,用于确定目标识别车牌图像中车牌倾斜度;具体实现方式见实施例1中对应的步骤,在此不再赘述。
矫正模块,用于当车牌倾斜度不满足第一预设条件时,对目标识别车牌图像进行倾斜矫正。具体实现方式见实施例1中对应的步骤,在此不再赘述。
作为本申请一个可选实施方式,该基于LeNet的车牌识别装置还包括:增加模块,用于增加C5层的特征图数量。具体实现方式见实施例1中对应的步骤,在此不再赘述。
作为本申请一个可选实施方式,该基于LeNet的车牌识别装置还包括:
第二获取模块,用于获取车辆图像训练样本,车辆图像训练样本中包含具有车辆图像的正样本图像及不具有车辆图像的负样本图像;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第一训练模块,用于根据车辆图像训练样本对第一深度学习网络模型进行训练,得到预设车牌识别模型;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第二分割模块,用于对车牌识别模型输出的车牌图像进行分割,得到目标训练字符;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第二训练模块,用于根据目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到预设字符识别模型。具体实现方式见实施例1中对应的步骤,在此不再赘述。
作为本申请一个可选实施方式,该基于LeNet的车牌识别装置还包括:
第三获取模块,用于获取车辆图像测试样本,车辆图像测试样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第一测试模块,用于根据车辆图像测试样本对车牌识别模型进行测试,得到第一测试结果;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第二确定模块,用于当第一测试结果满足第二预设条件时,将预设车牌识别模型确定为可用的车牌识别模型。具体实现方式见实施例1中对应的步骤,在此不再赘述。
作为本申请一个可选实施方式,该基于LeNet的车牌识别装置还包括:
第四获取模块,用于获取车牌图像测试样本,车牌图像测试样本为预设车牌识别模型输出的车牌图像测试样本;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第二测试模块,用于根据车牌图像测试样本对预设字符识别模型进行测试,得到第二测试结果;具体实现方式见实施例1中对应的步骤,在此不再赘述。
第三确定模块,用于当第二测试结果满足第三预设条件时,将预设字符识别模型确定为可用的字符识别模型。具体实现方式见实施例1中对应的步骤,在此不再赘述。
实施例3
本发明实施例还提供了一种电子设备,如图3所示,该电子设备可以包括处理器31和存储器32,其中处理器31和存储器32可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例1中的基于LeNet车牌识别方法对应的程序指令/模块(例如,图2所示的第一获取模块21、定位模块22、第一分割模块23、识别模块24和组合模块25)。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于LeNet车牌识别方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器31所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器32中,当被所述处理器31执行时,执行如图1所示实施例1中的基于LeNet车牌识别方法。
上述车牌识别模型训练设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
实施例4
本发明实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述实施例1中的基于LeNet车牌识别方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
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 (9)
1.一种基于LeNet的车牌识别方法,其特征在于,包括如下步骤:
获取待识别车辆图像;
根据预设车牌识别模型对所述待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;
对所述目标识别车牌图像进行分割,得到目标识别字符;
根据预设字符识别模型对所述目标识别字符进行识别,得到字符识别结果;所述预设字符识别模型通过对改进的LeNet卷积神经网络模型训练得到;
将所述字符识别结果进行组合,得到所述待识别车牌的车牌号。
2.根据权利要求1所述的方法,其特征在于,在所述对所述目标识别车牌图像进行分割,得到目标识别字符之前,还包括:
确定所述目标识别车牌图像中车牌倾斜度;
当所述车牌倾斜度不满足第一预设条件时,对所述目标识别车牌图像进行倾斜矫正。
3.根据权利要求2所述的方法,其特征在于,所述改进的LeNet卷积神经网络模型包括:增加C1层、C3层的特征层数量,增加C5层的特征图数量。
4.根据权利要求1所述的方法,其特征在于,通过以下步骤建立所述预设车牌识别模型和预设字符识别模型:
获取车辆图像训练样本,所述车辆图像训练样本中包含具有车辆图像的正样本图像及不具有车辆图像的负样本图像;
根据所述车辆图像训练样本对第一深度学习网络模型进行训练,得到所述预设车牌识别模型;
对所述车牌识别模型输出的车牌图像进行分割,得到目标训练字符;
根据所述目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到所述预设字符识别模型。
5.根据权利要求1所述的方法,其特征在于,在根据所述车辆图像训练样本对第一深度学习网络模型进行训练,得到所述预设车牌识别模型之后,还包括:
获取车辆图像测试样本,所述车辆图像测试样本中包含具有车牌图像的正样本图像及不具有车牌图像的负样本图像;
根据所述车辆图像测试样本对所述车牌识别模型进行测试,得到第一测试结果;
当所述第一测试结果满足第二预设条件时,将所述预设车牌识别模型确定为可用的车牌识别模型。
6.根据权利要求1所述的方法,其特征在于,在根据所述目标训练字符对改进的LeNet卷积神经网络模型进行训练,得到所述预设字符识别模型之后,还包括:
获取车牌图像测试样本,所述车牌图像测试样本为所述预设车牌识别模型输出的车牌图像测试样本;
根据所述车牌图像测试样本对所述预设字符识别模型进行测试,得到第二测试结果;
当所述第二测试结果满足第三预设条件时,将所述预设字符识别模型确定为可用的字符识别模型。
7.一种基于LeNet的车牌识别装置,其特征在于,包括:
第一获取模块,用于获取待识别车辆图像;
定位模块,用于根据预设车牌识别模型对所述待识别车辆图像进行车牌定位识别,得到目标识别车牌图像;
第一分割模块,用于对所述目标识别车牌图像进行分割,得到目标识别字符;
识别模块,用于根据预设字符识别模型对所述目标识别字符进行识别,得到字符识别结果;所述预设字符识别模型通过对LeNet卷积神经网络模型训练得到;
组合模块,用于将所述字符识别结果进行组合,得到所述待识别车牌的车牌号。
8.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1至6任一所述基于LeNet的车牌识别方法。
9.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现如权利要求1至6任一所述基于LeNet的车牌识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911360379.6A CN111435446A (zh) | 2019-12-25 | 2019-12-25 | 一种基于LeNet车牌识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911360379.6A CN111435446A (zh) | 2019-12-25 | 2019-12-25 | 一种基于LeNet车牌识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111435446A true CN111435446A (zh) | 2020-07-21 |
Family
ID=71580963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911360379.6A Pending CN111435446A (zh) | 2019-12-25 | 2019-12-25 | 一种基于LeNet车牌识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111435446A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020650A (zh) * | 2019-03-26 | 2019-07-16 | 武汉大学 | 一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置 |
CN111985482A (zh) * | 2020-07-29 | 2020-11-24 | 河海大学 | 一种基于深度学习的多模式多场景的自动车牌识别方法 |
CN112052845A (zh) * | 2020-10-14 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112052850A (zh) * | 2020-09-03 | 2020-12-08 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN112883973A (zh) * | 2021-03-17 | 2021-06-01 | 北京市商汤科技开发有限公司 | 车牌识别方法、装置、电子设备和计算机存储介质 |
CN113361534A (zh) * | 2021-06-01 | 2021-09-07 | 雅宝科技(深圳)有限公司 | 全自动洗车方法及系统 |
CN114005114A (zh) * | 2020-07-28 | 2022-02-01 | 阿里巴巴集团控股有限公司 | 识别方法及装置、切分模型的训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
US20180349743A1 (en) * | 2017-05-30 | 2018-12-06 | Abbyy Development Llc | Character recognition using artificial intelligence |
CN110348448A (zh) * | 2019-07-05 | 2019-10-18 | 黑龙江科技大学 | 一种基于卷积神经网络的车牌字符识别方法 |
-
2019
- 2019-12-25 CN CN201911360379.6A patent/CN111435446A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349743A1 (en) * | 2017-05-30 | 2018-12-06 | Abbyy Development Llc | Character recognition using artificial intelligence |
CN107316016A (zh) * | 2017-06-19 | 2017-11-03 | 桂林电子科技大学 | 一种基于Hadoop和监控视频流的车辆轨迹统计方法 |
CN110348448A (zh) * | 2019-07-05 | 2019-10-18 | 黑龙江科技大学 | 一种基于卷积神经网络的车牌字符识别方法 |
Non-Patent Citations (2)
Title |
---|
吴阳阳: "基于卷积神经网络的字符识别算法研究和实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王慧琴: "《数字图像处理》", 30 November 2006 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110020650A (zh) * | 2019-03-26 | 2019-07-16 | 武汉大学 | 一种针对倾斜车牌的深度学习识别模型的构建方法、识别方法及装置 |
CN110020650B (zh) * | 2019-03-26 | 2021-08-03 | 武汉大学 | 一种基于深度学习识别模型的倾斜车牌的识别方法及装置 |
CN114005114A (zh) * | 2020-07-28 | 2022-02-01 | 阿里巴巴集团控股有限公司 | 识别方法及装置、切分模型的训练方法及装置 |
CN111985482A (zh) * | 2020-07-29 | 2020-11-24 | 河海大学 | 一种基于深度学习的多模式多场景的自动车牌识别方法 |
CN111985482B (zh) * | 2020-07-29 | 2022-08-05 | 河海大学 | 一种基于深度学习的多模式多场景的自动车牌识别方法 |
CN112052850A (zh) * | 2020-09-03 | 2020-12-08 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN112052850B (zh) * | 2020-09-03 | 2024-05-10 | 平安科技(深圳)有限公司 | 车牌识别方法、装置、电子设备及存储介质 |
CN112052845A (zh) * | 2020-10-14 | 2020-12-08 | 腾讯科技(深圳)有限公司 | 图像识别方法、装置、设备及存储介质 |
CN112883973A (zh) * | 2021-03-17 | 2021-06-01 | 北京市商汤科技开发有限公司 | 车牌识别方法、装置、电子设备和计算机存储介质 |
CN113361534A (zh) * | 2021-06-01 | 2021-09-07 | 雅宝科技(深圳)有限公司 | 全自动洗车方法及系统 |
CN113361534B (zh) * | 2021-06-01 | 2022-06-24 | 深圳市雅宝智能装备系统有限公司 | 全自动洗车方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111435446A (zh) | 一种基于LeNet车牌识别方法及装置 | |
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
WO2019223586A1 (zh) | 车位使用状况的检测方法、装置、电子设备及存储介质 | |
CN111444911B (zh) | 车牌识别模型的训练方法及装置、车牌识别方法及装置 | |
CN111582339B (zh) | 一种基于深度学习的车辆检测与识别的方法 | |
CN112329881B (zh) | 车牌识别模型训练方法、车牌识别方法及装置 | |
CN110909598B (zh) | 一种基于深度学习的非机动车道交通违法行驶识别方法 | |
WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN111178282A (zh) | 一种道路交通限速标志定位识别方法及装置 | |
CN111435445A (zh) | 字符识别模型的训练方法及装置、字符识别方法及装置 | |
CN111627057A (zh) | 一种距离测量方法、装置及服务器 | |
CN111008554B (zh) | 一种基于深度学习的动态交通斑马线内不礼让行人识别方法 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN113313110B (zh) | 一种车牌类型识别模型构建及车牌类型识别方法 | |
CN111553183A (zh) | 一种船只检测模型训练方法、船只检测方法及装置 | |
CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 | |
CN113902740A (zh) | 图像模糊程度评价模型的构建方法 | |
CN117765485A (zh) | 基于改进的深度残差网络的车型识别方法、装置和设备 | |
CN108985197B (zh) | 基于多算法融合的出租车驾驶员吸烟行为的自动检测方法 | |
CN116958919A (zh) | 目标检测方法、装置、计算机可读介质及电子设备 | |
CN113435350A (zh) | 一种交通标线检测方法、装置、设备和介质 | |
CN109299652B (zh) | 一种用于图像定位的模型训练方法、图像定位方法及装置 | |
CN112380913A (zh) | 基于动态调整和局部特征向量联合的车牌检测识别方法 | |
CN112069971A (zh) | 一种基于视频的高速公路标志标线识别方法及识别系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200721 |
|
RJ01 | Rejection of invention patent application after publication |