CN112215224A - 基于深度学习的挂车号码识别方法和装置 - Google Patents

基于深度学习的挂车号码识别方法和装置 Download PDF

Info

Publication number
CN112215224A
CN112215224A CN202011137148.1A CN202011137148A CN112215224A CN 112215224 A CN112215224 A CN 112215224A CN 202011137148 A CN202011137148 A CN 202011137148A CN 112215224 A CN112215224 A CN 112215224A
Authority
CN
China
Prior art keywords
license plate
plate picture
trailer number
trailer
sample
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
Application number
CN202011137148.1A
Other languages
English (en)
Inventor
翁红云
李庭树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pingfang Science And Technology Co ltd
Original Assignee
Shenzhen Pingfang Science And Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Pingfang Science And Technology Co ltd filed Critical Shenzhen Pingfang Science And Technology Co ltd
Priority to CN202011137148.1A priority Critical patent/CN112215224A/zh
Publication of CN112215224A publication Critical patent/CN112215224A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V20/63—Scene text, e.g. street names
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4084—Scaling of whole images or parts thereof, e.g. expanding or contracting in the transform domain, e.g. fast Fourier transform [FFT] domain scaling
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供了一种基于深度学习的挂车号码识别方法、装置、终端设备和存储介质，所述方法包括：获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。

Description

基于深度学习的挂车号码识别方法和装置
技术领域
本发明涉及计算机技术领域，特别是涉及一种基于深度学习的挂车号码识别方法、装置、终端设备和存储介质。
背景技术
当前市面上车牌识别系统有前车牌识别和后车牌识别，没有专门的挂车号识别。前车牌识别无法通用识别挂车号。后车牌识别是从识别算法出发，基于图像分割的方式将双行车牌上下两行一分为二，将上下两行分开识别，该方案通常分割不准确，且对于一些有角度的车牌基本上分割效果非常差，从而导致识别错误的情况。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于深度学习的挂车号码识别方法、装置、终端设备和存储介质。
第一个方面，本发明实施例提供一种基于深度学习的挂车号码识别方法，所述方法包括：
获取待检测的车牌图片，所述车牌图片至少包括两行文本；
将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
可选地，所述预先建立的挂车号码检测模型通过如下方式获得：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
可选地，所述方法还包括：
将所述样本车牌图片的高像素缩放至第一预设值，同时将宽像素按照图像宽高比例进行缩放。
可选地，所述方法还包括：
若所述样本车牌图片的宽像素大于第二预设值，则将所述宽像素缩放至第三预设值；
若所述样本车牌图片的宽像素小于第二预设值，则将所述宽像素值填充至所述第三预设值。
可选地，所述采用深度卷积神经网络从所述样本车牌图片中提取出对应的特征向量序列，包括：
利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，所述卷积层用于从所述样本车牌图片中提取出二维特征向量序列；
将所述二维特征向量序列转化成一维特征向量。
可选地，所述将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码，包括：
将所述待检测的车牌图片输入到所述预先建立的挂车号码检测模型中，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
第二个方面，本发明实施例提供一种基于深度学习的挂车号码识别装置，所述装置包括：
获取模块，用于获取待检测的车牌图片，所述车牌图片至少包括两行文本；
识别模块，用于将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
可选地，所述装置还包括模型建立模块，所述模型建立模块用于：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
可选地，所述模型建立模块还用于：
将所述样本车牌图片的高像素缩放至第一预设值，同时将宽像素按照图像宽高比例进行缩放。
可选地，所述所述模型建立模块还用于：
若所述样本车牌图片的宽像素大于第二预设值，则将所述宽像素缩放至第三预设值；
若所述样本车牌图片的宽像素小于第二预设值，则将所述宽像素值填充至所述第三预设值。
可选地，所述识别模块用于：
利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，所述卷积层用于从所述样本车牌图片中提取出二维特征向量序列；
将所述二维特征向量序列转化成一维特征向量。
可选地，所述将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码，包括：
将所述待检测的车牌图片输入到所述预先建立的挂车号码检测模型中，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
第三个方面，本发明实施例提供一种终端设备，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现第一个方面提供的基于深度学习的挂车号码识别方法。
第四个方面，本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现第一个方面提供的基于深度学习的挂车号码识别方法。
本发明实施例包括以下优点：
本发明实施例提供的基于深度学习的挂车号码识别方法、装置、终端设备和存储介质，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
附图说明
图1是本发明的一种基于深度学习的挂车号码识别方法实施例的步骤流程图；
图2是本发明的一种基于深度学习的挂车号码识别装置实施例的结构框图；
图3是本发明的一种终端设备的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明一实施例提供一种基于深度学习的挂车号码识别方法，用于对车牌上的挂车号码进行识别。本实施例的执行主体为基于深度学习的挂车号码识别装置，设置在终端设备上，其中，终端设备可以为计算机，平板电脑和手机终端等。
参照图1，示出了本发明的一种基于深度学习的挂车号码识别方法实施例的步骤流程图，该方法具体可以包括如下步骤：
S101、获取待检测的车牌图片，所述车牌图片至少包括两行文本；
具体地，监控设备可以为CCD(Charge Coupled Device，电荷相合器件)摄像机，也可以为其他可以进行图像采集并可以与终端进行通信的摄像头。终端可以为台式计算机、便携式电脑、网络服务器等计算机设备。监控设备与终端设备建立有通信连接，通过通信连接，监控设备可以将采集到的图像发送至终端设备。
终端设备在接收到监控设备发送的车牌图片时，可以对车牌图片中挂车号码进行识别，并输出最终的识别结果。
S102、将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
具体地，终端设备在获取到车牌图片上的图片区域之后，终端设备可以将该车牌区域作为预先建立的挂车号检测模型的输入，进而通过CNN模型提取车牌图片内的文本信息的特征信息。其中，该特征信息主要包括用于指示车牌区域内的多个字符的多个特征序列。
其中，预先建立的挂车号检测模型可以是CNN模型，该CNN模型可以按照从左到右从上到下的顺序对车牌图片内的特征信息进行提取，从而按照提取顺序输出多个特征序列。
进而，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
本发明实施例提供的基于深度学习的挂车号码识别方法，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本发明又一实施例对上述实施例提供的基于深度学习的挂车号码识别方法做进一步补充说明。
如图2所示，示出了本发明的另一种基于深度学习的挂车号码识别方法实施例的步骤流程图，该基于深度学习的挂车号码识别方法包括：
可选地，所述预先建立的挂车号码检测模型通过如下方式获得：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
示例性地，采用中文的Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
例如，按照在UNICODE编码表中的字符顺序排序。如有字符串“1” ，“5” ，“3” ，“2” ，“1”，按UNICODE编码排序后就形成了“1” ，“1” ，“2” ，“3” ，“5”。
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
可选地，所述方法还包括：
将所述样本车牌图片的高像素缩放至第一预设值，同时将宽像素按照图像宽高比例进行缩放。
可选地，所述方法还包括：
若所述样本车牌图片的宽像素大于第二预设值，则将所述宽像素缩放至第三预设值；
若所述样本车牌图片的宽像素小于第二预设值，则将所述宽像素值填充至所述第三预设值。
具体说，其中，在一种可能的实现方式中，终端可以将获取到的车牌区域归一化至指定尺寸，然后再将该指定尺寸的车牌区域输入至CNN模型。例如，该指定尺寸可以为160*32，当然，也可以为其他尺寸，本发明实施例在此不做具体限定。
可选地，所述采用深度卷积神经网络从所述样本车牌图片中提取出对应的特征向量序列，包括：
利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，所述卷积层用于从所述样本车牌图片中提取出二维特征向量序列；
将所述二维特征向量序列转化成一维特征向量。
可选地，所述将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码，包括：
将所述待检测的车牌图片输入到所述预先建立的挂车号码检测模型中，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
具体地，当终端设备置通过预先建立的挂车号码检测模型从车牌图片中提取到多个特征序列，并可以得到车牌图片中的文本信息对应的特征向量的概率；
其中，终端可以基于多个特征序列，利用CNN模型确定不同的特征向量对应的概率。
终端设备可以将多个特征序列进行softmax归一化处理，并根据归一化结果确定车牌属于每个特征向量的概率值，之后，终端可以选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
具体地，Step1：数据预处理：将挂车号车牌图片分成训练集、测试集、评估集数据，然后利用中文车牌的Unicode排序算法标注图像里面的文本信息，
Step2：训练任务开始之前，将全部输入的图像像素的高度缩放到32，宽度的缩放按照图像宽高比例进行缩放，如果宽度大于160，则把宽度缩放到160，如果宽度小于160，则把宽度进行随机填充。
Step3：将输入图像归一化处理；
Step4：特征向量序列提取：采用深度卷积神经网络从输入中提取出对应的特征向量序列，利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，这一层用于从输入的图像中提取出二维特征向量序列转化成一维特征向量。
Step5：利用循环神经网络RNN中的BiLSTM识别上一步得到的特征向量序列，获取序列的上下文信息，从而得到每列特征的概率分布；
一般用于基于的图像序列预测(如手写稿图片，每一个单词都在图像里面，对这些单词序列做出预测)。所以先用CNN（convolutional and max-pooling layers, fully-connected layersare removed）提取图像特征，再用RNN对CNN输出的特征进行序列预测。RNN本来就擅长处理序列预测，但是RNN之前需要有a preprocessing step，这里的CNN相对于预处理过程。当然也可以处理篮子序列，CNN处理篮子内部的小序列，RNN处理篮子间的大序列。
Long Short-Term Memory，它是RNN（Recurrent Neural Network，卷积神经网络）的一种。LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。BiLSTM是Bi-directional Long Short-Term Memory的缩写，是由前向LSTM与后向LSTM组合而成。两者在自然语言处理任务中都常被用来建模上下文信息。
Step6：基于词典和查找候选目标的模式选取最大的标签序列概率所对应的标签序列作为图像中每一帧的最终的预测结果，即获得挂车号码。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例提供的基于深度学习的挂车号码识别方法，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本发明另一实施例提供一种基于深度学习的挂车号码识别装置，用于执行上述实施例提供的基于深度学习的挂车号码识别方法。
参照图2，示出了本发明的一种基于深度学习的挂车号码识别装置实施例的结构框图，该装置具体可以包括如下模块：获取模块201和识别模块202，其中：
获取模块201用于获取待检测的车牌图片，所述车牌图片至少包括两行文本；
识别模块202用于将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
本发明实施例提供的基于深度学习的挂车号码识别装置，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本发明又一实施例对上述实施例提供的基于深度学习的挂车号码识别装置做进一步补充说明。
可选地，所述装置还包括模型建立模块，所述模型建立模块用于：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
可选地，所述模型建立模块还用于：
将所述样本车牌图片的高像素缩放至第一预设值，同时将宽像素按照图像宽高比例进行缩放。
可选地，所述所述模型建立模块还用于：
若所述样本车牌图片的宽像素大于第二预设值，则将所述宽像素缩放至第三预设值；
若所述样本车牌图片的宽像素小于第二预设值，则将所述宽像素值填充至所述第三预设值。
可选地，所述识别模块用于：
利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，所述卷积层用于从所述样本车牌图片中提取出二维特征向量序列；
将所述二维特征向量序列转化成一维特征向量。
可选地，所述将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码，包括：
将所述待检测的车牌图片输入到所述预先建立的挂车号码检测模型中，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
需要说明的是，本实施例中各可实施的方式可以单独实施，也可以在不冲突的情况下以任意组合方式结合实施本申请不做限定。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例提供的基于深度学习的挂车号码识别装置，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本发明再一实施例提供一种终端设备，用于执行上述实施例提供的基于深度学习的挂车号码识别方法。
图3是本发明的一种终端设备的结构示意图，如图3所示，该终端设备包括：至少一个处理器301和存储器302；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述实施例提供的基于深度学习的挂车号码识别方法。
本实施例提供的终端设备，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本申请又一实施例提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述任一实施例提供的基于深度学习的挂车号码识别方法。
根据本实施例的计算机可读存储介质，通过获取待检测的车牌图片，车牌图片至少包括两行文本；将待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的，这样不需要对车牌图片进行图像分割，提高挂车号码识别准确性。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者电子设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者电子设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者电子设备中还存在另外的相同要素。

Claims (10)

1.一种基于深度学习的挂车号码识别方法，其特征在于，所述方法包括：
获取待检测的车牌图片，所述车牌图片至少包括两行文本；
将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
2.根据权利要求1所述的方法，其特征在于，所述预先建立的挂车号码检测模型通过如下方式获得：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将所述样本车牌图片的高像素缩放至第一预设值，同时将宽像素按照图像宽高比例进行缩放。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述样本车牌图片的宽像素大于第二预设值，则将所述宽像素缩放至第三预设值；
若所述样本车牌图片的宽像素小于第二预设值，则将所述宽像素值填充至所述第三预设值。
5.根据权利要求2所述的方法，其特征在于，所述采用深度卷积神经网络从所述样本车牌图片中提取出对应的特征向量序列，包括：
利用深度卷积神经网络模型中的卷积层和最大池化层来构造卷积层，所述卷积层用于从所述样本车牌图片中提取出二维特征向量序列；
将所述二维特征向量序列转化成一维特征向量。
6.根据权利要求2所述的方法，其特征在于，所述将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码，包括：
将所述待检测的车牌图片输入到所述预先建立的挂车号码检测模型中，得到所述车牌图片中的文本信息对应的特征向量的概率；
基于词典和查找候选目标的模式，选取最大的特征向量的概率所对应的挂车号码，确定为所述车牌图片中的挂车号码。
7.一种基于深度学习的挂车号码识别装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的车牌图片，所述车牌图片至少包括两行文本；
识别模块，用于将所述待检测的车牌图片输入到预先建立的挂车号码检测模型中，获取车牌图片中的挂车号码；其中，所述预先建立的挂车号检测模型是通过对训练样本集中的样本车牌图片中的挂车号码进行训练获得的。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括模型建立模块，所述模型建立模块用于：
获得所述训练样本集中的样本车牌图片；
用Unicode排序算法标注所述样本车牌图片中的样本挂车号码；
对所述样本车牌图片进行归一化处理；
采用深度卷积神经网络模型从所述样本车牌图片中提取出挂车号码对应的特征向量序列；
利用循环神经网络RNN中的BiLSTM对所述特征向量序列进行识别，获取挂车号码序列的上下文信息，并得到每列特征向量的概率分布。
9.一种终端设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机程序；所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1-6中任一项所述的基于深度学习的挂车号码识别方法。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现权利要求1-6中任一项所述的基于深度学习的挂车号码识别方法。
CN202011137148.1A 2020-10-22 2020-10-22 基于深度学习的挂车号码识别方法和装置 Pending CN112215224A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011137148.1A CN112215224A (zh) 2020-10-22 2020-10-22 基于深度学习的挂车号码识别方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011137148.1A CN112215224A (zh) 2020-10-22 2020-10-22 基于深度学习的挂车号码识别方法和装置

Publications (1)

Publication Number Publication Date
CN112215224A true CN112215224A (zh) 2021-01-12

Family

ID=74054767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011137148.1A Pending CN112215224A (zh) 2020-10-22 2020-10-22 基于深度学习的挂车号码识别方法和装置

Country Status (1)

Country Link
CN (1) CN112215224A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794514A (zh) * 2010-01-29 2010-08-04 陈思桐 基于嵌入式Linux的车辆稽查系统
CN107301385A (zh) * 2017-06-09 2017-10-27 浙江宇视科技有限公司 一种遮挡车牌识别方法及装置
CN108537226A (zh) * 2018-03-06 2018-09-14 北京邮电大学 一种车牌识别方法和装置
CN108550265A (zh) * 2018-03-16 2018-09-18 浙江大华技术股份有限公司 一种进行报警的方法、装置及系统
CN109447117A (zh) * 2018-09-25 2019-03-08 平安科技（深圳）有限公司 双层车牌识别方法、装置、计算机设备及存储介质
CN109766805A (zh) * 2018-12-28 2019-05-17 安徽清新互联信息科技有限公司 一种基于深度学习的双层车牌字符识别方法
CN110889323A (zh) * 2019-10-10 2020-03-17 平安科技（深圳）有限公司 通用车牌的识别方法、装置、计算机设备及存储介质
CN110942071A (zh) * 2019-12-09 2020-03-31 上海眼控科技股份有限公司 一种基于车牌分类和lstm的车牌识别方法
CN111046946A (zh) * 2019-12-10 2020-04-21 昆明理工大学 基于crnn的缅甸语图像文本识别方法
CN111191663A (zh) * 2019-12-31 2020-05-22 深圳云天励飞技术有限公司 车牌号码识别方法、装置、电子设备及存储介质
CN111767927A (zh) * 2020-06-03 2020-10-13 上海交通大学 一种基于全卷积网络的轻量级车牌识别方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794514A (zh) * 2010-01-29 2010-08-04 陈思桐 基于嵌入式Linux的车辆稽查系统
CN107301385A (zh) * 2017-06-09 2017-10-27 浙江宇视科技有限公司 一种遮挡车牌识别方法及装置
CN108537226A (zh) * 2018-03-06 2018-09-14 北京邮电大学 一种车牌识别方法和装置
CN108550265A (zh) * 2018-03-16 2018-09-18 浙江大华技术股份有限公司 一种进行报警的方法、装置及系统
CN109447117A (zh) * 2018-09-25 2019-03-08 平安科技（深圳）有限公司 双层车牌识别方法、装置、计算机设备及存储介质
CN109766805A (zh) * 2018-12-28 2019-05-17 安徽清新互联信息科技有限公司 一种基于深度学习的双层车牌字符识别方法
CN110889323A (zh) * 2019-10-10 2020-03-17 平安科技（深圳）有限公司 通用车牌的识别方法、装置、计算机设备及存储介质
CN110942071A (zh) * 2019-12-09 2020-03-31 上海眼控科技股份有限公司 一种基于车牌分类和lstm的车牌识别方法
CN111046946A (zh) * 2019-12-10 2020-04-21 昆明理工大学 基于crnn的缅甸语图像文本识别方法
CN111191663A (zh) * 2019-12-31 2020-05-22 深圳云天励飞技术有限公司 车牌号码识别方法、装置、电子设备及存储介质
CN111767927A (zh) * 2020-06-03 2020-10-13 上海交通大学 一种基于全卷积网络的轻量级车牌识别方法及系统

Similar Documents

Publication Publication Date Title
CN108427950B (zh) 一种文字行检测方法及装置
CN107330127B (zh) 一种基于文本图片检索的相似文本检测方法
CN107944450B (zh) 一种车牌识别方法及装置
US8750619B2 (en) Character recognition
CN111681273B (zh) 图像分割方法、装置、电子设备及可读存储介质
CN109343920B (zh) 一种图像处理方法及其装置、设备和存储介质
CN111950528B (zh) 图表识别模型训练方法以及装置
CN110210480B (zh) 文字识别方法、装置、电子设备和计算机可读存储介质
CN112906794A (zh) 一种目标检测方法、装置、存储介质及终端
CN110717497A (zh) 图像相似度匹配方法、装置及计算机可读存储介质
CN112001362A (zh) 一种图像分析方法、图像分析装置及图像分析系统
CN116311214B (zh) 车牌识别方法和装置
CN115240203A (zh) 业务数据处理方法、装置、设备及存储介质
CN106611148B (zh) 基于图像的离线公式识别方法和装置
CN113468979A (zh) 文本行语种识别方法、装置、电子设备
CN110705547B (zh) 图像内文字识别方法、装置及计算机可读存储介质
CN115984886A (zh) 表格信息抽取方法、装置、设备及存储介质
CN112215224A (zh) 基于深度学习的挂车号码识别方法和装置
CN115797291A (zh) 回路端子的识别方法、装置、计算机设备和存储介质
CN117523219A (zh) 图像处理方法及装置、电子设备、存储介质
CN114694133A (zh) 一种基于图像处理与深度学习相结合的文本识别方法
CN112464946A (zh) 一种基于大数据的垃圾图像收集方法及系统
CN110909737A (zh) 图片文字识别方法及系统
CN112200184B (zh) 一种自然场景下的书法区域检测及作者识别方法
CN113255668B (zh) 文本识别方法、装置、电子设备、存储介质

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